Prostate Cancer P D：通过机器学习技术改善前列腺癌的诊断
2021-07-21 AlexYang MedSci原创
使用血液检测前列腺特异性抗原（PSA）来早期检测前列腺癌，可以诊断较早期和器官限制阶段的前列腺癌。然而，使用PSA作为前列腺活检决定的唯一工具，也导致了很多不必要的活检和对无痛性前列腺癌的过度诊断。最
使用血液检测前列腺特异性抗原（PSA）来早期检测前列腺癌，可以诊断较早期和器官限制阶段的前列腺癌。然而，使用PSA作为前列腺活检决定的唯一工具，也导致了很多不必要的活检和对无痛性前列腺癌的过度诊断。最终导致了对这些早期癌症的过度治疗，从而无法使所有患者受益。虽然在ERSPC试验中，PSA筛查可以减少转移性疾病和癌症死亡率，但在PSA筛查应用于人群之前，还需要解决不必要的活检和治疗（手术或放疗）的危害。
近期，有研究人员将2003年1月至2017年6月进行的连续系统性前列腺活检作为训练队列，将2017年7月至2019年11月的前瞻性活检作为验证队列，调查了机器学习技术在改善前列腺癌诊断中的价值。如果PSA为0.4-50 ng/ml，并且已知数字直肠检查（DRE）、经直肠超声（TRUS）前列腺体积、TRUS异常等信息，则纳入研究。临床意义上的PCa（csPCa）定义为Gleason 3+4或以上。在PSA、PSA密度、欧洲前列腺癌筛查随机研究（ERSPC）风险计算（ERSPC-RC）和使用PSA、DRE和TRUS信息的各种ML技术之间比较了接受者操作特征（ROC）的曲线下面积（AUC）。使用的ML技术包括XGBoost、LightGBM、Catboost、支持向量机（SVM）、逻辑回归（LR）和随机森林（RF）。
训练和验证队列分别包括3881名和778名连续男性。在验证队列中，RF模型在预测PCa或csPCa方面的表现优于其他ML技术和PSA、PSA密度和ERSPC-RC。在csPCa预测中，PSA、PSA密度、ERSPC-RC和RF的AUC分别为0.71、0.80、0.83和0.88。对csPCa的敏感性为90-95%时，RF模型的阴性预测值（NPV）为97.5-98.0%，避免了38.3-52.2%比例的不必要活检。决策曲线分析（DCA）显示RF模型比PSA、PSA密度和ERSPC-RC提供了更好的净临床效益。
决策曲线分析
综上所述，通过使用相同的临床参数，ML技术在预测csPCa方面的表现优于ERSPC-RC或PSA密度，并能避免高达50%的不必要活检。
原始出处：
Peter Ka-Fung Chiu， Xiao Shen， Guanjin Wang et al. Enhancement of prostate cancer diagnosis by machine learning techniques： an algorithm development and validation study. Prostate Cancer P D. Jul 2021
作者：AlexYang
版权声明：
本网站所有注明“来源：梅斯医学”或“来源：MedSci原创”的文字、图片和音视频资料，版权均属于梅斯医学所有。非经授权，任何媒体、网站或个人不得转载，授权转载时须注明“来源：梅斯医学”。其它来源的文章系转载文章，本网所有转载文章系出于传递更多信息之目的，转载内容不代表本站立场。不希望被转载的媒体或个人可与我们联系，我们将立即进行删除处理。
在此留言
#Prostate Ca#
92
#ROS#
78
#机器#
76
#PRO#
65
前列腺癌相关研究，学习了，谢谢梅斯
105