基于机器学习的工具来预测目标前列腺活检结果:内部验证研究
Enrico Checcucci1, Samanta Rosati2, Sabrina De Cillis3
1Department of Surgery, Candiolo Cancer Institute, FPO-IRCCS, Candiolo, 10060 Turin, Italy.
Journal of clinical medicine
|July 14, 2023
概括
这项研究引入了一个个性化的预测模型,使用机器学习在活检之前识别前列腺癌 (PCa). 模糊逻辑 + 支持向量机器模型准确地预测PCa,可能避免不必要的程序.
科学领域:
- 泌尿器科 泌尿器科 泌尿器科 泌尿器科
- 医疗成像医学成像
- 机器学习 机器学习
背景情况:
- 前列腺癌 (PCa) 诊断通常涉及侵入性手术,如融合活检 (FB).
- 准确的活检前风险分层对于患者管理和资源优化至关重要.
研究的目的:
- 开发和验证使用机器学习 (ML) 的个性化预测模型 (PPM),用于在多参数MRI (mpMRI) 后识别疑似前列腺癌 (PCa) 的患者.
- 评估模糊推理系统 (FIS) 与支持矢量机器 (SVM) 结合的性能,与其他ML方法和标准诊断工具相比.
主要方法:
- 利用了1448名患者的数据集进行培训和181名患者进行验证,所有患者都接受了mpMRI和FB.
- 开发并比较了四种ML方法:FIS,SVM,k-最近邻居 (KNN) 和自组织地图 (SOM).
- 对逻辑回归 (LR) 和标准诊断工具进行模糊逻辑 (FL) + SVM 系统的评估,重点关注 AUC,NPV,特异性,灵敏度和准确性等指标.
主要成果:
- FIS + SVM 模型在 AUC 中的性能与 LR 相似,但优于其他工具.
- 在培训套件中,FIS + SVM实现了最高的NPV (78.5%) 和特异性 (92.1%与LR的83%相比).
- 在验证组中,FIS + SVM的性能优于其他方法,NPV为60.7%,灵敏度为90.8%,准确度为69.1%.
结论:
- 使用FIS + SVM的验证个性化预测模型 (PPM) 已成功开发,可以在FB之前预测PCa概率.
- 在大约15%的病例中,这种工具可以帮助避免不必要的活检.
- 该模型为改善疑似前列腺癌的诊断途径提供了一个有希望的方法.
