Feleppa E.,1 Rondeau M.,1 Lee P.,1 Porter C.,2 Sparks D.2
1Lizzi Center for Biomedical Engineering, Riverside Research
Institute, New York, NY; 2Department of Urology, Virginia Mason Medical Center, Seattle, WA
Цель: рак простаты остается важной проблемой для здравоохранения во многих странах. Этот вид рака не может быть достоверно визуализирован ни одним из часто используемых диагностических методов. Как следствие, типичная игольчатая биопсия под ТРУЗИ контролем выполняется систематически по отношению к общей анатомии железы, но слепо по отношению к фокусам рака простаты. Выполнение процедуры вслепую приводит к высокой частоте ложноотрицательных результатов. Исследуются передовые ультразвуковые и магнитно-резонансные методики, которые подают некоторые надежды в обеспечении необходимой точности изображения рака простаты. Из этих двух методик, более дешевой и быстрой является УЗИ, и оно будет предпочтительным, если подтвердится его достоверность. Нашей целью была разработка и тестирование ультразвукового метода, основанного на спектральном анализе радиочастотного ультразвукового эхосигнала и на классификации, использующей современные инструменты, для достоверности изображения рака простаты и, таким образом, более эффективного наведения биопсии, фокальной терапии, и, в конечном счете, мониторирования лечения рака простаты.
Методы: радиочастотные данные получали в биопсийной плоскости 617 биоптатов простаты, взятых у 64 пациентов с подозрением на рак. Радиочастотные данные оцифровывались и запоминались сразу же после ввода биопсийной иглы. В последующем выполняли спектральный расчет в зоне интереса, которая пространственно совмещалась с локализацией биоптата.
В базу данных записывались предположения спектральных параметров, уровень ПСА, гистологически подтвержденное типирование ткани при каждой биопсии, уровень подозрения рака простаты, на основании внешнего вида точки биопсии в В-режиме. 4 нелинейных классификатора готовились с помощью этих данных: многослойный перцептрон и искусственная нейронная сеть типа радиальной базисной функции (ANNs), and stacked-restricted Boltzmann machines logitboost алгоритм (LBAs),, метод опорных векторов (SVMs), устройство Больцмана stacked-restricted (LBMs). Применялась перекрестная проверка и метод исключения по одному пациенту для наблюдения за множеством категорий ткани. Зоны под ROC кривой (AUS) применялись для оценки производительности классификатора в сравнении с характеристиками, основанными на степени подозрения.
Изображения с тканевым типированием генерировались быстро, с помощью поисковых таблиц, полученных из этих классификаторов.
Результаты: AUC для ANN, LBA, SVM, и RBM были, соответственно, 0,84±0,02, 0,87±0,04, 0,89±0,04, и 0,91±0,04. Для сравнения, LOS-основанные AUC были
0,64±0,03. 2х-мерные и 3х-мерные изображения с тканевым типированием показали фокусы рака, которые впоследствии были идентифицированы гистологически, но не были определены до патологического осмотра препарата после простатэктомии.
Обсуждение и выводы: методы ультразвукового изображения, описанные здесь, показывают значительный потенциал для получения необходимой достоверности. Наиболее трудный классификатор выполнил работу отлично и установки позволяют предположить, что клинически значимое полезное снижение ложноотрицательных биопсий будет возможным, если описанные методы будут использоваться для прицельной биопсии. Потенциально, эти изображения с тканевым типированием также могут быть использованы для оценки изменений в ткани во время активного наблюдения или мониторирования терапии.
Комментарии