Sylvester Comprehensive Cancer Center 和 Desai Sethi Urology Institute 的研究人员正在进行开创性研究，利用磁共振成像 (MRI) 将机器学习用于前列腺癌的诊断和预后。

最近将开源数据与机器学习模型相结合，特别是在医学领域，为研究疾病进展和/或消退打开了新的大门。常规 MRI 在前列腺癌研究和治疗中的使用对于预后、诊断、主动监测和减少低风险患者的活检程序的需要是有效的。

“机器学习的最新进展表明，开发管道有望实现自动化标准化和客观评估 MRI 图像，同时减少时间、人力资本和其他资源成本，”西尔维斯特助理教授 Himanshu Arora 博士说和米勒医学院的 Desai Sethi 泌尿外科研究所。

但是在患者护理中有效使用机器学习存在障碍，包括针对特定癌症有效使用机器学习方法的能力、针对特定医疗条件的训练数据的特异性等。在这种情况下，最新的技术，如生成对抗网络(GAN) 正在被视为生成高质量合成数据的潜在方法，这些数据可以保留疾病的临床变异性，并应用于大脑中的 PET、CT、MRI、超声和 X 射线成像，腹部, 和胸部.然而，尽管取得了一些成功，但在描述前列腺癌等疾病的异质性时，GAN 模型的使用仍然很少。

Arora 博士说，转化研究团队专注于改进 GAN 工具，以便将输出图像应用并与前列腺癌的诊断和预后工具相结合。作为在前列腺癌机器学习中使用 GAN 的先驱，Arora 博士撰写了一项研究，“生成对抗网络可以创建高质量的人工前列腺癌磁共振图像”，该研究最近发表在个性化医学杂志上，作为一期特刊，“前列腺癌的前沿和精准医学”