机器学习的诊断系统审查和元分析,用于预测前列腺癌的生化复发

科学领域:

• 在瘤学瘤学.
• 医疗信息学 医疗信息学
• 生物统计学 生物统计学

背景情况:

• 前列腺癌 (PCa) 是男性的主要恶性瘤.
• 治疗后生化复发 (BCR) 影响了许多患者.
• 预测BCR对于患者管理和治疗计划至关重要.

研究的目的:

• 评估用于预测PCa BCR的机器学习 (ML) 模型.
• 将ML模型的性能与传统的预后方法进行比较.
• 评估数据类型 (例如成像) 对预测准确性的影响.

主要方法:

• 在四个主要数据库 (PubMed,Web of Science,Embase,Cochrane) 进行系统的文献搜索.
• 用曲线下的面积 (AUC) 作为主要指标,对16项研究 (17,316名患者) 的元分析.
• 对ML模型的聚合AUC与传统方法的比较.

主要成果:

• 在ML模型中,聚合的AUC为0.82 (95%CI:0.81-0.84).
• 深度学习和混合ML模型显示出卓越的性能 (AUC=0.83).
• 结合成像数据的模型显示出更高的预测准确性 (AUC=0.82).
• 对于1年BCR预测,ML模型的准确度最高 (AUC=0.86).

结论:

• 机器学习模型在预测前列腺癌的BCR方面显著优于传统方法.
• 利用多式联络数据,包括成像,提高了ML模型的预测能力.
• 建议在大型临床试验中进行进一步验证,以优化临床使用的ML模型.