SFMR:s företagsstipendier 2023: uroradiologi
Stipendium från GE Healthcare tilldelas Magnus Gren
Titel: Säkerheten av det nuvarande screeningintervallet i G2-studien hos män med förhöjt PSA och utan diagnosticerad prostatacancer (PC) i första screeningomgången men som sedan blir diagnosticerade med PC antingen i screeningprogrammet eller som intervallcancer.
Bakgrund: GÖTEBORG 2-studien (G2) är en prospektiv, randomiserad, populationsbaserad studie om PC-screening som började 2015 i Göteborg. Studien utvärderar om PSA-testning följt av MR Prostata och riktade biopsier minskar överdiagnostik och samtidigt bibehåller adekvat detektionsfrekvens av kliniskt signifikant PC jämfört med PSA-testning och systematiska biopsier. Min avhandling handlar översiktligt dels om att samla in data från MR-undersökningarna och som kan användas för att optimera screeningalgoritmen, dels om huruvida artificiell intelligens (AI) kan ersätta radiologens uppgifter i screeningalgoritmen.
Metod: Den första delstudien kommer att titta på de forskningsperson i G2-studien som har fått en PC diagnos vid MR-omgång 2, 3 eller 4 samt de som drabbats av intervallcancer där åtminstone en MR-undersökning utförd i studien finns. Två radiologer kommer att utföra en förnyad konsensusbedömning av de tillgängliga MR-undersökningarna, med samtidig tillgång till tillgängliga data exempelvis biopsiresultat. Flertalet faktorer kommer att registreras bland annat PI-RADS, som uppskattar risken för malignitet, och PRECISE, som graderar progress/regress mellan undersökningar.
Resultat: Vi håller på att analysera resultaten för närvarande. Planerade analyser är att relaterade tumörriskgrupp (vilket baseras på Gleason-score) i förhållande till PRECISE och PI-RADS samt se om ändringar av PI-RADS-bedömning skett från originalsvaret till den nya konsensusbedömningen. Vår förhoppning är att få insikter i säkerheten i det nuvarande screeningintervallet.
Stipendium från TMC & Unilabs tilldelas Emmanouil Koltsakis
Titel: En radiometabolomisk AI-modell för differentiering av benigna från maligna njurtumörer
Att särskilja mellan benigna njuronkocytom och maligna njurcellscancer förblir en klinisk utmaning. I vår studie kombinerade vi metabolomik och radiomik data (RD) för att särskilja mellan benign onkokytisk neoplasi och maligna njurtumörer.
Vi samlade in och PAD-bekräftade 33 njurtumörer, bestående av 14 njuronkocytom och 19 njurcellscancer. Metabolomikdata extraherades med hjälp av Matrixassisted laser desorption/ionization mass spectrometry imaging (MALDI-MSI), medan RD erhölls från DT undersökningar av samma tumörer. Multilevel network communities av olika -omics-funktioner genererades och kritiska metaboliter och RD för att särskilja mellan dessa två tumörtyper identifierades och ytterligare analyserades med hjälp av vägberikningsbedömning och utvecklingen av en maskininlärningsklassificerare (XGboost).
Prestandan för klassificeraren utvärderades med hjälp av Receiver Operating Characteristic (ROC)-kurvor och Area Under the Curve (AUC)-metriker. Resultaten visade att 6 RD och 8 metaboliter spelade en avgörande roll i särskiljningen, och den kombinerade radiometabolomikmodellen uppnådde en AUC på 86,4%, vilket överträffade metabolomik-modellen (72,7%) eller radiomik-modellen (68,2%).Vidare visade analysen av signifikanta metabolitnoder tre distinkta tumörkluster (maligna, benigna och blandade) och belyste differentiellt berikade metabola vägar.
Sammanfattningsvis introducerar denna studie radiometabolomikintegration som ett effektivt Tillvägagångssätt för att utvärdera sjukdomsenheter. I detta specifika fall identifierade metoden kritiska RF och metaboliter för att särskilja mellan benign njuronkocytom och maligna njurcellscancer. Radiometabolomik som identifierades kan potentiellt förbättra identifiering och särskiljning av renal tumörer.
