在前列腺癌患者中使用机器学习进行治疗预测

科学领域:

• 在瘤学瘤学.
• 医疗信息学 医疗信息学
• 机器学习在医疗保健中的应用

背景情况:

• 前列腺癌是一种普遍存在的恶性瘤,具有多种治疗选择.
• 选择最佳的治疗策略对于患者的治疗结果至关重要.
• 预测模型可以帮助个性化治疗选择.

研究的目的:

• 开发和评估用于预测最佳前列腺癌治疗的机器学习模型.
• 确定影响治疗预测的关键临床变量.
• 为了比较各种机器学习算法的性能.

主要方法:

• 利用了88名男性前列腺癌患者的数据.
• 独立变量包括格里森得分,活检结果,前列腺特异性抗原 (PSA) 水平,SUVmax和年龄.
• 依赖变量是治疗类型:激素治疗,放射治疗和联合放射治疗+激素治疗.
• 使用的机器学习算法:支持矢量机 (SVM),随机森林 (RF),决策树 (DT),极端树分类器 (ETC) 和XGBoost.
• 使用精度,接收器操作特征 (ROC) 曲线和曲线下的面积 (AUC) 评估模型性能.

主要成果:

• XGBoost模型实现了最高的预测准确度 (0.89).
• 治疗选择的关键预测因素是活检,格里森评分 (特别是3+3) 和PSA水平.
• 假阴性率各不相同:激素治疗12.5%,放射治疗33.3%,联合治疗0%.
• 根据AUC,ROC和精度指标,XGBoost表现出卓越的性能.

结论:

• 机器学习,特别是XGBoost算法,在预测最佳前列腺癌治疗方面是有效的.
• 活检,格里森得分和PSA水平是治疗预测的关键因素.
• 这种方法可以支持个性化前列腺癌管理的临床决策.