使用XBGoost,一个可解释的机器学习模型,根据PSAMR指标诊断PSA<20 ng/ml的患者诊断前列腺癌
Dengke Li1,2, Baoyuan Chang2, Qunlian Huang3
1Department of Urology, The First Affiliated Hospital of Wannan Medical College, Yijishan Hospital, Wuhu, 241001, Anhui, People's Republic of China.
Scientific reports
|January 9, 2025
概括
使用前列腺特异性抗原质量比 (PSAMR) 的新机器学习模型可以帮助在PSA水平低于20 ng/ml的男性中非侵入性诊断前列腺癌,从而减少了活检的需要.
科学领域:
- 泌尿器科 泌尿器科 泌尿器科 泌尿器科
- 在瘤学瘤学.
- 医疗信息学 医疗信息学
背景情况:
- 低于20ng/ml的前列腺特异性抗原 (PSA) 水平往往对前列腺癌的诊断具有挑战性.
- 尽量减少前列腺活检相关的不适和风险对于患者护理至关重要.
- 开发非侵入性诊断工具是泌尿外科瘤学的优先事项.
研究的目的:
- 开发和验证用于诊断前列腺癌的机器学习模型,用于诊断PSA水平<20 ng/ml的患者.
- 在这个患者群体中确定预测前列腺癌的关键指标.
- 提供前列腺活检的非侵入性诊断替代方案.
主要方法:
- 收集了655名接受跨关节前列腺活检的患者的数据.
- 使用合成少数超采样技术 (SMOTE) 进行类平衡,使用最小绝对收缩和选择操作员 (LASSO) 进行特征选择.
- 构建和评估多个机器学习模型,包括XGBoost,后勤回归和支持矢量机,使用十倍交叉验证和测试集验证.
主要成果:
- 结合年龄,前列腺特异性抗原质量比 (PSAMR),前列腺成像报告和数据系统 (PI-RADS) 和前列腺体积的XGBoost模型显示出卓越的性能.
- 性能最好的XGBoost模型在测试组件上获得了0.920 (0.868-0.972) 的接收器操作特征 (ROC) 评分.
- 该模型通过SHapley添加式扩展 (SHAP) 显示出良好的可解释性,决策曲线分析显示出临床实用性.
结论:
- 使用PSAMR指标的基于XGBoost的机器学习模型提供了一种高性能,非侵入性的方法,用于诊断PSA水平<20 ng/ml的患者的前列腺癌.
- 这种工具可以帮助减少不必要的前列腺活检,从而尽量减少患者的不适和相关风险.
- 该模型的可解释性和验证性能表明其在前列腺癌诊断中具有临床应用的潜力.
