人工智能模型用于预测机器人辅助激进前列腺切除术后前列腺癌的早期生化复发
Miguel Angel Bergero1, Pablo Martínez2, Patricio Modina3
1Urology Department, Sanatorio Privado San Gerónimo, Santa Fe, Argentina. angelbergero@hotmail.com.
Scientific reports
|August 21, 2025
概括
机器学习能够准确地预测手术后前列腺癌的复发. 一个XGBoost模型优于传统方法,为个性化患者管理提供了更好的风险分层.
科学领域:
- 尿道病学
- 癌症学
- 数据科学
背景情况:
- 在急性前列腺切除术 (RP) 后前列腺癌复发是一个重大的临床挑战.
- 现有的风险模型,如CAPRA-S,对生化复发 (BCR) 提供了适度的预测准确性.
- 需要更精确的工具来预测机器人辅助腹腔镜后的BCR (RALP).
研究的目的:
- 开发和验证用于预测RALP后BCR的机器学习 (ML) 模型.
- 将ML模型的性能与传统风险分层工具进行比较.
主要方法:
- 对接受RALP的1024名患者 (476名BCR+,548名BCR-) 的回顾性分析.
- 在模型开发中使用了25个临床和病理变量.
- 评估了五种ML分类器,包括XGBoost,并对96名患者的独立数据集进行了验证.
主要成果:
- 在初级队列中,XGBoost模型的准确度为84%,AUC为0. 91.
- 在独立数据集上的验证结果为AUC为0.89,证实了模型的稳定性.
- 与CAPRA- S评分相比,XGBoost的临床适用性和风险分层更高.
结论:
- 机器学习,特别是XGBoost,为预测RALP后的BCR提供了强大的工具.
- 开发的ML模型可以增强个性化治疗策略和患者管理.
- 建议在不同的环境中进一步验证以支持基于ML的预后工具的临床整合.
