用机器学习优化PIRADS 3类患者的临床风险因素解释和影像学表现。

The Prostate Pub Date : 2022-02-01 Epub Date: 2021-11-15 DOI:10.1002/pros.24266

Pubordee Aussavavirojekul, Apirak Hoonlor, Sittiporn Srinualnad

引用次数: 2

摘要

背景:由于PIRADS 3类病变患者的癌症检出率较低，我们创建了机器学习(ML)模型，以帮助决策是否进行前列腺活检或在没有活检结果的情况下监测临床信息。方法:在我们的回顾性单中心研究中，在2017年9月至2020年6月期间，101例至少有一种PIRADS 3类病变但没有更高PIRADS病变的符合条件的患者接受了MRI/US融合活检。从2020年6月到2020年10月，另外30名患者被纳入验证队列。我们的机器学习研究是一个监督分类问题，基于癌变组织或良性组织的病理报告进行二进制输出。临床输入包括年龄、前列腺特异性抗原(PSA)、前列腺体积、前列腺特异性抗原密度(PSAD)和既往活检次数。放射学报告输入是病变数量、最大病变直径、病变位置和病变区域。我们随后删除了不重要的输入。采用逻辑回归、支持向量机、朴素贝叶斯、决策树、随机森林和极端梯度增强树(XGBoost)。从受试者工作特征(ROC)曲线中，我们确定了ROC曲线下面积(AUC)、截止点和灵敏度评分(召回评分)来评估ml模型的性能。结果:24例腺癌患者平均年龄70±5.79岁，平均PSA为12.42±6.67 ng/ml，平均前列腺体积46.49±23.13 ml，平均PSAD为0.31±0.22 ng/ml2。77例有良性组织报告的患者平均年龄66.39±6.66岁，平均PSA为11.31±7.50 ng/ml，平均前列腺体积为65.25±35.88 ml，平均PSAD为0.19±0.13 ng/ml2。在验证队列中，XGBoost的最佳AUC为0.76，考虑了80%的敏感性和72%的特异性，概率截止值为57%。其余可能的ML模型表现较差，AUC较小。最差的是Naïve Bayes, AUC为0.50。结论:ML模型有助于PIRADS 3患者选择MRI/US融合活检。机器学习可以优化我们如何充分利用已知的临床风险因素。

本文章由计算机程序翻译，如有差异，请以英文原文为准。

查看原文本刊更多论文

Optimization of clinical risk-factor interpretation and radiological findings with machine learning for PIRADS category 3 patients.

Due to the low cancer‐detection rate in patients with PIRADS category 3 lesions, we created machine learning (ML) models to facilitate decision‐making about whether to perform prostate biopsies or monitor clinical information without biopsy results.

求助全文

通过发布文献求助，成功后即可免费获取论文全文。去求助

来源期刊

The Prostate

自引率

0.00%

发文量