基于机器学习算法构建前列腺癌早期诊断的风险预测模型

摘要

目的 基于机器学习算法构建前列腺癌(PCa)早期诊断预测模型，以期提升PCa的早期诊断准确性。方法 回顾性分析2020年1月—2024年11月于郑州大学第二附属医院行前列腺穿刺活检的504例患者的临床资料，收集并分析患者的年龄、身体质量指数(BMI)、高血压史、糖尿病史、吸烟史、总前列腺特异性抗原(tPSA)、游离前列腺特异性抗原(fPSA)、fPSA/tPSA(f/tPSA)、前列腺体积(PV)、中性粒细胞计数、淋巴细胞计数、中性粒细胞计数与淋巴细胞计数比值(NLR)、前列腺影像报告和数据系统(PI-RADS)评分、直肠指检(DRE)以及前列腺穿刺活检病理结果等资料。将研究对象按7∶3的比例分为训练集和测试集。采用10种监督机器学习算法构建10个PCa早期诊断预测模型，使用受试者工作特征曲线下面积(AUC)、准确度、灵敏度、特异度、校准曲线和临床决策曲线分析(DCA)等性能评价指标对不同预测模型进行评价和验证。采用SHAP分析进行模型解释，明确模型的各特征重要性及其决策依据。结果 构建的10种PCa早期诊断模型中梯度提升机(GBM)模型表现最佳，其测试集AUC为0.905,准确度为84.1%,灵敏度为90.2%,特异度为80.0%。校准曲线显示GBM模型校准与拟合良好，DCA表明模型具备较好的临床净收益。SHAP分析显示GBM模型预测患者发生PCa的特征重要性依次为tPSA、f/tPSA、PI-RADS评分、PV、年龄和DRE。结论 GBM模型的综合性能在10种机器学习模型中最优，其预测PCa发生的特征重要性从大到小依次为tPSA、f/tPSA、PI-RADS评分、PV、年龄和DRE。

关键词

前列腺癌 / 机器学习 / 前列腺特异性抗原 / 前列腺活检 / 梯度提升机(GBM)模型

基金资助

河南省医学科技攻关计划联合共建项目(No.LHGJ20240314)