Utforske den potensielle bruken av konvolusjonelle nevrale nettverk for klinisk Betydelig påvisning av prostatakreft gjennom alderens linse

Abstract

Prostatakreft (PCa) representerer en betydelig folkehelseutfordring i utviklet nasjoner, med over 5000 menn som får diagnosen sykdommen årlig i Norge alene, noe som gjør det til den hyppigst forekommende kreftsykdommen blant menn i landet. Testing for PCa har vist seg å være en utfordrende prosess som krever ulike tester for å kunne bekrefte tilstedeværelsen av PCa. Disse inkluderer testen for prostataspesifikk antigen (PSA), en enkel blodprøve som måler PSA-nivåer i blodet, Digital rektalundersøkelse (DRE), som involverer en lege som setter en finger inn i pasientens endetarm for å vurdere prostatas størrelse og tekstur. I tillegg tas det også biopsier, som innebærer å skaffe en vevsprøve for videre studier. Til tross for deres nytte, disse testing metoder er mottakelige for feilaktige konklusjoner, med potensielt PSA-nivåer påvirket av faktorer utover prostatastørrelsen, biopsiprøver kan muligens være kreftfrie, og muligheten for menneskelig feil under en DRE. I lys av disse utfordringene utforsker denne oppgaven potensialet til Convolutional Neural Nettverk (CNN) som et screeningsverktøy for PCa og alvorlighetsvurdering. Nærmere bestemt vi undersøke rollen til alder som den primære indikatoren/bestemmelsen av PCa og dens alvorlighetsgrad. Vår metodikk innebærer å evaluere nøyaktigheten til den forutsagte alderen gjennom bruken av gjennomsnittlig absolutt feil (MAE), som sammenligner den med pasientens faktiske alder. Ved å bruke denne tilnærming, tar vi sikte på å bestemme levedyktigheten til CNN-er for å forbedre PCa-deteksjon og alvorlighetsvurdering samtidig som man overvinner begrensningene ved gjeldende screeningmetoder som f.eks som PSA. Resultatene av denne oppgaven viser at DL for aldersforutsigelse kan være en verdifull teknikk i å avsløre PCa, med betydelige forskjeller mellom MAE for pasienter med kreft (159) og pasienter uten (91) i en uavhengig testkohort.

Prostate Cancer (PCa) represents a significant public health challenge in developed nations, with over 5,000 men being diagnosed with the disease annually in Norway alone, rendering it the most frequently occurring cancer among men in the country. Testing for PCa has proven to be a challenging process requiring various test in order to confirm the presence of PCa. These include the Prostate Specific Antigen (PSA) test, a simple blood test that measures PSA levels in the blood, Digital Rectal Examination (DRE), which involves a medical practitioner inserting a finger into the patient’s rectum to assess the prostate’s size and texture. In addition, biopsies are also taken, which involves obtaining a tissue sample for further study. Despite their utility, these testing methods are susceptible to erroneous conclusions, with PSA levels potentially being influenced by factors beyond prostate size, biopsy samples possibly being cancer-free, and the possibility of human error during a DRE. In light of these challenges, this thesis explores the potential of Convolutional Neural Networks (CNNs) as a screening tool for PCa and severity assessment. Specifically, we examine the role of age as the primary indicator/determiner of PCa and its severity. Our methodology involves evaluating the accuracy of the predicted age through the use of Mean Absolute Error (MAE), comparing it to the patient’s actual age. By using this approach, we aim to determine the viability of CNNs in improving PCa detection and severity assessment while overcoming the limitations of current screening methods such as PSA. The results of this thesis show that DL for age prediciting can be a valuable technique in revealing PCa, with significant differences between the MAE of patients with cancer (159) and patients without it (91) in an independent test cohort.