开发和验证一种可解释的机器学习模型,用于预测前列腺癌中的格里森评分升级

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.
• 机器学习 机器学习
• 医疗信息学 医疗信息学

背景情况:

• 格里森得分升级 (GSU) 可能导致低估前列腺癌 (PCa) 的攻击性.
• 这可能会导致患者的治疗决策低于最佳.

研究的目的:

• 开发一个可解释的机器学习模型来预测GSU风险.
• 利用现有的临床参数进行预测.

主要方法:

• 对急性前列腺切除术 (RP) 患者的回顾性分析.
• 开发和评估9个机器学习模型,包括LightGBM.
• 使用ROC曲线,校准曲线,决策曲线和SHAP解释的绩效评估.

主要成果:

• 轻GBM模型在测试组中实现了84.53%的AUC,在外部验证中达到76.61%.
• 关键的GSU预测因素包括ISUP等级,年龄,T阶段,BMI,PSA,f/t PSA,PLR和双边瘤参与.
• 基于该模型创建了一个在线预测工具.

结论:

• 开发了一个准确的机器学习模型和GSU预测的在线工具.
• 确定了与GSU相关的关键因素.
• 这种方法有助于临床医生识别高风险患者,以便进行知情的治疗计划.