基于机器学习的Nomograms用于预测初始前列腺癌的临床阶段:一个多中心的回顾性研究
Luyao Chen1, Zhehong Fu2, Qianxi Dong1
1Jiangxi Provincial Key Laboratory of Urinary System Diseases, Department of Urology, The First Affiliated Hospital, Jiangxi Medical College, Nanchang University, Nanchang, Jiangxi, China.
Urology
|August 17, 2024
概括
机器学习名ograms准确地预测前列腺癌 (PCa) 进展阶段,帮助个性化治疗. 这些模型使用生物标志物和临床病理学数据,帮助临床医生对患者进行分类,以更好地评估预后.
科学领域:
- 在瘤学瘤学.
- 医疗信息学 医疗信息学
- 生物统计学 生物统计学
背景情况:
- 前列腺癌 (PCa) 的分期对于治疗和预后至关重要.
- 准确预测晚期前列腺癌 (APC) 和转移前列腺癌 (mPCa) 对于患者管理至关重要.
- 现有的PCa进展预测方法可能会从先进的计算方法中受益.
研究的目的:
- 开发和验证基于机器学习 (ML) 的名ograms来预测PCa进展阶段.
- 确定最佳的生物标志物和临床病理特征,以区分不同PCa进展阶段.
- 评估ML衍生名录在帮助治疗决策和预后方面的临床实用性.
主要方法:
- 从PCa患者队列中构建培训,测试和外部验证集.
- 使用逻辑回归 (LR) 识别APC和mPCa的显著预测因子.
- 开发和比较各种ML模型,使用用于编码创建的性能最好的算法.
- 使用AUC,校准曲线和决策曲线分析 (DCA) 评估诺莫格拉姆的性能.
主要成果:
- 后勤回归确定了PSA,最大瘤直径,格里森得分和RNF41作为APC的关键预测因素.
- PSA,ALP和格里森得分对预测mPCa具有重要意义.
- 基于LR的诺基图表在所有组中都表现出优异的预测性能,具有高AUC值 (例如,APC的0.848,训练组中的mPCa的0.940).
- 校准和DCA证实了名图的可靠性和临床有用性.
结论:
- 基于机器学习的名ograms,特别是来自LR的那些,显示出PCa进展的优异预测准确度.
- 这些经过验证的名图可以有效地帮助临床医生分层新诊断PCa的患者.
- 开发的诺姆图支持个性化治疗规划,并增强前列腺癌患者的预后评估.
