gms | German Medical Science

Kongress Medizin und Gesellschaft 2007

17. bis 21.09.2007, Augsburg

Einsatz artifizieller neuronaler Netze (ANN) bei der Früherkennung von Prostatakarzinomen unter Berücksichtigung des PSA-Testsystems

Meeting Abstract

Search Medline for

  • Henning Cammann - Charité, Institut für Medizinische Informatik, Berlin
  • Carsten Stephan - Charité, Klinik für Urologie, Berlin
  • Hellmuth-Alexander Meyer - Charité, Klinik für Urologie, Berlin

Kongress Medizin und Gesellschaft 2007. Augsburg, 17.-21.09.2007. Düsseldorf: German Medical Science GMS Publishing House; 2007. Doc07gmds488

The electronic version of this article is the complete one and can be found online at: http://www.egms.de/en/meetings/gmds2007/07gmds488.shtml

Published: September 6, 2007

© 2007 Cammann et al.
This is an Open Access article distributed under the terms of the Creative Commons Attribution License (http://creativecommons.org/licenses/by-nc-nd/3.0/deed.en). You are free: to Share – to copy, distribute and transmit the work, provided the original author and source are credited.


Outline

Text

Einleitung: Nach wie vor steht die Messung der Konzentration des prostataspezifischen Antigens (PSA) im Mittelpunkt einer Früherkennung des Prostatakarzinoms (PCa). Da die Aussagekraft des PSA-Wertes im Bereich bis zu 10 ng/ml begrenzt ist, werden weitere Größen (Alter, prozentuales freies PSA=%fPSA, Prostatavolumen, Tastbefund) berücksichtigt. Seit mehreren Jahren wird in der klinischen Routine der Charité ein ANN-basiertes Rechenprogramm zur Einschätzung des PCa-Risikos genutzt. Im Rahmen der Umstellung auf ein neues Testsystem zur PSA-Bestimmung wurden die Überprüfung der Qualität des ANN und die Adaptation an die neuen Diagnosebedingungen erforderlich.

Material und Methoden: An einer Stichprobe von 596 Männern mit PSA-Konzentrationen im Bereich von 0,49–10 ng/ml (314 mit und 282 ohne PCa) wurden PSA und %fPSA mit Testsystemen der Firmen Abbott, Beckman, DPC und Roche, sowie PSA und komplexiertes PSA (cPSA) mit dem Testsystem der Fa. Bayer bestimmt. Das cPSA wurde in %fPSA-Werte transformiert. Für den Aufbau der ANN wurde die randomisierte Gesamtstichprobe in eine Trainings- (75%) und eine Teststichprobe (25%) mit gleichem Verhältnis von PCa- und Nicht-PCa-Patienten aufgeteilt. Mit den Parametern Alter, PSA, %fPSA, Prostatavolumen und Tastbefund wurde für jedes der PSA-Testsysteme ein ANN trainiert (Programmsystem MATLAB), dessen Qualität mit Hilfe der Teststichproben überprüft wurde.

Ergebnisse und Diskussion: Die prozentuale Abweichung der PSA-Werte vom Beckman-PSA-Wert=100% variierte zwischen 87% und 115%, obwohl sich die AUC der ROC-Kurven nicht signifikant unterschieden. Dieser Sachverhalt spiegelt sich auch bei den ANN wider: zwischen allen fünf AUC der ROC-Kurven (Variation von 0.89–0.91) und zwischen den Spezifitäten bei 95% Sensitivität (Variation von 53,9–58,4) ließ sich kein signifikanter Unterschied nachweisen, während die Ausgänge der ANN sehr unterschiedlich sind.

Schlussfolgerungen: Beim PSA-basierten Einsatz von ANN zur Bewertung des PCa-Risikos ist für jedes PSA-Testsystem ein eigenes ANN zu entwickeln. Seine Nutzung kann durch bedienerfreundliche Oberflächen unterstützt werden. Ein entsprechendes Rechenprogramm steht als Freeware zur Verfügung.


Literatur

1.
Stephan C, Cammann H, Jung K. Artificial neural networks: has the time come for their use in prostate cancer patients? Nat Clin Pract Urol. 2005;2(6):262-3.
2.
Stephan C, Xu C, Brown DA, Breit SN, Michael A, Nakamura T, Diamandis EP, Meyer H, Cammann H, Jung K. Three new serum markers for prostate cancer detection within a percent free PSA-based artificial neural network. Prostate. 2006;66(6):651-9.