从常规实验室标记器预测前列腺癌,使用自动机器学习
Atilla Satır1, Yasemin Üstündağ2, Meryem Rümeysa Yeşil2
1Department of Urology, University of Health Sciences, Bursa Yuksek Ihtisas Training and Research Hospital, Bursa, Turkey.
Journal of clinical laboratory analysis
|January 19, 2025
概括
这项研究使用机器学习与常规实验室测试和前列腺特异抗原 (PSA) 来优化前列腺活检选择,可能减少不必要的程序.
科学领域:
- 泌尿器科 泌尿器科 泌尿器科 泌尿器科
- 医疗信息学 医疗信息学
- 机器学习 机器学习
背景情况:
- 前列腺活检通常以前列腺特异性抗原 (PSA) 水平为指标,但许多都是良性的.
- 常规实验室测试可能为前列腺癌 (PCa) 提供额外的预测价值.
研究的目的:
- 开发一种机器学习模型,用于选择最佳的前列腺活检候选人.
- 将常规实验室参数与PSA测试相结合,以提高诊断准确度.
主要方法:
- 利用H2O AutoML软件对737名患者的数据进行机器学习模型的训练.
- 开发了一个分类模型来区分恶性和良性前列腺活检结果.
- 使用AUC,日志损失,F1得分,PPV,NPV,灵敏度和特异性评估模型性能,并使用SHAP进行解释.
主要成果:
- 一个带有11个参数的梯度增强机器模型,包括PSA,自由PSA,血红蛋白,中性粒细胞,血小板,NLR,葡萄糖,PLR,淋巴细胞和年龄,是最成功的.
- 最好的模型实现了0.72的AUC,0.84的特异性,0.65的PPV,0.69的NPV和0.68.68的准确性.
结论:
- 常规的实验室参数,当与PSA测试和机器学习相结合时,可以提高前列腺活检患者的选择.
- 这种方法可能有助于减少不必要的前列腺活检率,同时确保及时诊断PCa.
