Deep learning för prognostisering av prostata cancer

Syfte och mål

Vårt mål var att använda Deep learning för att förbättra CADESS klassificerare för prostatacancerprognostisering. Vi förbättrade klassificerarens sensitivity med 24%. Den resulterande sensitivity, möjligheten att identifiera cancer, är nu 93,6% med en specificity av 90%, vilket överstiger varje publicerat resultat.

Resultat och förväntade effekter

Under de senaste tio åren har Active Surveillance (AS) uppstått som en behandlingsstrategi hos män med låg risk prostatacancer. AS syftar till att fördröja eller undvika kurativ behandling genom upprepade PSA-tester och biopsier, vilket ger män fler år med bättre livskvalitet. AS är beroende av korrekt riskbedömning, i synnerhet korrekt malignitetsgradering. Genom att förbättra sin klassificerare kommer CADESS att förbättra noggrannheten i bedömningen av prostatacancerrisken och kommer att stödja Active Surveillance hos en stor del män som drabbats av prostatacancer.

Upplägg och genomförande

Deep Learning kräver stora mängder av träningsdata som annoteras av experter. Prostata vävnad är heterogen: ett litet område med höggradig cancer kan vara omgiven av godartad vävnad, och omvänt kan stora maligna områden innehålla många olika cancer grader såväl som godartad vävnad. En träningsdataset måste fånga alla dessa variationer; att bara indikera ett område av körtlar, av vilka några är maligna, kommer att förvirra träningsprocessen. CADESS tillät oss att automatiskt skapa en annoterad träningsdataset, vilket är hemligheten till förbättringen av vår klassificering.