一个可视化的机器学习模型,使用非侵入性参数,在活检前区分患有前列腺癌和没有前列腺癌的男性
Wenting Zhou1, Linhui Wang2, Xue Zhang1
1Department of Pathology, The First People's Hospital of Longquanyi District, Chengdu, 610100, China.
Scientific reports
|July 27, 2025
概括
一个新的可视化XGBoost模型使用非侵入性参数准确地区分前列腺癌 (PCA) 和良性疾病. 这种人工智能工具有助于选择患者进行活检,从而减少不必要的手术.
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.
- 人工智能在医学中的应用
- 机器学习 机器学习
背景情况:
- 精确区分前列腺癌 (PCA) 和良性前列腺增生 (BPH) 对于适当的患者管理至关重要.
- 非侵入性预解剖参数为改善诊断准确性和减少侵入性手术的需要提供了潜在的途径.
- 机器学习模型在分析医疗诊断的复杂数据集方面表现有前途.
研究的目的:
- 开发和验证可视化极端梯度增强 (XGBoost) 模型,以使用非侵入性预剖检查参数来区分PCA和非PCA.
- 将XGBoost模型的性能与其他机器学习和物流回归模型进行比较.
- 评估该模型在协助前列腺活检选择临床决策方面的潜力.
主要方法:
- 一项涉及310名接受前列腺活检的中国男性的横截面研究.
- 使用XGBoost算法对15个非侵入性预解剖参数进行分析.
- 模型性能使用接收器操作特征曲线 (AUC) 下的面积进行评估,并与决策树,拉索,神经网络,支向量机器和物流模型进行比较.
主要成果:
- 可视化的XGBoost模型实现了0.965的高AUC,明显优于其他模型 (AUC范围:0.7080.817) 和物流模型 (AUC:0.813).
- 确定的关键预测因子包括血清胺基酶1 (STK1p),前列腺特异性抗原 (TPSA),年龄,自由前列腺特异性抗原 (FPSA) 和自由到总前列腺特异性抗原 (FTPSA).
- 该模型利用了8个非侵入性预测因素,并生成了49个可视化决策树以帮助解释.
结论:
- 一个可视化的XGBoost模型在使用非侵入性预剖检查参数来区分PCA与非PCA方面表现出很高的准确性.
- 这种人工智能驱动的方法可以帮助精确选择高风险的PCA患者进行活检.
- 该模型有可能最大限度地减少不必要的活检,相关成本和患者的不适.
