Een internationaal onderzoeksteam onder leiding van de Universiteit van Sharjah (VAE) en de Near East University (Turkije) heeft een geavanceerde AI-oplossing ontwikkeld die het mogelijk maakt om de totale overleving van patiënten met prostaatadenocarcinoom – de meest voorkomende vorm van prostaatkanker – nauwkeurig te voorspellen. Door gebruik te maken van zogeheten ensemble learning-technieken behaalden de onderzoekers opmerkelijke resultaten, die onlangs zijn gepubliceerd in Computers in Biology and Medicine.
Het onderzoek maakt gebruik van data uit de Cancer Genome Atlas (TCGA) PanCancer Atlas. Op basis van deze gegevens zijn acht verschillende ensemble-methoden toegepast, waaronder Gradient Boosting (GB), Random Forest (RF), AdaBoost en andere classificatiemodellen. Deze modellen combineren de kracht van meerdere algoritmen om de nauwkeurigheid en betrouwbaarheid van voorspellingen te vergroten.
Grote nauwkeurigheid
Van deze modellen sprong vooral Gradient Boosting eruit, met indrukwekkende prestaties: een nauwkeurigheid, precisie, recall en F1-score van 1,0 en een ROC AUC-score van 0,99. Deze resultaten tonen aan dat GB niet alleen effectief is in het herkennen van echte positieve gevallen van prostaatkanker, maar ook een laag aantal fout-negatieven genereert. Daarmee vormt het een waardevol instrument voor integratie in de klinische praktijk, stellen de onderzoekers.
De klinische relevantie van deze ontwikkeling is groot. Prostaatadenocarcinoom is verantwoordelijk voor meer dan 99 procent van alle prostaatkankerdiagnoses. Wereldwijd is het een van de belangrijkste oorzaken van kankergerelateerde sterfte bij mannen. De ziekte komt met name voor bij oudere mannen en kent een variabele prognose, mede afhankelijk van bijkomende gezondheidsproblemen en de beperkingen van bestaande diagnostische markers.
Tekortkoming bestaande diagnostische modellen
De onderzoekers benadrukken dat bestaande diagnostische methoden niet altijd voldoende zijn om een betrouwbare voorspelling van de overleving te geven. Machine learning biedt hier volgens hen een belangrijk alternatief. Met name wanneer AI-modellen zoals GB worden geïntegreerd in klinische besluitvorming, kunnen artsen gerichter en met meer vertrouwen behandelkeuzes maken.
“De uitzonderlijke prestaties van GB benadrukken de klinische toepasbaarheid van ensemble-modellen bij prostaatkanker,” aldus dr. Dilber Ozsahin, universitair hoofddocent aan het College of Health Science van de Universiteit van Sharjah. “Door deze modellen te integreren in de bestaande zorgpraktijk kunnen we patiënten een beter inzicht geven in hun prognose en behandelingsopties.”
Verder onderzoek nodig
Hoewel de resultaten veelbelovend zijn, benadrukken de auteurs ook dat verder onderzoek noodzakelijk is om de robuustheid en toepasbaarheid van deze modellen in de praktijk te waarborgen. Ze pleiten voor het gebruik van grotere, diverse datasets en het opnemen van aanvullende variabelen zoals leefstijlgegevens en innovatieve biomarkers.
Kortom, de studie laat zien dat AI-technologie, en specifiek ensemble learning, een krachtig hulpmiddel kan zijn om de zorg rond prostaatkanker te verbeteren – van diagnostiek tot prognose en gepersonaliseerde behandeling.
Nauwkeurige diagnose met AI
Een jaar geleden toonde een internationale studie aan dat de inzet van AI-modellen ertoe kunnen leiden dat prostaatkanker sneller en nauwkeuriger gediagnosticeerd kan worden. . Door AI toe te passen op MRI-scans, werden bijna 7 procent meer significante prostaatkankers opgespoord dan door radiologen. Bovendien halveerde het aantal fout-positieve bevindingen, wat leidt tot minder onnodige biopten.
Deze bevindingen suggereren dat AI de werkdruk voor radiologen kan verlichten en de diagnostische nauwkeurigheid kan verhogen. Hoewel de AI nog niet klinisch beschikbaar is, markeerde dit onderzoek een belangrijke stap richting geavanceerdere en efficiëntere prostaatkankerdiagnostiek
