使用基于非侵入性尿道RNA生物标志物 (PCASSO) 的敏感和复杂的机器学习分类器进行前列腺癌诊断

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.
• 生物标志物 生物标志物
• 机器学习 机器学习

背景情况:

• 前列腺癌 (PCa) 是男性的主要全球恶性瘤.
• 目前的查方法,如PSA测试和DRE缺乏特异性,导致过度诊断和过度治疗.
• 对于PCa而言,急需准确,非侵入性诊断工具.

研究的目的:

• 开发和验证一种新的诊断框架,PCASSO,用于准确检测前列腺癌.
• 整合机器学习 (ML) 与尿液RNA生物标记物,以提高诊断性能.
• 评估这种框架在临床上模糊的PSA灰色区域中的有用性.

主要方法:

• 采集了163个尿样 (112个PCa,51个良性前列腺增生 [BPH]).
• 使用定量PCR分析了20种尿性RNA生物标记物 (lncRNAs,融合基因,miRNAs).
• 评估了6个ML分类器,重点是渐变增强模型与优化的9个生物标志物面板.

主要成果:

• 渐变增强模型实现了高的诊断准确性 (AUC:0.99).
• 强大的交叉验证结果 (分层-K折叠:0.912;LOOCV:0.890) 证实了模型的稳定性.
• 该分类器在PSA灰色区 (3-10 ng/mL) 内的患者中显示出高准确性.

结论:

• 基于ML的DRE无尿性RNA生物标记物的ML分类为前列腺癌诊断提供了一种有前途的非侵入性方法.
• PCASSO框架显示了提高诊断准确度和帮助临床决策的潜力.
• 需要进一步的验证研究来在临床实践中建立这种方法.