机器学习整合肿瘤标志物与核磁评分构建tPSA位于4～10 ng/mL时前列腺癌与良性前列腺增生的鉴别模型

摘要

目的 采用机器学习方法联合血清肿瘤标志物与核磁评分以构建区分血清总前列腺特异性抗原(tPSA)4～10 ng/mL时前列腺癌(PCa)与良性前列腺增生(BPH)的鉴别模型，以期提高tPSA灰区PCa的诊断效能。方法 回顾性分析2022年1月—2025年5月于南京医科大学第二附属医院泌尿外科收治的tPSA 4～10 ng/mL的85例PCa患者与204例BPH患者的临床资料，患者均行前列腺穿刺活检以明确病理结果。对收集的临床数据进行单因素及多因素logistic回归分析，从而确定PCa发生的独立危险因素。采用受试者工作特征(ROC)曲线、校准曲线和决策曲线评估预测模型效率、校准度和净获益率。采用分类决策树模型对PCa的影响因素进行分析，给出是否需要穿刺的判别规则。同时比较logistic模型与决策树模型的曲线下面积(AUC)以评价两种预测模型的效果，选出最优模型。采用SHAP方法进行最优模型展示。结果 PCa与BPH患者的年龄、游离前列腺特异性抗原(fPSA)、fPSA/tPSA(f/tPSA)、前列腺影像报告与数据系统(PI-RADS)评分比较，差异均具有统计学意义(P<0.05)。单因素及多因素logistic回归分析结果显示，f/tPSA、PI-RADS评分及年龄是PCa发生的独立影响因素(P<0.05)。联合独立危险因素构建多因素logistic模型，该模型的敏感度、特异度分别为70.6%、77.9%,AUC为0.785(95%CI:0.724～0.846)高于各单一独立危险因素的AUC(P<0.05)。校准曲线显示该logistic模型具有良好的校准度，决策曲线显示当风险阈值≥7%时，该logistic模型能获得净收益。决策树模型的AUC为0.769(95%CI:0.717～0.821),其敏感度、特异度为63.5%、79.9%。决策曲线和临床影响曲线表明，阈概率在5%～56%时，决策树模型诊断PCa有较高的净获益；风险阈值达55%后，诊断PCa的人数与实际人数趋于一致。结论 与决策树模型相比，基于f/tPSA、PI-RADS评分及年龄构建的logistic模型对PCa的诊断效能更高，为最优模型。

关键词

前列腺癌 / 前列腺特异性抗原 / 学习机器 / logistic回归模型 / 决策树模型

基金资助

国家自然科学基金项目(No.82370781)