走向精确瘤学:一种新的预测机器学习模型,用于早期进展到割抵抗性前列腺癌
Miguel Ángel Gómez-Luque1,2, Paula Rodríguez-Marcos3, Rubén Campanario-Pérez1
1SUTURO Andalucia. SUTURO Urological Surgery, Seville, Spain.
The Prostate
|November 4, 2025
概括
一个新的机器学习模型,竞争力指数 (RINH),准确地预测了转移性割抵抗性前列腺癌 (mCRPC) 的早期进展. 该工具有助于为患有mCRPC的患者个性化治疗策略.
科学领域:
- 在瘤学瘤学.
- 生物信息学是一种生物信息学.
- 机器学习 机器学习
背景情况:
- 转移性割抵抗性前列腺癌 (mCRPC) 是一种具有早期进展后预后不佳的侵袭性恶性瘤.
- 预测早期进展对于定制mCRPC治疗策略至关重要.
- 目前的预测方法需要改进,以提高临床效用.
研究的目的:
- 开发和验证一种新的机器学习 (ML) 模型,用于预测mCRPC的早期进展 (≤12个月).
- 将新型ML模型的预测性能与标准ML算法进行比较.
- 确定一种可靠的工具,用于在mHSPC患者中进行风险分层.
主要方法:
- 从MSK-IMPACT队列中对172名转移性激素敏感前列腺癌 (mHSPC) 患者的回顾性分析.
- 包含11个临床,病理和基因组变量用于模型开发.
- 评估使用分层五倍交叉验证,以曲线下的面积 (AUC) 为主要指标.
主要成果:
- 基于新型竞争力指数 (RINH) 的模型实现了0.86.6的优异AUC.
- 标准ML算法的AUC不超过0.67,表明预测性能明显较低.
- 在RINH模型中,准确度为74%,灵敏度为70%,特异性为77%.
结论:
- 在mHSPC患者中,RINH模型作为风险分层的强大工具.
- 这个模型有可能为mCRPC个性化治疗策略.
- 在临床实施之前,需要在多中心,潜在的队列中进行外部验证.
