در سالهای اخیر نرخ استفاده از آنتیژن اختصاصی پروستات، بیوپسی و متعاقباً نرخ تشخیص سرطان افزایش یافته است. با وجود این احتمال ابتلای به سرطان پروستات در طول حیات یک مرد و فوت بر اثر سرطان پروستات به ترتیب 16% و ۲.۹٪ است، که بیشتر این موارد خوشخیم هستند. آمار ارائه شده نیاز به کاهش موارد غیرضروری بیوپسی را نشان میدهددر حال حاضر نتایج پاتولوژی از بافت که توسط بیوپسی بدست آمده به عنوان استاندارد درجه وخامت که این روش میتواند منجر به هماتوریا، هماتواسپرمیا و خونریزی مقعدی شود. استفاده از آنتیژن اختصاصی پروستات یک روش دیگر برای بررسی میزان وخامت تومور است، هر چند این روش غیرتهاجمی است اما دقت و ویژگی پایینی دارد. در سالهای اخیر تصویربرداری DCE-MRI توانسته خود را به عنوان یک روش غیرتهاجمی برای تشخیص و طبقهبندی سرطان پروستات معرفی کند.
در حال حاضر ارزیابی تومور پروستات توسط MRI شامل یک یا چند مورد از تصویربرداری آناتومیکال و عملکردی مانند تصویربرداری وزندار اسپین-اسپین(T2W)، تصویربرداری پخش وزنی(DWI) و DCE-MRI میباشد. توجه به این نکته لازم است که هیچ کدام از سکانسهای امآرآی به تنهایی نمیتوانند به طور کامل مشخصههای سرطان پروستات را بدست آورند و هر کدام از تصویربرداریهای عملکردی معایب و محاسن خود را دارند و نیازمند ترکیب سکانسهای عملکردی و آناتومیکال برای توصیف هر چه بهتر بافتهای سرطانی هستیم. با وجود اینDCE-MRI نقش مهمی در آنالیز سرطان پروستات دارد.DCE-MRI در حال ظهور به عنوان یک ابزار بالینی مفید برای ارزیابی وخامت، مکانیابی و تشخیص عود تومور است.
آنالیز تصاویر DCE-MRI به سه روش کیفی، کمی و نیمه کمی انجام میشود. استفاده از نتایج کیفی دارای سرعت بالا و دقت پایین است و نتیجه بدست آمده بستگی به میزان تجربه رادیولوژیست دارد. با آنالیز کمی تصاویر DCE-MRI میتوان پارامترهای مدل فارماکوکنتیک بافت را بدست آورد که با ویژگیهای فیزیولوژیک بافت ارتباط مستقیم دارند. در این روش با استفاده فیت کردن منحنیهای غلظت ماده حاجب به مدل بافت پارامترهای مدل از جمله ضریب میزان حجم انتقال یافته بین پلاسمای خون و فضای خارج عروقی(Ktrans) که برای اندازهگیری نفوذپذیری عروق به کار میرود، حجم نسبی ناحیه خارج از سلولی و خارج عروقی(ve)، ثابت فلوی خروجی از فضای خارج سلولی و خارج عروقی به پلاسما(Kep) و … بدست میآیند، که میتوانند نمایانگر وضعیت پیشرفت تومور باشند. آنالیز نیمه کمی تصاویر بر روی منحنیهای شدت تصویر انجام میشوند که میتوانند پارامترهای کمی از شکل ظاهری منحنیهای شدت تصویر از جمله زمان تا پیک منحنی، شیب فلوی ورودی، شیب فلوی خروجی، مساحت ناحیه زیر منحنی و … را اندازهگیری کنند، پارامترهای بدست آمده از آنالیز نیمه کمی به شکل غیرمستقیم با ویژیگیهای فیزیولوژیک بافت مورد مطالعه ارتباط دارند.
هدف ما در این طرح ساختن یک مدل بر اساس یادگیری ماشین با استفاده از نتایج و ویژگیهای بدست آمده از آنالیزهای کمی و نیمه کمی به منظور پیشبینی وخامت تومور بدون استفاده از روشهای تهاجمی مانند بیوپسی و کمک به استفاده بالینی از تصاویر DCE-MRI است. نتایج بدست آمده از مدل اتوماتیک طراحی شده در این مطالعه با نتایج پاتولوژی بدست آمده به عنوان استاندارد مقایسه میشوند.