ప్రోస్టేట్ క్యాన్సర్ పురుషులలో రెండవ అత్యంత సాధారణ క్యాన్సర్, మరియు ప్రోస్టేట్ క్యాన్సర్ పరిమాణాన్ని అంచనా వేయడానికి స్థిరమైన పద్ధతిని అభివృద్ధి చేయడానికి USలో ప్రతి సంవత్సరం దాదాపు 300,000 మంది వ్యక్తులు దీనిని నిర్ధారణ చేస్తారు, ఇది వైద్యులకు మరింత ఖచ్చితమైన సమాచారంతో చికిత్స నిర్ణయాలు తీసుకోవడంలో సహాయపడుతుంది, మాస్ జనరల్ బ్రిఘం పరిశోధకులు 700 కంటే ఎక్కువ మంది ప్రోస్టేట్ క్యాన్సర్ రోగుల నుండి MRI స్కాన్‌ల ఆధారంగా AI మోడల్‌కు శిక్షణ ఇవ్వబడింది మరియు ధృవీకరించబడింది. మోడల్ 85% అత్యంత రేడియోలాజికల్ గా ఉగ్రమైన ప్రోస్టేట్ గాయాల అంచులను గుర్తించి, గుర్తించగలిగింది.
AI మోడల్ అంచనా వేసినట్లుగా, పెద్ద పరిమాణంలో ఉన్న కణితులు చికిత్స వైఫల్యం మరియు మెటాస్టాసిస్ యొక్క అధిక ప్రమాదంతో సంబంధం కలిగి ఉంటాయి, సాధారణంగా ఈ ప్రమాదాన్ని అంచనా వేయడానికి ఉపయోగించే ఇతర కారకాలతో సంబంధం లేకుండా ఉంటాయి. ఇంకా, రేడియేషన్ థెరపీని పొందిన రోగులకు, మెటాస్టాసిస్‌ను అంచనా వేయడానికి సాంప్రదాయ ప్రమాద స్తరీకరణ కంటే కణితి పరిమాణం మెరుగ్గా పనిచేసింది. కణితి యొక్క దూకుడును వైద్యులు అర్థం చేసుకోవడానికి, మరింత వ్యక్తిగతీకరించిన చికిత్స ప్రణాళికలను తెలియజేయడానికి మరియు రేడియేషన్ థెరపీకి మార్గనిర్దేశం చేసేందుకు ఈ సాధనం ఉపయోగపడుతుందని పరిశోధకులు విశ్వసిస్తున్నారు. అధ్యయనం జర్నల్‌లో ప్రచురించబడింది రేడియాలజీ.
“అల్-నిర్ణయించిన కణితి వాల్యూమ్ రోగి యొక్క క్యాన్సర్ యొక్క దూకుడును అర్థం చేసుకోగల మన సామర్థ్యాన్ని మెరుగుపరచడం ద్వారా ప్రోస్టేట్ క్యాన్సర్‌తో బాధపడుతున్న రోగులకు ఖచ్చితమైన ఔషధాన్ని అభివృద్ధి చేయగల సామర్థ్యాన్ని కలిగి ఉంది మరియు అందువల్ల అత్యంత సరైన చికిత్సను సిఫార్సు చేస్తుంది” అని మొదటి రచయిత డేవిడ్ D. యాంగ్, MD, చెప్పారు. బ్రిగమ్ మరియు ఉమెన్స్ హాస్పిటల్‌లోని రేడియేషన్ ఆంకాలజీ విభాగం, మాస్ జనరల్ బ్రిగమ్ హెల్త్‌కేర్ సిస్టమ్ వ్యవస్థాపక సభ్యుడు.
MRI ప్రోస్టేట్ క్యాన్సర్‌ను నిర్ధారించే వైద్యుల సామర్థ్యాన్ని మెరుగుపరిచింది మరియు రోగనిర్ధారణ మరియు చికిత్సలో ఒక సాధారణ భాగం. మానవ వైద్యులు MRI చిత్రాల ఆధారంగా కణితి పరిమాణాన్ని అంచనా వేయవచ్చు, ఈ అంచనాలు కొంతవరకు ఆత్మాశ్రయమైనవి మరియు వ్యక్తి నుండి వ్యక్తికి మారవచ్చు.
కణితి పరిమాణాన్ని అంచనా వేయడానికి మరింత స్థిరమైన పద్ధతిని అభివృద్ధి చేయడానికి, పరిశోధకులు ఒకే కేంద్రంలో చికిత్స పొందుతున్న 732 మంది రోగుల నుండి ప్రోస్టేట్ క్యాన్సర్ కణితుల యొక్క MRI చిత్రాల ఆధారంగా AI నమూనాకు శిక్షణ ఇచ్చారు. రోగనిర్ధారణ తరువాత 5 నుండి 10 సంవత్సరాలలో AI మోడల్ యొక్క పరిమాణ అంచనాలు చికిత్స విజయంతో సంబంధం కలిగి ఉన్నాయా అని వారు పరిశోధించారు.
పేషెంట్ కోహోర్ట్‌లో PI-RADS (ప్రోస్టేట్ ఇమేజింగ్ రిపోర్టింగ్ మరియు డేటా సిస్టమ్) 5 స్కోర్‌ను కలిగి ఉన్న 85% ప్రోస్టేట్ ట్యూమర్‌లను AI మోడల్ గుర్తించి కొలవగలదని వారు చూపించారు. స్కోర్ వైద్యపరంగా ముఖ్యమైన ప్రోస్టేట్ క్యాన్సర్ ప్రమాదాన్ని సూచిస్తుంది. మోడల్ యొక్క పరిమాణ అంచనాలు ప్రోగ్నోస్టిక్ మార్కర్‌గా కూడా సంభావ్యతను చూపించాయి: పెద్ద కణితులు ప్రోస్టేట్ క్యాన్సర్ తిరిగి వచ్చే అధిక ప్రమాదంతో ముడిపడి ఉన్నాయి, ఇది ప్రోస్టేట్-నిర్దిష్ట యాంటిజెన్ (PSA) లేదా మెటాస్టాసైజ్ యొక్క రక్త స్థాయిల ద్వారా కొలవబడుతుంది, శస్త్రచికిత్స ద్వారా చికిత్స పొందిన రోగులకు. లేదా రేడియేషన్ థెరపీతో.
“రోగి ఫలితాల పరంగా AI కొలత మాకు అదనంగా ఏదైనా చెప్పగలదు” అని బ్రిఘమ్‌లోని రేడియేషన్ ఆంకాలజీ విభాగానికి చెందిన సీనియర్ రచయిత మార్టిన్ కింగ్, MD, PhD అన్నారు. “రోగులకు, ఇది నిజంగా వారికి నయం చేసే అవకాశాల గురించి మరియు భవిష్యత్తులో వారి క్యాన్సర్ మళ్లీ వచ్చే లేదా మెటాస్టాసైజ్ అయ్యే అవకాశం గురించి వారికి చెప్పగలదు.”
వైద్యులు మరియు రోగులు వారి క్యాన్సర్ యొక్క దూకుడును అర్థం చేసుకోవడంలో సహాయం చేయడంతో పాటు, AI మోడల్ మరింత లక్ష్య చికిత్స కోసం కణితి యొక్క ఫోకల్ ప్రాంతాన్ని గుర్తించడం ద్వారా రేడియేషన్ ఆంకాలజిస్ట్‌లకు మార్గనిర్దేశం చేయడంలో సహాయపడుతుంది. ప్రోస్టేట్ క్యాన్సర్ దూకుడును అంచనా వేయడానికి ప్రస్తుతం ఉపయోగించే పద్ధతులతో పోలిస్తే ఇది చాలా వేగవంతమైన పరీక్ష, ఇది సాధారణంగా ఫలితాలను ఇవ్వడానికి రెండు వారాలు లేదా అంతకంటే ఎక్కువ సమయం పడుతుంది. AI-సమాచార పరీక్ష అంటే రోగులు త్వరగా చికిత్స ప్రారంభించవచ్చని అర్థం.
మాస్ జనరల్ బ్రిఘం రోగులకు అందించే సంరక్షణలో క్యాన్సర్ పరిశోధన ఒక పునాది స్తంభం. పరిశోధన, ఇన్నోవేషన్, ఎడ్యుకేషన్ మరియు కమ్యూనిటీ ఎంగేజ్‌మెంట్‌లో సిస్టమ్ యొక్క బలాల శక్తితో పాటు, మాస్ జనరల్ బ్రిగమ్ క్యాన్సర్‌ని అందరికీ సమీకృత క్యాన్సర్ సంరక్షణను అందించడానికి అనుమతిస్తుంది, ఆ మద్దతులో ఆరోగ్య ఈక్విటీని కేంద్రంగా ఉంచుతుంది. క్యాన్సర్ కేర్‌కు సమగ్రమైన, సమగ్రమైన మరియు పరిశోధన-సమాచార విధానాన్ని అందించడం, రోగులకు వారి మొత్తం సంరక్షణ ప్రయాణాన్ని నావిగేట్ చేయడంలో సహాయపడుతుంది, నివారణ మరియు ముందస్తుగా గుర్తించడం నుండి చికిత్స మరియు మనుగడ వరకు.
ముందుకు చూస్తే, పరిశోధకులు తమ మోడల్‌ను పెద్ద, బహుళ-సంస్థాగత డేటాసెట్‌తో పరీక్షించాలని యోచిస్తున్నారు.
“ఈ విధానం రోగులందరికీ సాధారణీకరించదగినదని నిర్ధారించుకోవడానికి, వివిధ వ్యాధి లక్షణాలతో ఇతర సంస్థలు మరియు రోగి సమన్వయాలను ఉపయోగించి మా పరిశోధనలను ధృవీకరించాలనుకుంటున్నాము” అని యాంగ్ చెప్పారు.
