科学家开发AI方法预测前列腺癌患者总体生存率

科学家称，人工智能工具可以为前列腺癌患者提供近乎精确的生存估计

　　

科学家表示，他们已经研究出一种机器学习方法，能够为前列腺腺癌患者提供接近精确的生存估计，前列腺腺癌是迄今为止最常见的前列腺癌类型。

他们的研究结果发表在《计算机生物学和医学》杂志上，是应用和研究八种集成方法的结果，他们将这些方法结合起来，可以预测前列腺腺癌患者的总体生存率。

科学家部署的集成模型包括随机森林 (RF)、AdaBoost、梯度提升 (GB)、极端梯度提升 (XGB)、LightGBM (LGBM)、CatBoost、硬投票分类器 (HVC) 和支持向量分类器 (SVC)。

他们的数据集源自癌症基因组图谱 (TCGA) PanCancer Atlas。

这项研究由阿拉伯联合酋长国沙迦大学和土耳其近东大学的科学家领导，对数据进行了评估，“使用准确度、精确度、召回率、F-1 分数和 ROC AUC 分数等基本性能指标”。

在他们用来评估前列腺癌生存预测的八种集成方法中，科学家发现，机器学习技术梯度提升 (GB)“在准确度、精确度、召回率和 F-1 分数方面获得了 1.0 的满分，ROC AUC 获得了 0.99 的满分，优于其他模型。”

科学家们发现，其他有助于预测前列腺癌患者总体生存率的人工智能模型包括RF和AdaBoost——它们也是科学家们用来预测癌症的机器学习技术之一。科学家们声称，这两种模型都表现出了强大的效率，表明它们有可能预测前列腺腺癌患者的总体生存率。

研究作者写道：“GB 的出色表现表明它是一个集成模型，能够高度预测前列腺腺癌 (PAC)，因为它能够识别所有真正的阳性病例，并最大程度地减少阴性病例，并且能够进行临床整合。RF 的表现表明它能够区分 PAC 的阳性和阴性病例，突显了其高准确率，尤其是在预测 PAC 存在方面。”

科学家将前列腺腺癌描述为“一种复杂而常见的男性癌症，是全球癌症相关死亡的主要原因之一。”

前列腺位于膀胱下方，环绕尿道，直肠前方，大小与核桃相当，平均重量为 11 克，是男性身体结构不可或缺的组成部分。

前列腺腺癌是一种在腺细胞中发展形成的癌症，在所有前列腺癌患者中，高达99%的人被诊断患有这种癌症。据报道，它是男性中仅次于皮肤癌的第二大常见癌症，且患病风险随着年龄增长而增加。仅在美国，就有超过330万男性被诊断患有前列腺癌，其中约每44人中就有1人死于该疾病。

但如果早期诊断，则有很大机会获得完全治愈。这项研究对于治疗具有重要意义，因为据科学家称，预测前列腺癌患者的总体生存率一直是“一个巨大的临床障碍，因为该疾病的多样性、共存的疾病以及传统诊断标记的限制”。这种情况促使科学家们求助于机器学习技术。

沙迦大学健康科学学院副教授、合著者迪尔伯·奥萨欣博士表示，这表明，如果将集成模型纳入临床工作流程，将为决策者和泌尿科医生带来巨大益处。

这项研究提出了一种使用集成模型的有效方法，尤其是梯度提升 (GB) 模型，它可以毫不费力地融入临床流程。因此，当集成模型的结果被整合到临床工作流程中时，泌尿科医生、其他医生和决策者可以充满信心地进行诊断。

科学家表示，梯度提升或 GB“表现出卓越的预测准确性和精确度，各种测量的 F-1 分数为 1.0，ROC-AUC 值为 0.99......集成模型能够预测 PAC 患者的 OS 为 70.6%，而 PAC 患者的死亡率为 29.4%。

“这将对决策者和泌尿科医生大有裨益。因此，未来的研究应侧重于使用更广泛的数据集，并将研究结果应用于临床，以提高研究的真实性。此外，未来的研究还可以整合生活方式和更新的生物标志物等其他变量。” 科学家们写道。

虽然作者认为他们的研究结果很重要，因为它展示了集成技术如何提高前列腺癌患者总体生存率的预测精度，但他们同时也强调了进一步研究的必要性，特别是在临床环境中。

Machine learning prediction of overall survival in prostate adenocarcinoma using ensemble techniques