A SEXTANT CORE BIOPSY PREDICTIVE MECHANISM FOR NON-ORGAN CONFINED DISEASE STATUS

A method for screening individuals at risk for the loss of organ confinement in prostate cancer is disclosed. The method is useful for evaluating cells from patients at risk for recurrence of prostate cancer following surgery for prostate cancer. Specifically, the method uses specific Markovian nuclear texture factors, alone or in combination with other biomarkers, to determine whether the cancer will progress or lose organ confinement. In addition, methods of predicting the development of fatal metastatic disease by statistical analysis of selected biomarkers is also disclosed. The invention also contemplates a method that uses a neural network to analyze and interpret cell morphology data. Utilizing Markovian factors and other biomarkers as parameters, the network is first trained with a set of cell data from known progressors and known non-progressors. The trained network is then used to predict the loss of organ confinement by evaluating patient samples. L'invention concerne un procédé pour identifier les individus atteints d'un cancer de la prostate avec risque de perte de confinement de la maladie à l'organe. Ce procédé est utile pour évaluer les cellules de patients présentant un risque de récidive après avoir subi une chirurgie pour cancer de la prostate. Plus particulièrement, le procédé utilise une analyse markovienne spéciale des facteurs de texture nucléaire, seule ou en combinaison avec d'autres biomarqueurs, pour déterminer si le cancer va progresser ou rester confiné à l'organe touché. L'invention concerne également des procédés pour prédire le développement de maladies métastatiques létales par l'analyse statistique de biomarqueurs choisis. L'invention concerne également un procédé faisant appel à un réseau neuronal pour analyser et interpréter les données concernant la morphologie cellulaire. En utilisant des facteurs markoviens et d'autres biomarqueurs comme paramètres, on fait subir au réseau d'abord un apprentissage avec des séries de données relatives aux cellules obtenues à partir de progresseurs connus et de non progresseurs connus. Après l'apprentissage, le réseau est utilisé pour prédire la perte de confinement à l'organe par l'évaluation des échantillons du patient.