دانشگاه علوم پزشکی و خدمات بهداشتی- درمانی استان اصفهان مدیریت اطلاعات سلامت 1735-7853 22 شماره4(زمستان) 2025 12 22 Leveraging AI Predictive Models and Genomic Biomarkers in Prostate Cancer Management بهره‌گیری از مدل‌های پیش‌بینی هوش مصنوعی و بیومارکرهای ژنومیک در مدیریت سرطان پروستات 33325 10.48305/him.2026.46294.1398 FA ویژه Vizhe علوم پزشکی اصفهان 0000-0002-1904-0999 حسین طاهری 1 – گروه فیزیک پزشکی، دانشکده پزشکی، دانشگاه علوم پزشکی اصفهان، اصفهان، ایران محمد باقر توکلی گروه فیزیک پزشکی، دانشکده پزشکی، دانشگاه علوم پزشکی اصفهان، اصفهان، ایران حسین صالحی گروه علوم تشریحی و بیولوژی تولیدمثل، دانشکده پزشکی، دانشگاه علوم پزشکی اصفهان، اصفهان، ایران سیمین همتی گروه رادیوآنکولوژی، دانشکده پزشکی، دانشگاه علوم پزشکی اصفهان، اصفهان، ایران حامد طاهری گروه علوم تشریحی و بیولوژی تولیدمثل، دانشکده پزشکی، دانشگاه علوم پزشکی اصفهان، اصفهان، ایران Journal Article 2026 05 16 Prostate cancer is one of the major challenges facing healthcare systems and requires the achievement of personalized medicine for men in order to properly address treatment response heterogeneity and biochemical recurrence rates. Drawing on the results of applying advanced machine learning models and deep neural networks such as DeepSurv, this policy brief explains the potential of radiogenomics in accurately predicting treatment outcomes. Evidence indicates that the simultaneous use of quantitative features extracted from MRI images and key genetic biomarkers, including Ki-67, PTEN, and the Decipher index, provides a valuable opportunity for non-invasive prediction of disease recurrence with high accuracy. Focusing on performance indicators, the findings of this study confirm that replacing or augmenting conventional diagnostic methods with interpretable AI tools can enable intelligent classification of patients into high-risk and low-risk groups before the initiation of radiotherapy. Implementing this approach at the level of macro health policy can lead to a reduction in unnecessary treatments, better management of side effects, and optimized financial resources. Moreover, by enabling adaptive and personalized radiotherapy, it can significantly improve survival rates and patients’ quality of life. In this regard, three policy strategies were proposed and analyzed: “defining radiogenomics in screening protocols,” “personalizing radiotherapy dose based on DeepSurv risk,” and “establishing a national prostate radiogenomics data network.” Ultimately, this document emphasizes the need to strengthen clinical decision-making and employ intelligent decision support systems to achieve treatment equity and efficient cancer management. سرطان پروستات از چالش‌های اصلی نظام سلامت و نیازمند دستیابی به پزشکی شخصی‌سازی شده برای مردان است تا ناهمگونی‌های پاسخ به درمان و نرخ عود بیوشیمیایی به درستی مدیریت شود. این خلاصه سیاستی با استناد به نتایج به‌کارگیری مدل‌های پیشرفته یادگیری ماشین و شبکه‌های عصبی عمیق چون DeepSurv، به تبیین پتانسیل‌های رادیوژنومیک در پیش‌بینی دقیق نتایج درمانی پرداخت. شواهد نشان می‌دهد استفاده همزمان ویژگی‌های کمی استخراج شده از تصاویر ام‌آر‌آی با بیومارکرهای کلیدی ژنتیکی از جمله Ki-67، PTEN و شاخص Decipher، امکانی ارزشمند برای پیش‌بینی غیرتهاجمی عود بیماری با دقت زیاد فراهم می‌آورد. یافته‌های این پژوهش با تمرکز بر شاخص‌های عملکردی، تایید می‌کند جایگزینی یا تقویت روش‌های تشخیصی متداول با ابزارهای هوش مصنوعی تفسیرپذیر، امکان طبقه‌بندی هوشمند بیماران به گروه‌های پرخطر و کم‌خطر را پیش از شروع رادیوتراپی میسر می‌نماید. پیاده‌سازی این رویکرد در سطح سیاست‌های کلان سلامت، به کاهش درمان‌های غیرضروری و مدیریت عوارض جانبی و بهینه‌سازی منابع مالی منجر می‌گردد. ضمن اینکه با فراهم آوردن امکان رادیوتراپی انطباقی و شخصی‌سازی شده، نرخ بقا و کیفیت زندگی بیماران به طور معناداری ارتقا می‌یابد. در این خصوص سه راهبرد سیاستی شامل«تعریف رادیوژنومیک در پروتکل‌های غربالگری»، «شخصی‌سازی دوز رادیوتراپی بر اساس ریسک DeepSurv» و «ایجاد شبکه ملی داده‌های رادیوژنومیک پروستات» ارائه و تحلیل شد. در نهایت، این سند بر ضرورت تقویت تصمیم‌گیری‌های بالینی و بکارگیری سیستم‌های پشتیبان تصمیم‌گیری هوشمند، برای دستیابی به عدالت درمانی و مدیریت کارآمد سرطان تاکید دارد.