PSMA-PET: Deep Radiomic Biomarkers of Progression and Response Prediction in prostatecancer

Prostatacancer (PCa) är den vanligaste icke-hudmaligniteten och den tredje vanligaste orsaken till cancerdöd hos nordamerikanska män. Det noggrant kartlade metastaserande tillståndet är en nödvändig förutsättning för att vägleda behandling i praktiken och i kliniska prövningar. Avbildningsbiomarkörer (BMs) kan ge information om sjukdomsvolym och distribution, prognos, förändringar i biologiskt beteende, terapiinducerade förändringar (både responders och non-responders), svarslängd, uppkomst av behandlingsresistens och värdens reaktion på terapierna .

Av särskild relevans för metastaserande prostatacancer är framväxten av en lovande bildteknik som involverar nya prostataspecifika membranantigen (PSMA) positronemissionstomografi (PET) spårämnen. Detta tillvägagångssätt har visat högre känslighet för att upptäcka metastaser, före och under terapin, än nuvarande bildbehandlingsstandard (CT och benskanning), och är inte allmänt tillgängligt kliniskt utanför forskningsområdet i Nordamerika.

Positronemissionstomografi/datortomografi (PET/CT) är en nuklearmedicinsk diagnostisk bildprocedur baserad på mätning av positronemission från radiomärkta spårmolekyler in vivo. PSMA är ett homodimert typ II-membranmetalloenzym som fungerar som ett glutamatkarboxipeptidas/folathydrolas och överuttrycks i PCa. PSMA uttrycks i de allra flesta PCa-vävnadsprover och dess uttrycksgrad korrelerar med ett antal viktiga mått på PCa-tumöraggressivitet inklusive Gleason-poäng, benägenhet att metastasera och utvecklingen av kastrationsresistens.

[18F]DCFPyL är en lovande högkänslig andra generationens PSMA-riktad ureabaserad PET-sond. Studier som använder andra generationens PSMA PET/CT-avbildning hos män med biokemisk progression efter definitiv terapi tyder på upptäckt av metastaser hos över 60 % av de avbildade männen.

Deep learning definieras som en variant av artificiella neurala nätverk som använder flera lager av "neuroner". Djup inlärning har undersökts inom medicinsk bildbehandling i många tillämpningar över organsystem. Inom onkologi har grundläggande artificiella neurala nätverk för att stödja beslutsfattande tidigare utvecklats retrospektivt vid bröstcancer och prostatacancer, men har inte validerats eller integrerats prospektivt. Nya datadrivna metoder behövs för att förutsäga resultat så tidigt som möjligt för att vägleda varaktigheten och aggressiviteten av en viss terapi. De behövs också för optimalt patientval baserat på patientens svar på en given terapi.

Här antar utredarna att kombinationen av en högpresterande prostatacanceravbildningsteknik i kombination med maskininlärning har hög potential. Huvudsyftet med denna studie är att inhämta PSMA-PET-data hos patienter med prostatacancer som får behandling och uppföljning för att möjliggöra upptäckten av biomarkörer för prediktiv avbildning genom tekniker för djupinlärning.