根据《科学报告》发表的新研究，将机器学习和放射线学相结合的新框架将有助于区分低危和高危前列腺癌。
“通过严格和系统地将机器学习与放射线学结合起来，我们的目标是为放射科医生和临床人员提供一种声音预测工具，最终可以转化为更有效和个性化的患者护理，”主要作者伊坎学校的Gaurav Pandey博士说。西奈山医学博士在准备好的声明中。
AI仍然是许多癌症(包括宫颈癌， 子宫癌 和肺癌)的诊断工具。
Pandey及其同事开发了该方法，以允许放射科医生准确地确定前列腺癌患者的治疗选择。这可以减少不必要的临床干预的机会。
当前用于评估前列腺癌风险的方法(前列腺成像报告和数据系统，版本2(PI-RADS v2))是主观的，因为它使用对MRI上发现的病变进行评分的五点评分系统。PI-RADS v2通常会导致放射科医生之间得分和解释不同，从而可能产生不必要的干预。
Pandey等。组合放射学，使用算法从医学图像中提取大量定量特征，并使用机器学习作为框架。Radiomics 已显示出改善和向放射科医生提供有关良性和恶性乳腺肿瘤的信息的有效性。
他们的方法使用了110个放射性特征，这些特征使用基于二次核的支持向量机(QSVM)进行了解释，最终队列为54个人。
重要的是，与PI-RADS v2方法相比，对前列腺癌患者进行分级的机器学习方法具有“合理的高精度”或预测值，并具有较高的召回率或敏感性(高和低风险类别分别为0.86和0.72)在独立的验证集中。虽然如此，PI-RADS v2分类的曲线下总面积(AUC)高于机器学习分类器(0.73对0.71)。
Pandey在同一份声明中说：“高精度预测前列腺癌进展的途径正在不断改善，我们认为我们的客观框架是急需的进步。”
