在预测侧面特定的前列腺外延伸方面,对机器学习衍生名录和生物标志物的比较分析:初步发现
Ruchika Reddy Chimmula1, Mark Green2, Mark Tann2
1Advanced Molecular Imaging in Radiotherapy (AdMIRe) Research Laboratory, School of Health Sciences, Purdue University, West Lafayette, IN, United States of America.
Clinical imaging
|July 5, 2025
概括
机器学习 (ML) 模型,特别是XGBoost,通过使用手术前生物标志物,显示出前列腺癌侧面特定的前列腺外延伸 (EPE) 的优异预测. 结合68Ga-PSMA-11 PET和解密基因组分类器 (DGC) 实现了最高的准确性,改善了风险分层.
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
- 基因组学就是基因组学.
- 机器学习 机器学习
背景情况:
- 在前列腺癌中准确预测侧面特定的前列腺外延伸 (EPE) 对治疗规划和改善患者结果至关重要.
- EPE与预后不佳和早期复发有关,需要精确的手术前风险分层.
研究的目的:
- 为了比较名录和机器学习 (ML) 技术在使用手术前生物标志物预测侧面特定EPE方面的性能.
- 评估整合各种生物标志物的实用性,包括成像和基因组学,以提高EPE预测.
主要方法:
- 对108名经过激进前列腺切除术的前列腺癌患者的回顾性分析.
- 使用了临床,成像 (68Ga-PSMA-11 PET,MRI) 和基因组 (解密基因组分类器 - DGC) 数据.
- 开发了使用后勤回归 (LR) 和极端梯度提升 (XGBoost) 的预测模型,通过AUC评估性能.
主要成果:
- 在各种生物标志物组合中,XGBoost模型通常表现优于LR模型.
- PET和DGC的组合产生了最高的预测准确性 (AUC为0.85与XGBoost).
- 与单个模式相比,多模式生物标志物组合,特别是PET+DGC,显著提高了预测准确性.
结论:
- 这项研究引入了基于ML的新型名录模型,集成PSMA-PET,MRI和基因组学,用于侧面特定的EPE预测.
- XGBoost 模型表现出卓越的预测能力,特别是在PET和DGC输入组合的情况下.
- 这些发现支持多生物标志物,ML方法,以改善手术前风险分层和个性化前列腺癌治疗.
