超级学习优化TabNet用于小样本重复前列腺活检预测
Jienv Lou1, Jiahan Xu2, Dan Mao2
1Department of Ultrasound, The Affiliated People's Hospital of Ningbo University, No. 251, Baizhang East Road, Yinzhou County, Ningbo, Zhejiang, China. 815131765@qq.com.
Discover oncology
|March 11, 2026
概括
这项研究引入了一种超学习优化的TabNet模型,用于准确地重复前列腺活检预测,克服没有高级成像的小样本大小. 人工智能工具提高了诊断的准确性,减少了不必要的程序.
科学领域:
- 人工智能在医学中的应用
- 尿道瘤学 尿道瘤学
- 机器学习用于医疗保健
背景情况:
- 重复前列腺活检 (RB) 的预测受到小患者队列的阻碍,限制了人工智能 (AI) 的应用.
- 现有的方法与复杂的临床模式作斗争,特别是在资源有限的环境中,缺乏像mpMRI这样的先进成像.
- 从较大的初始活检 (IB) 队列转移知识可以提高RB预测的准确性.
研究的目的:
- 开发和验证一个经过meta-learning优化的TabNet框架,以提高RB预测的准确性.
- 为了克服人工智能模型中的样本大小限制,使用随时可用的临床参数进行RB预测.
- 为在资源有限的环境中提供适用于mpMRI不可用的工具.
主要方法:
- 一项回顾性研究分析了2,087次初始前列腺活检 (IB) 和139次随后的重复活检 (RB),没有mpMRI数据.
- 一个两阶段的训练范式使用了模型不可知的超级学习来预训练IB数据,然后对RB队列进行微调.
- 使用歧视,校准和决策曲线分析来评估性能,并与传统的ML和风险计算器进行基准分析.
主要成果:
- 与XGBoost (0.808) 和原始TabNet (0.800) 相比,meta-learning TabNet在一个独立的测试集上取得了更好的区分性能 (AUROC 0.872).
- 该模型表现出最佳的校准 (布赖尔分数0.068,ECE0.100) 和高特异性 (90.0%),错误阳性最小.
- 性能大大超过了已建立的临床风险计算器,如ERSPC和PCPT.
结论:
- 超学习优化有效地解决了样本大小限制,用于在没有高级成像的情况下重复前列腺活检预测.
- 开发的框架作为基于证据的决策支持工具,提高诊断准确性.
- 这种方法尽量减少不必要的程序,在资源有限的环境中尤其有价值.
