评估PSA和跨直肠前列腺超声波基于视频的机器学习模型,作为前列腺癌诊断工具
Yanhong Du1, Anli Zhao1, Maoliang Zhang1
1Department of Ultrasound, The Affiliated Dongyang Hospital of Wenzhou Medical University, Dongyang, Zhejiang, China.
Frontiers in oncology
|September 24, 2025
概括
机器学习模型集成前列腺特异性抗原 (PSA) 水平和超声数据显示前列腺癌诊断的希望. 在最近的一项研究中,XGBoost模型展示了卓越的预测能力.
科学领域:
- 泌尿器科 泌尿器科 泌尿器科 泌尿器科
- 医疗成像医学成像
- 机器学习 机器学习
背景情况:
- 前列腺癌的诊断依赖于各种指标,包括前列腺特异性抗原 (PSA) 水平和成像.
- 整合不同的数据源可以提高诊断准确性.
研究的目的:
- 开发和评估用于前列腺癌诊断的机器学习模型.
- 为了结合前列腺特异性抗原 (PSA) 水平和前列腺超声波视频功能.
主要方法:
- 开发了使用6个机器学习算法对928名参与者的数据进行预测的模型.
- 从超声波视频剪辑中提取了七个特征,与PSA和临床数据相结合.
- 使用接收机运行特征 (ROC) 曲线和SHapley添加式扩展 (SHAP) 来进行模型评估和特征重要性.
主要成果:
- 所有六种机器学习模型都取得了良好的表现,AUC值在0.800到0.881.8之间.
- XGBoost 型号表现出最高的性能,明显优于其他型号 (P < 0.05).
- 通过SHAP分析确定的关键特征包括PSA,前列腺体积,年龄以及特定的超声波衍生质地和形状参数.
结论:
- 机器学习模型显示了改善前列腺癌诊断的巨大潜力.
- XGBoost模型展示了卓越的预测能力,突出了它在整合PSA和超声数据方面的有效性.
