.png){kind=icon}
返回
A prognostic model for highly aggressive prostate cancer using interpretable machine learning techniques
.png){kind=icon}
OA
AI
DOI：10.3389/fmed.2025.1512870.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
背景 极度侵袭性前列腺癌，包括小细胞癌和神经内分泌癌等亚型，与不良预后和有限的治疗选择相关。本研究旨在创建一个稳健且可解释的基于机器学习的模型，用于预测极度侵袭性前列腺癌患者的1年、3年和5年生存率。此外，我们希望通过一种创新方法确定关键预后因素及其临床意义。
材料与方法 本研究回顾性分析了SEER数据库（2000-2020年）中1,620例极度侵袭性前列腺癌患者的数据。采用Boruta算法进行特征选择，并使用包括XGBoost、逻辑回归（LR）、支持向量机（SVM）、随机森林（RF）、k近邻（KNN）、决策树（DT）、弹性网络（Enet）、多层感知器（MLP）和lightGBM在内的九种机器学习算法进行生存预测。模型性能通过AUC、准确率（F1分数）、混淆矩阵和决策曲线分析等指标进行评估。此外，应用Shapley加性解释（SHAP）来解释模型中的特征重要性，揭示影响生存预测的临床因素。
结果 在九个模型中，lightGBM模型表现出最佳性能，1年生存预测的AUC和F1分数分别为（0.8，0.809），3年生存预测的AUC和F1分数分别为（0.809，0.751），5年生存预测的AUC和F1分数分别为（0.773，0.611）。SHAP分析显示，M分期是预测1年和3年生存的最重要特征，而PSA水平对5年生存预测的影响最大。通过决策曲线分析和混淆矩阵，模型展示了良好的临床实用性和预测准确性。
结论 lightGBM模型对极度侵袭性前列腺癌患者的生存具有良好的预测能力。通过识别关键临床因素并提供可操作的预测，该模型有望提高预后准确性并改善患者结局。
Keyword:
prostate cancer
survival
machine
predictive analytics
Boruta algorithm
期刊
F
IF:
3
论文数:
2.2W
被引数:
4.0W
机构
引用论文
Prostate-specific Membrane Antigen PET: Clinical Utility in Prostate Cancer, Normal Patterns, Pearls, and Pitfalls前列腺特异性膜抗原PET: 前列腺癌的临床应用，正常模式，珍珠和陷阱.png)
RADIOGRAPHICS
RADIOGRAPHICSIF5.5
PREAI
分享收藏分享收藏Targeted proteomics identifies liquid-biopsy signatures for extracapsular prostate cancer靶向蛋白质组学鉴定胶囊外前列腺癌的液体活检特征NATURE COMMUNICATIONS
OAAI
NATURE COMMUNICATIONSIF15.7
OAAI分享收藏Prostate-specific antigen and other serum and urine markers in prostate cancer前列腺癌中的前列腺特异性抗原和其他血清和尿液标志物
PREAI
分享收藏分享收藏Deep learning in cancer diagnosis, prognosis and treatment selection深度学习在癌症诊断、预后和治疗选择中的应用GENOME MEDICINEOAAI
GENOME MEDICINEIF11.2
OAAI分享收藏A new era: artificial intelligence and machine learning in prostate cancerNATURE REVIEWS UROLOGY
NATURE REVIEWS UROLOGYIF14.6
PREAI
分享收藏
查看更多内容