摘要
目的:构建前列腺特异性抗原(PSA)灰区(4~10 ng·mL^(-1))患者的前列腺癌机器学习预测模型,并最终选择预测性能最佳的模型,以帮助临床医生更好地判断前列腺特异性抗原(PSA)灰区患者前列腺癌的发生情况,进而减少不必要的前列腺穿刺活检。方法:收集2024年3月至2024年9月就诊于新疆生产建设兵团医院且PSA灰区且第一次行前列腺穿刺的患者的临床资料,基于实验室指标构建支持向量机(SVM)、逻辑回归(LR)、决策树(DT)、神经网络(MLP)及k最近邻(KNN)模型五种机器学习预测模型。用受试者工作特征曲线(ROC)、准确率、精确率、召回率、F1分数评价所获得机器学习预测模型的性能,并在最佳模型中对各个特征变量的重要程度进行评估。结果:筛选变量后,基于上述指标构建的支持SVM、LR、DT、MLP及KNN模型五种机器学习模型中,测试集中KNN模型的ROC曲线下面积(AUC)、准确率、精确率、F1分数最高,分别为0.9928、0.9655、0.9655、0.9630,DT和KNN模型的召回率最高,同时都为1,KNN模型预测效果最佳。KNN模型中最重要的临床指标为前列腺健康指数(PHI),排名第2和第3的临床指标分别为前列腺特异性抗原同源异构体2(p2PSA)、p2PSA与游离前列腺特异性抗原(fPSA)比值(p2PSA/fPSA)。结论:本研究所构建的机器学习模型均有较好的预测效果,KNN模型为最佳模型,可以协助临床医师对患者进行更全面的评估,进而减少前列腺穿刺的可能性。
出处
《兵团医学》
2025年第1期19-23,共5页
Journal of BingTuan Medicine
基金
兵团财政科技计划项目(2021AB036)
