相关实验视频
Updated: Jan 16, 2026
05:05
A Modified Precipitation Method to Isolate Urinary Exosomes
Published on: January 16, 2015
18.0K
尿道外体在前列腺癌的诊断价值:一个前性的多中心研究
Yun Li1, Dongwei Pan2, Zuheng Wang3
1Department of Urology, Shanghai Shibei Hospital of Jingan District, Shanghai, 200435, China.
BMC urology
|October 2, 2025
概括
使用尿道外体和机器学习的新诊断模型准确检测前列腺癌 (PCa). 这种方法改善了早期识别,并减少了不必要的活检,以获得更好的患者结果.
科学领域:
- 泌尿器科 泌尿器科 泌尿器科 泌尿器科
- 生物标志物 生物标志物
- 机器学习在诊断中的应用
背景情况:
- 前列腺癌 (PCa) 诊断通常依赖于前列腺特异抗原 (PSA) 血液测试,这些血液测试缺乏特异性.
- 提高PCa的早期检测和诊断准确度对于有效的治疗和患者管理至关重要.
研究的目的:
- 开发和验证使用尿道外体和机器学习 (ML) 的PCa高效诊断模型.
- 加强早期PCa识别和支持临床决策.
主要方法:
- 从287名患者 (89名PCa,198名良性前列腺增生症) 收集了尿道外体.
- 使用LASSO回归来选择特征,并使用9个ML算法,包括渐变增强决策树 (GBDT),来构建诊断模型.
- 使用AUC,学习曲线,校准曲线和决策曲线分析 (DCA) 评估模型性能.
主要成果:
- 确定了三个关键的尿路生物标志物:u-PSA,u-PSMA和u-AMACR.
- 在GBDT模型中,在训练群中AUC达到1,000,在验证群中达到0.987.
- SHAP分析证实u-PSA,u-PSMA和u-AMACR是显著的预测因子;DCA表明了临床效用.
结论:
- 基于尿外体的诊断模型显示PCa检测的高效性.
- 这种模型可以帮助临床医生准确识别PCa,可能减少侵入性活检的需要.
更多相关视频
09:30Using Nanoplasmon-Enhanced Scattering and Low-Magnification Microscope Imaging to Quantify Tumor-Derived Exosomes
Published on: May 24, 2019
7.8K
12:13Sequencing Small Non-coding RNA from Formalin-fixed Tissues and Serum-derived Exosomes from Castration-resistant Prostate Cancer Patients
Published on: November 19, 2019
7.2K
