血清与PSA的联合测量通过支持矢量机算法提高了前列腺癌查效率

科学领域:

• 生物化学 生化学
• 医学诊断 医学诊断 医学诊断
• 计算生物学 计算生物学

背景情况:

• 早期前列腺癌 (PCa) 查至关重要,但在PSA等测试中受到假阳性/假阴性限制.
• 血清 (Zn2+) 水平的下降与PCa有关,表明其作为生物标志物的潜力.
• 将血清Zn²⁺与传统标志物和人口统计数据相结合,可能会提高PCa检测.

研究的目的:

• 通过结合血清Zn²⁺,总PSA (tPSA),自由PSA (fPSA) 和年龄来开发一种改进的PCa查方法.
• 利用支持矢量机 (SVM) 算法,提高PCa查的诊断准确性.
• 建立前列腺指数 (PI) 分层系统,用于临床前风险预测.

主要方法:

• 收集了来自858名前列腺疾病的男性患者和345名健康对照者的数据.
• 使用新型光探针量化血清Zn²⁺;通过化学发光测量tPSA和fPSA.
• 开发了一个包含四个变量 (tPSA,fPSA,Zn²⁺,年龄) 的SVM模型,并使用ROC曲线和AUC评估其有效性.

主要成果:

• 结合四个变量的SVM模型,PCa诊断的平均AUC为84%,明显超过单个标志物 (AUC为55-64%).
• 一个具有5个等级的集成PI分层系统在预测正常,良性和PCa病例方面表现出高准确度 (83.3%-91.6%).
• 随访数据,包括MRI和PI-RADS得分,证实了PI分层平台的可靠性.

结论:

• 将多个指数 (tPSA,fPSA,Zn²⁺,年龄) 与SVM算法相结合,可以提高PCa的早期差异查.
• 开发的PI分层系统为前列腺癌提供了准确的临床前风险预测.
• 这种综合方法支持临床医生在PCa查和管理方面做出更明智的决策.