机器学习模型在减少不必要的向性前列腺活检中的比较性能
Fuyao Chen1, Roxana Esmaili2, Ghazal Khajir3
1Department of Biomedical Engineering, Yale University New Haven CT USA; Medical Scientist Training Program, Yale School of Medicine New Haven CT USA.
European urology oncology
|February 9, 2025
概括
机器学习模型可以预测前列腺癌的严重程度,可能减少不必要的活检超过13%. 这种方法有助于个性化风险评估和患者的治疗决策.
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
背景情况:
- 通过核心针活检进行传统的前列腺癌诊断存在挑战,包括诊断不确定性和潜在的并发症.
- 越来越需要综合临床和成像数据的先进风险评估方法.
研究的目的:
- 评估机器学习 (ML) 模型在预测临床显著前列腺癌 (csPCa) 的有效性.
- 确定ML模型是否可以降低不必要的前列腺活检率.
主要方法:
- 对1884名接受前列腺核磁共振和活检的患者进行了回顾性分析.
- 使用临床数据 (年龄,PSA,成像得分,体积) 开发和验证了12个ML模型,以预测csPCa (格里森等级组≥2).
- 模型性能被评估使用接收器操作特征曲线下的面积和决策曲线分析.
主要成果:
- 性能最好的ML模型显示,活检的潜在减少为13.07%,假阴性率为1.91%.
- 模型性能在不同学术中心保持一致.
- 该研究的局限性包括少数参与中心和缺乏详细的临床数据.
结论:
- 用ML增强的临床模型有效地使用标准临床数据预测csPCa,提供一种可概括的方法.
- 这些模型有助于个性化风险评估,支持临床决策,提高前列腺癌诊断工作流程效率.
- 整合ML可以带来更为定制的患者管理和改善医疗保健结果.
