基于多维融合数据的可解释机器学习模型,用于预测机器人辅助激进前列腺切除术中的积极外科边缘:一项回顾性研究
Zhangcheng Liu1,2, Wenjun Zhou1,3, Pan Dong4
1Department of Urology, The First Affiliated Hospital of Chongqing Medical University, Chongqing, China.
Frontiers in oncology
|October 20, 2025
概括
这项研究开发了一个机器学习模型,使用多维数据来预测机器人辅助激进前列腺切除术的积极外科边缘,实现高精度并为个性化治疗提供见解.
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:
- 在机器人辅助激进前列腺切除术 (RARP) 中预测积极的外科边缘 (PSM) 对于治疗规划至关重要.
- 目前的方法可能无法充分利用多维数据来准确预测PSM.
研究的目的:
- 开发和验证可解释的机器学习 (ML) 模型,使用合并的多维数据用于RARP中的PSM预测.
- 从人口,临床,病理和MRI衍生的特征中确定PSM的关键预测因素.
主要方法:
- 收集了347名RARP患者的人口统计,临床,活检病理和MRI衍生的解剖数据.
- 采用严格的特征选择技术,包括LASSO和Boruta算法.
- 构建并评估了六个ML模型,随机森林 (RF) 模型因其通过SHAP分析的优异性能和可解释性而被选中.
主要成果:
- 射频模型实现了高预测性能,曲线下的面积 (AUC) 值为0.99 (训练),0.88 (验证) 和0.97 (测试集).
- 交叉验证证实了该模型的概括性 (平均AUC为0.87-0.88).
- SHAP分析确定了新的空间解剖特征,活检核心状态和临床阶段作为PSM的重要预测因素.
结论:
- 与ML模型的多维数据融合显著提高了RARP中的PSM预测准确性.
- 可解释的RF模型显示了术前风险分层和个性化治疗计划的潜力.
- 在广泛临床实施之前,需要进行前性和外部验证.
