构建和验证用于预测格里森等级组升级的模型 在局部性前列腺癌中进行激进前列腺切除术后的升级:机器学习算法和传统后勤回归算法之间的比较

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:

• 格里森等级组升级 (GGU) 显著影响局部性前列腺癌 (PCa) 的治疗策略.
• 准确预测GGU对于个性化治疗计划至关重要.
• 现有的预测模型需要对临床实用性进行优化.

研究的目的:

• 在局部PCa患者中开发和比较GGU风险的最佳预测模型.
• 为了评估传统的物流回归 (LR) 与七个机器学习算法.
• 为了确定最准确和临床上有用的GGU预测模型.

主要方法:

• 从264位经过激进前列腺切除术的局部PCa患者回顾性数据收集.
• 应用最小绝对收缩和选择操作员回归来进行特征选择.
• 开发和比较多变量LR和七个机器学习模型 (XGBoost,决策树,MLP,天真贝叶斯,KNN,随机森林,SVM).
• 使用ROC曲线,准确性,Brier分数,校准曲线和决策曲线分析 (DCA) 的评估.

主要成果:

• 后勤回归 (LR) 模型在建模和验证集中表现出卓越的预测性能.
• LR实现了0.826 (建模) 和0.819 (验证) 的AUC,准确度很好,并获得了Brier分数.
• 校准曲线和DCA证实了LR模型的优异校准和临床实用性.

结论:

• 后勤回归 (LR) 模型是预测局部前列腺癌 (PCa) 格里森等级组升级 (GGU) 的最佳模型.
• 外部验证证实了LR模型预测能力的稳定性.
• 百分比自由前列腺特异性抗原密度成为GGU的重要预测因素,提供了一种新的管理方法.