Forskare presenterade en AI-modell vid ASTRO:s årsmöte som exakt förutspår biokemiskt återfall hos prostatacancerpatienter efter strålterapi. Verktyget använder MRT-skanningar före behandling och kliniska data för att överträffa traditionella riskmodeller. Denna framsteg kan hjälpa till att skräddarsy behandlingar mer effektivt.
Vid American Society for Radiation Oncologys (ASTRO) årsmöte i Washington, D.C., den 20-23 oktober 2024, presenterade ett team från UT Southwestern Medical Center resultat om en ny AI-baserad prediktiv modell för prostatacancerutfall.
Studien, ledd av David P. Hormuth II, PhD, biträdande professor i strålningonkologi, fokuserade på biokemiskt återfall (BCR), definierat som en ökning av prostataspecifikt antigen (PSA)-nivåer efter behandling, vilket indikerar potentiell canceråterkomst. Modellen utvecklades med data från över 1 000 patienter som behandlats med strålterapi mellan 2003 och 2017 vid UT Southwestern.
Nyckeln till AI-verktyget är dess integration av kvantitativa bildfunktioner från MRT-skanningar före behandling, kombinerat med standardkliniska variabler som ålder, Gleason-poäng och PSA-nivåer. Tränad på denna datamängd uppnådde modellen ett område under kurvan (AUC) på 0,87 för att förutsäga tvåårsrisken för BCR, vilket överträffade etablerade nomogram som Memorial Sloan Kettering Cancer Centers (MSKCC) modell, som fick 0,75 AUC.
"Denna AI-metod låter oss extrahera nyanserad information från bilderna som inte fångas av traditionella metoder", uppgav Hormuth under presentationen. Verktygets validering på en oberoende kohort med 200 patienter bekräftade dess robusthet, med liknande prediktiv noggrannhet.
Bakgrundskontexten belyser utmaningen i hanteringen av prostatacancer: även om strålterapi är effektiv upplever upp till 30 % av patienterna BCR inom fem år, vilket ofta leder till ytterligare behandlingar. Nuvarande riskstratifiering bygger på klinikopatologiska faktorer, men bildbaserad AI kan förfina detta genom att identifiera subtila tumörkarakteristika.
Implikationerna inkluderar potential för personliga behandlingsplaner, såsom att intensifiera terapin för högriskpatienter eller nedtrappa för lågriskpatienter, med målet att minska övertreatment. Forskare noterade modellens tillämpbarhet på standardvårdsbilder, vilket gör den genomförbar för bredare klinisk adoption. De betonade dock behovet av större, multi-institutionella studier för att validera generaliserbarhet.
Inga större motsägelser uppstod i rapporteringen, eftersom presentationsdetaljerna stämmer överens med studiens metodik publicerad i abstraktet.