一项关于在积极监测期间对前列腺癌增长的患者特定计算预测的试点研究,使用基于成像的生物机械模型

科学领域:

• 泌尿器科 泌尿器科 泌尿器科 泌尿器科
• 计算生物学 计算生物学
• 医疗成像医学成像

背景情况:

• 主动监测 (AS) 是低至中等风险前列腺癌的标准管理策略.
• 目前的AS依赖于基于人口的监测,可能会延迟瘤进展的检测,并限制个性化管理.
• 需要针对患者的特定工具来优化AS协议并改善早期发现疾病进展.

研究的目的:

• 开发和验证一个个性化的计算模型来预测前列腺癌的生长.
• 在AS队列中确定高风险前列腺癌的新生物标志物.
• 评估预测模型的潜力,以便更早地检测疾病进展,并为个性化的AS计划提供信息.

主要方法:

• 使用前列腺癌患者的纵向多参数MRI (mpMRI) 数据开发和个性化了一个时空生物机制模型.
• 该模型预测全球瘤负担的能力使用一致性相关系数进行了评估.
• 发现了一种新的生物标志物,即平均瘤增殖活动,并通过后勤回归来开发一个风险分类器.

主要成果:

• 个性化生物机械模型准确地表示和预测了个别患者的全球瘤负担 (CCC:0.93-0.99).
• 一个基于模型的生物标志物 (平均增殖活性) 被确定为表明更高风险的前列腺癌 (P = 0.041).
• 风险分类器实现了0.83的AUC,与分类器的合预测使得更高风险疾病进展的早期识别能够超过一年.

结论:

• 使用mpMRI数据对前列腺癌的个性化生物机制建模可以准确预测瘤进展.
• 一个新的生物标志物和风险分类器显示出确定高风险疾病的希望.
• 这种预测技术提供了一个潜在的临床决策工具,用于设计个性化的AS计划,改善前列腺癌的管理.