机器学习和可解释的人工智能用于预测局部前列腺癌男性的病理阶段.

科学领域:

• 在瘤学瘤学.
• 医疗信息学 医疗信息学
• 机器学习 机器学习

背景情况:

• 准确预测前列腺癌病理阶段对于治疗规划至关重要.
• 现有的名图在预测疾病程度方面存在局限性.
• 机器学习 (ML) 提供了提高预测准确性的潜力.

研究的目的:

• 开发和验证ML模型来预测前列腺癌的病理阶段.
• 将ML模型的性能与已建立的名ograms进行比较.
• 评估基于ML的预测的临床实用性.

主要方法:

• 用国家癌症数据库对前列腺腺癌患者的数据训练了七个ML模型.
• 模型预测了器官受限性疾病,外延伸,精液囊泡入侵和淋巴结参与.
• 用内部和外部验证数据集的曲线下面积 (AUC) 和决策曲线分析 (DCA) 来评估性能.

主要成果:

• 极端的梯度提升了树木ML模型的表现.
• 对于所有预测的阶段,ML模型的AUC值比MSK nomograms更高.
• 模型性能在内部和外部验证数据集中一致.

结论:

• ML模型提供了比现有的名图更准确的前列腺癌病理阶段的预测.
• 提高预测准确度可以指导瘤学家和患者选择最终的治疗方案.
• 这些发现支持将ML工具纳入前列腺癌管理的临床决策.