Validering av en maskininlärningsmodell baserad på MR för förutsägelse av prostatacancer

Detta är en transversell, icke-interventionell observationsstudie som involverar analys av data som samlats in både retrospektivt och prospektivt.

Patienterna kommer att registreras av radiologens medicinska personal som utsetts av huvudutredaren. Huvudutredaren och hans delegater kommer att ansvara för förvärvet och pseudo-anonymiseringen av bilder av patienter inskrivna (både retrospektivt och prospektivt) från RIS-PACS vid IRCCS Bolognas universitetssjukhus, Policlinico di Sant'Orsola. När det är tillgängligt, för deltagarna som genomgår prostatakirurgi, kan O.U. of Pathological Anatomy kommer att tillhandahålla digitala skanningar av prostatiska makrosektioner.

För validering av maskininlärningsmodellen av kliniskt signifikant CaP kommer ett verktyg att göras tillgängligt för radiologer. Det här verktyget är utvecklat av Institutionen för informatik - vetenskap och teknik, DISI, University of Bologna och Alma Mater Research Institute on Global Challenges and Climate Change, Alma Climate, University of Bologna, och integrerat i en öppen källkod Dicom viewer, Aliza MS Dicom Viewer. Läkarna kommer då att ha möjlighet att självständigt utföra segmenteringen av ADC-sekvenserna (tidigare pseudo-anonymiserade) och starta den radiomiska processen för att erhålla ett prediktivt värde på sannolikheten för att den segmenterade lesionen är kliniskt signifikant. Detta sannolikhetsvärde kommer att beräknas av programvaran på basis av den maskininlärningsmodell som utvecklats i PROSTATE_01. Verktyget tillåter också datainsamling (organiserad och pseudo-anonym). Valideringen av den kliniskt signifikanta prediktiva modellen för CaP kommer att utföras på alla patienter som registreras både retrospektivt och prospektivt, exklusive de som används i modellträningsfasen i PROSTATE_01. Efter att ha utvärderat prestandan för den validerade modellen och effekterna av urvalsbias, när rekryteringen är genomförd både retrospektivt och prospektivt, kommer en förfining av den tidigare utvecklade modellen att genomföras. Detta kommer att vara en "omträning" av själva modellen, utförd på tränings- och testdatauppsättningar slumpmässigt valda från hela den inskrivna populationen från vilken den kommer att erhållas slumpmässigt, genom skillnad, även delmängden för en ny validering.