前列腺癌中淋巴结侵袭的预测：一项比较性的机器学习研究

《Annals of Surgical Oncology》：Lymph Node Invasion Prediction in Prostate Cancer: A Comparative Machine-Learning Study

前列腺癌淋巴结转移预测研究显示，机器学习模型（尤其是随机森林和XGBoost）结合SMOTE数据平衡和SHAP可解释性分析，在预测准确性、灵敏度、特异性及AUC方面优于传统 nomograms，关键预测因素包括PSA密度、临床分期和篮孔样模式特征。

　　

摘要

背景

准确预测前列腺癌中的淋巴结浸润（LNI）对于指导淋巴结清扫至关重要。目前的预测模型往往无法在漏诊转移病例和不必要的清扫风险之间取得最佳平衡。机器学习模型通过更灵活地处理复杂的临床数据，可以提高预测性能。

方法

作者利用临床病理特征开发了机器学习模型来预测LNI。由于LNI阳性病例和LNI阴性病例之间存在显著的类别不平衡，因此采用了合成少数样本过采样技术（SMOTE）来平衡数据集。使用10折交叉验证训练了四种机器学习算法（k-最近邻、随机森林、支持向量机和极端梯度提升[XGBoost]）。模型性能通过准确率、敏感性、特异性以及接收者操作特征曲线下面积（AUC）进行评估。为了提高模型的可解释性，还进行了Shapley加性解释（SHAP）分析。

结果

随机森林模型表现出最高的预测性能。关键的预测特征包括前列腺特异性抗原（PSA）密度、临床分期以及筛状结构的存在。通过SHAP分析可以可视化各个特征的贡献。与现有的预测模型相比，随机森林和XGBoost具有更强的区分能力。

结论

机器学习模型在预测前列腺癌中的LNI方面可能优于传统的预测模型，尤其是在使用平衡的数据集进行训练并结合了如SHAP这样的可解释性工具时。进一步的外部验证和添加更多特征可以提高模型的泛化能力。