将放射学和临床数据与机器学习技术整合起来,用于临床上显著的前列腺癌检测

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.
• 医疗成像医学成像
• 机器学习 机器学习

背景情况:

• 前列腺癌 (PCa) 风险预测通常依赖于临床数据和使用前列腺成像报告和数据系统 (PI-RADS) 的磁共振成像 (MRI).
• 目前的模型主要使用逻辑回归,这促使人们探索先进的机器学习技术以提高准确性.

研究的目的:

• 为了比较各种机器学习模型与逻辑回归在预测临床显著前列腺癌 (CsPCa) 的有效性.
• 评估这些模型在减少不必要的活检方面的临床实用性.

主要方法:

• 来自西班牙加泰罗尼亚的4799名患者的数据集被使用了80-20%的火车验证分割.
• 预测变量包括年龄,PSA,前列腺体积,PSAD,DRE,家族病史,先前的阴性活检和PI-RADS类别.
• 评估的模型:逻辑回归,,LASSO,弹性网,分类树,随机森林,XGBoost和神经网络.

主要成果:

• XGBoost在0.9的灵敏度下显示出最高的特异性 (0.640),随机森林和神经网络紧随其后.
• 此外,XGBoost显示出避免不必要的活检 (41.77%) 的最大潜力,超过了后勤回归 (40.62%).
• SHAP分析发现PI-RADS (特别是4和5) 是最有影响力的因素,DRE和家族史也很重要,而先前的阴性活检具有保护性.

结论:

• 先进的机器学习模型,特别是XGBoost,为CsPCa检测提供了优越的预测性能和临床实用性,而不是传统的后勤回归.
• 这些模型可以增强决策,可能减少侵入性和不必要的前列腺活检的数量.
• 与临床因素相结合的PI-RADS得分对于准确的风险分层至关重要,机器学习提供了更细致的方法.