基于机器学习的前列腺健康指数的优化,用于前列腺癌检测
Miroslav Stojadinovic1, Bogdan Milicevic2, Slobodan Jankovic3
1University of Kragujevac, Faculty of Medical Sciences, Kragujevac, Serbia.
概括
机器学习 (ML) 提高了前列腺癌 (PCa) 检测的前列腺健康指数 (PHI). 与传统的PHI相比,修改后的ML PHI在识别任何,低级和高级PCa方面表现出更好的预后性能.
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.
- 生物医学信息学 生物医学信息学
背景情况:
- 前列腺健康指数 (PHI) 结合前列腺特异性抗原 (PSA),自由PSA (fPSA) 和[-2]亲PSA (p2PSA) 进行前列腺癌 (PCa) 风险评估.
- 传统的PHI表现可能在区分PCa不同等级方面受到限制.
- 机器学习 (ML) 提供了提高医学诊断和预后模型的潜力.
研究的目的:
- 使用机器学习 (ML) 开发和评估修改后的前列腺健康指数 (PHI),以改善前列腺癌 (PCa) 检测.
- 为了比较ML修改PHI与传统PHI的预后性能,对任何低级和高级PCa.
- 解释ML模型的预测,并确定PCa风险分层的关键因素.
主要方法:
- 使用过量采样策略来创建一个平衡的数据集,用于ML模型培训.
- 使用极端梯度增强作为修改PHI的ML算法.
- 使用曲线下的面积 (AUC),多类分类措施,校准和决策曲线分析量化预测性能.
主要成果:
- 经ML修改的PHI在任何 (0.898比0.808),低等级 (0.868比0.581) 和高等级 (0.983比0.74) 的PCa.中比传统PHI获得了明显更高的AUC值.
- 与传统的PHI相比,修改后的PHI在临床决策中显示出更高的净益.
- 特性重要性分析表明p2PSA具有最大的影响,而fPSA在ML模型中对风险估计至关重要.
结论:
- 与传统的PHI相比,ML修改的PHI模型在预测前列腺癌组织学等级方面表现优越.
- ML方法为提高前列腺癌风险评估的准确性提供了一个有希望的途径.
- 在ML-PHI模型的常规临床实施之前,需要进行进一步的验证研究.
