Urednički rad je objavljen u Oncoscience 20. maja 2024. pod naslovom „Segmentacija lezija uz pomoć dubokog učenja u PET/CT imidžingu: studija izvodljivosti za spasonosnu terapiju zračenjem kod raka prostate“.
U ovom novom uvodniku, istraživači Richard L.J. Kiu, Chih-Vei Chang i Ksiaofeng Iang sa Univerziteta Emori raspravljaju o raku prostate. Rak prostate i dalje je najčešće dijagnostikovan malignitet kod muškaraca osim raka kože.
Uprkos značajnom napretku u ishodima lečenja u poslednjih pola veka, progresija ili recidiv post-inicijalnih tretmana kao što su prostatektomija ili terapija zračenjem ostaju izazov za podgrupu pacijenata.
„U tim scenarijima, spasonosna radijaciona terapija se često nudi pacijentima kao opcija lečenja. Da bi se dizajnirala terapija zračenjem spasavanja, potrebno je snimanje da bi se otkrio i locirao režim recidiva bolesti“, pišu istraživači.
Tradicionalni modaliteti snimanja koji se koriste nakon prostatektomije, kao što su CT, skeniranje kostiju, MRI ili 18F-FDG PET, često ne uspevaju u preciznom otkrivanju i određivanju obima bolesti koja se ponavlja, što je ključno za planiranje lečenja zračenjem. Međutim, uvođenje 18F-fluciklovina (anti-1-amino-3-18F-fluorociklobutan-1-karboksilna kiselina) PET/CT je označilo značajan napredak u lečenju spasonosnih bolesti.
Nedavne studije, uključujući randomizovano kontrolisano ispitivanje faze II/III, Emori Molecular Prostate Imaging for Radiotherapi Enhancement (EMPIRE-1), pokazale su poboljšane stope biohemijskog recidiva ili preživljavanja bez perzistencije kada se PET/CT 18F-fluciklovina uključi u planiranje terapije zračenjem nakon prostatektomije. .
Jedan od ključnih koraka u planiranju terapije zračenjem je određivanje lezija na PET/CT snimcima 18F-fluciklovina, zadatak koji lekari trenutno obavljaju ručno.
Ova praksa, iako je pedantna, je radno intenzivna i sklona varijacijama između posmatrača i unutar posmatrača. Sa nedavnom eksplozijom korišćenja algoritama veštačke inteligencije (AI) u obradi medicinske slike, automatska segmentacija lezija korišćenjem metoda za razgraničenje lezija zasnovanih na dubokom učenju (DL) pokazuje obećavajući potencijal za poboljšanje kvaliteta lečenja, za razliku od ručnog oblikovanja.
