在前列腺癌中淋巴结入侵预测:比较机器学习研究

科学领域:

• 泌尿器科 泌尿器科 泌尿器科 泌尿器科
• 在瘤学瘤学.
• 医疗信息学 医疗信息学

背景情况:

• 在前列腺癌中精确的淋巴结入侵 (LNI) 的术前预测对于手术规划至关重要.
• 现有的诺姆图试图平衡缺失LNI和不必要的淋巴结解剖的风险.
• 机器学习 (ML) 为复杂的临床数据提供了增强的预测能力.

研究的目的:

• 开发和评估ML模型来预测前列腺癌中的LNI.
• 为了比较ML模型的性能与传统的名ograms.
• 为了提高模型的解释性,使用夏普利添加式扩展 (SHAP).

主要方法:

• 开发了使用临床病理特征来预测LNI的ML模型.
• 应用合成少数群体过量采样技术 (SMOTE) 解决阶级不平衡问题.
• 使用十倍交叉验证训练和评估了四个ML算法 (k-NN,随机森林,SVM,XGBoost).
• 通过精度,灵敏度,特异性和AUC评估性能;使用SHAP进行解释性.

主要成果:

• 随机森林模型表现出最高的预测性能.
• 关键预测因素包括PSA密度,临床阶段和cribriform模式.
• SHAP分析提供了功能贡献的可视化.
• 随机森林和XGBoost表现出优越的歧视与现有的nomograms相比.

结论:

• 机器学习模型在预测前列腺癌方面显示出有可能超越传统的诺米图. LNI.
• 像SHAP这样的数据集平衡和可解释性工具对于ML模型的有效性至关重要.
• 外部验证和整合额外的功能可以提高模型的通用性.