EUVIMEDEUVIMED entdecken
Crossref

Radiomic analysis and development of machine learning techniques for the detection of clinically significant prostate cancer

Maria Anastasia Rouni

Aristotle University of Thessaloniki · 01.01.2024

DOI: 10.26262/heal.auth.ir.356005 ↗

Kurz gefasst

Fachartikel in der Zeitschrift Aristotle University of Thessaloniki, erschienen am 01.01.2024. Verfasst von Maria Anastasia Rouni.

AbstractSchlagwörterBibliografische AngabenZitierenVerwandte Studien

Abstract (Originalsprache)

Ο καρκίνος αποτελεί μια πολύπλοκη ομάδα ασθενειών που χαρακτηρίζεται από την ανεξέλεγκτη ανάπτυξη μη φυσιολογικών κυττάρων. Παραμένει μία από τις κύριες αιτίες θανάτου παγκοσμίως, συμβάλλοντας σημαντικά στο ποσοστό θνησιμότητας από μη μεταδοτικές ασθένειες (NCD) με εκτιμώμενους 9,3 εκατομμύρια θανάτους ετησίως, όπως αναφέρει ο Παγκόσμιος Οργανισμός Υγείας. Επιπλέον, εκτιμήθηκαν 19,3 εκατομμύρια νέα περιστατικά καρκίνου και σχεδόν 10 εκατομμύρια θάνατοι από καρκίνο το 2020 μόνο. Το παγκόσμιο βάρος του καρκίνου αναμένεται να αυξηθεί λόγω παραγόντων όπως ο γηράσκων πληθυσμός, οι αλλαγές στον τρόπο ζωής και οι περιβαλλοντικοί παράγοντες, τονίζοντας την επείγουσα ανάγκη για βελτιωμένες διαγνωστικές και θεραπευτικές στρατηγικές. Ανάμεσα στους διάφορους τύπους καρκίνου, ο καρκίνος του προστάτη διακρίνεται ως ένας από τους πιο διαγνωσμένους κακοήθεις όγκους στους άνδρες. Είναι ο δεύτερος πιο συνηθισμένος καρκίνος ανάμεσα στους άνδρες παγκοσμίως και η πέμπτη κύρια αιτία θανάτου από καρκίνο στους άνδρες. Η πρώιμη ανίχνευση και ακριβής διάγνωση του καρκίνου του προστάτη, ιδιαίτερα των κλινικά σημαντικών περιπτώσεων, είναι κρίσιμη για την αντιμετώπιση και τη βελτίωση των αποτελεσμάτων για τους ασθενείς. Ωστόσο, οι παραδοσιακές μέθοδοι διάγνωσης, όπως η εξέταση ειδικού αντιγόνου του προστάτη (PSA) και η ψηλάφηση μέσω του ορθού (DRE), έχουν περιορισμούς σε ειδικότητα και ευαισθησία. Τα τελευταία χρόνια, η εμφάνιση προηγμένων τεχνικών απεικόνισης, όπως η διπαραμετρική MRI (bpMRI), έχει επαναστατήσει το τοπίο της διάγνωσης του καρκίνου του προστάτη. Η bpMRI είναι μια απλοποιημένη μορφή της πολυπαραμετρικής MRI που επικεντρώνεται στην απεικόνιση του αδένα του προστάτη χρησιμοποιώντας κυρίως ακολουθίες απεικόνισης Τ2W και διάχυσης (DWI), παραλείποντας τη δυναμική απεικόνιση με ενίσχυση αντίθεσης (DCE). Αυτή η προσέγγιση μειώνει τον χρόνο εξέτασης, το κόστος και εξαλείφει την ανάγκη για ενδοφλέβια χορήγηση σκιγραφικής ουσίας, καθιστώντας τη λιγότερο επεμβατική και πιο προσβάσιμη για ασθενείς με ορισμένες ιατρικές παθήσεις. Σε συνδυασμό με τις εξελίξεις στη ραδιομική - έναν τομέα που εξάγει έναν μεγάλο αριθμό ποσοτικών χαρακτηριστικών από ιατρικές εικόνες - υπάρχει μια υποσχόμενη προοπτική για την ενίσχυση της προβλεπτικής ακρίβειας αυτών των απεικονιστικών μεθόδων. Με την αξιοποίηση τεχνικών μηχανικής μάθησης, η ανάλυση ραδιομικών δεδομένων έχει τη δυνατότητα να προσφέρει μια πιο ακριβή και μη επεμβατική μέθοδο για την πρόβλεψη του κλινικά σημαντικού καρκίνου του προστάτη, βελτιώνοντας σημαντικά τη φροντίδα και τα αποτελέσματα για τους ασθενείς. Αυτή η διατριβή εμβαθύνει στο δυναμικό της ανάλυσης ραδιομικών δεδομένων στην διπαραμετρική MRI, σε συνδυασμό με τεχνικές μηχανικής μάθησης, ως μια καινοτόμος προσέγγιση για την πρόβλεψη του κλινικά σημαντικού καρκίνου του προστάτη (csPCa). Μέσα από έρευνα και ανάλυση, στοχεύουμε να συμβάλουμε στις τρέχουσες προσπάθειες της ιατρικής κοινότητας για τη βελτίωση της διάγνωσης του καρκίνου του προστάτη και, τελικά, τη φροντίδα των ασθενών.

Schlagwörter

prostate cancerclinically significant prostate cancerradiomicsmachine learningcomputer-aided diagnosisprostate MRIGleason scoreprostate-specific antigencancer detectiondeep learning

Zitieren

APA

Rouni, M. A. (2024). Radiomic analysis and development of machine learning techniques for the detection of clinically significant prostate cancer. Aristotle University of Thessaloniki. https://doi.org/10.26262/heal.auth.ir.356005

Vancouver

Rouni MA. Radiomic analysis and development of machine learning techniques for the detection of clinically significant prostate cancer. Aristotle University of Thessaloniki. 2024. doi:10.26262/heal.auth.ir.356005

BibTeX
@article{Rouni2024,
  author = {Rouni, Maria Anastasia},
  title = {Radiomic analysis and development of machine learning techniques for the detection of clinically significant prostate cancer},
  journal = {Aristotle University of Thessaloniki},
  year = {2024},
  doi = {10.26262/heal.auth.ir.356005}
}
Kostenlos starten →