بررسی نقش PET/CT با ردیاب Ga-PSMA در استیجینگ اولیه سرطان پروستات

عنوان این طرح «بررسی نقش اسکن PET/CT با Ga-PSMA و پارامترهای حجمی آن در استیجینگ اولیه بیماران سرطان پروستات» است که توسط دکتر اسماعیل جعفری، دکتر مجید اسدی، مهندس امین زارعی، دکتر احمد کشاورز، دکتر حبیب‌اله دادگر و دکتر قاسمعلی دیوبند اجرا شده است. ارائه این طرح را دکتر اسماعیل جعفری بر عهده داشت.

در این نشست، به اهمیت موضوع سرطان پروستات به عنوان یکی از شایع‌ترین سرطان‌ها در میان مردان اشاره شد.دکتر جعفری تأکید کرد: تشخیص زودهنگام و دقیق، نقش کلیدی در موفقیت درمان و افزایش طول عمر بیماران دارد، اما روش‌های سنتی تصویربرداری به‌ویژه در مراحل اولیه بیماری همواره از دقت کافی برخوردار نیستند.

فناوری پیشرفته تصویربرداری برای تشخیص دقیق‌تر

در این پژوهش، از فناوری PET/CT با ماده ردیاب Ga-PSMA استفاده شده است. این ماده به پروتئین PSMA که به میزان زیادی در سلول‌های سرطانی پروستات بیان می‌شود متصل شده و امکان مشاهده دقیق‌تر تومور و کانون‌های احتمالی گسترش آن را فراهم می‌کند.

بر اساس نتایج ارائه‌شده، در بیش از ۹۷ درصد بیماران، تومور پروستات در تصاویر PET/CT با PSMA قابل مشاهده بوده و تنها ۷.۲ درصد اسکن‌ها منفی گزارش شده است که بیانگر حساسیت بالای این روش تشخیصی است.

ارتباط پارامترهای تصویربرداری با شدت بیماری

در این مطالعه مشخص شد پارامترهایی نظیر حجم تومور (PSMATV و TL-PSMA) و میزان جذب ماده ردیاب (SUVmean و SUVmax) در تومور اصلی، با سطح PSA و درجه بدخیمی تومور (Gleason Score) ارتباط مستقیم دارند. به بیان دیگر، افزایش این شاخص‌ها در تصاویر با سطح بالاتر PSA و تهاجمی‌تر بودن تومور همراه است.

نقش هوش مصنوعی در پیش‌بینی شدت سرطان

بخش مهمی از این پژوهش به کاربرد هوش مصنوعی در تحلیل تصاویر اختصاص داشت. بر اساس نتایج، الگوریتم‌های هوش مصنوعی توانستند با دقت قابل توجهی بین تومورهای با درجه پایین (GS≤7) و درجه بالا تمایز ایجاد کنند. برای نمونه، پارامتر TL-PSMA در تومور اصلی با دقت ۸۶ درصد این تفکیک را انجام داد.

همچنین در پیش‌بینی سطح PSA، پارامتر TL-PSMA در تصاویر کل بدن با دقت ۸۱ درصد توانست بیماران با PSA بالاتر از ۲۰ را از بیماران با PSA کمتر از ۲۰ متمایز کند.

در این راستا، الگوریتم‌هایی مانند Linear Support Vector Classifier (SVC)، Logistic Regression و Calibrated Classifier CV عملکرد مطلوبی در پیش‌بینی دقیق‌تر درجه تومور و سطح PSA نشان دادند.

کاربردهای عملی و مزایای بالینی

پژوهشگران اعلام کردند که استفاده از هوش مصنوعی در تحلیل تصاویر PET/CT می‌تواند گامی مؤثر در جهت درمان شخصی‌سازی‌شده سرطان پروستات باشد. از جمله کاربردهای عملی نتایج این پژوهش می‌توان به موارد زیر اشاره کرد:

بهبود طبقه‌بندی ریسک بیماران بر اساس شدت و احتمال گسترش بیماری

کمک به تصمیم‌گیری درمانی دقیق‌تر، از پیگیری فعال تا درمان‌های تهاجمی

کاهش نیاز به بیوپسی‌های غیرضروری از طریق پیش‌بینی دقیق‌تر شدت بیماری

از دیگر مزایای به‌کارگیری هوش مصنوعی می‌توان به دقت بالاتر در شناسایی الگوهای پیچیده تصویری، افزایش سرعت تحلیل و تکرارپذیری بیشتر نتایج اشاره کرد.

چشم‌انداز آینده

ترکیب تصویربرداری پیشرفته PET/CT با توان تحلیلی هوش مصنوعی، ظرفیت بالایی برای ارتقای تشخیص و مدیریت سرطان پروستات دارد. به گفته دکتر جعفری انجام مطالعات گسترده‌تر می‌تواند به توسعه ابزارهای دقیق‌تر و کاربردی‌تر برای کمک به بیماران و پزشکان در مسیر درمان منجر شود.

✍️ سهیلا شعبانی