Nowy model AI do predykcji przeżycia i nawrotów nowotworów prostaty i pęcherza moczowego

Trwają prace nad opracowywaniem i udoskonalaniem modelu głębokiego uczenia „MultiSurv”, zaprojektowanego do przewidywania prawdopodobieństwa nawrotu nowotworu u pacjentów z rakiem prostaty i rakiem pęcherza moczowego. Model wykorzystuje dane multimodalne — czyli różne typy informacji o pacjencie — takie jak:

• dane kliniczne (np. wiek, parametry zdrowotne),
• wyniki badań MRI,
• ekspresja genów (RNA-seq),
• obrazy histopatologiczne z całych preparatów guza

Integracja tych danych ma na celu uchwycenie kompleksowych sygnałów prognostycznych, które samodzielnie mogłyby być słabsze lub niepełne.

Wstępne wyniki pokazują, że w przypadku raku prostaty model osiągnął wysoki wskaźnik zgodności prognostycznej (C-index) ~0,84 w przewidywaniu nawrotu biochemicznego (czyli wzrostu markerów nowotworowych po leczeniu) wewnątrz walidacji krzyżowej oraz ~0,82 na zestawie testowym, co wskazuje na dobrą zdolność rozpoznawania pacjentów z wyższym ryzykiem nawrotu choroby. Natomiast w przypadku raka pęcherza model uzyskał umiarkowane wyniki prognostyczne (C-index ~0,66 w walidacji krzyżowej i ~0,46 w zestawie testowym), co sugeruje, że przewidywanie nawrotów jest trudniejsze w tej grupie. Dzięki multimodalnemu podejściu model integruje różne źródła danych, co daje pełniejszy obraz choroby niż korzystanie tylko z jednego typu informacji.

Lepsze prognozowanie nawrotów nowotworu ma ogromne znaczenie kliniczne — może pomóc dobierać indywidualne strategie leczenia, planować częstotliwość monitoringu, a także identyfikować pacjentów, którzy mogą potrzebować bardziej agresywnej terapii. MultiSurv udowadnia, że łączenie danych klinicznych, obrazowych i molekularnych może być kluczowe dla przyszłości prognostyki nowotworów układu moczowo-płciowego.

Źródla: ModalSurv: Investigating opportunities and limitations of multimodal deep survival learning in prostate and bladder cancer, arXiv, https://arxiv.org/abs/2509.05037?utm_source=chatgpt.com

Phoro by Freepik