结合临床、炎症及脂质标志物的五变量列线图用于预测PI-RADS ≥ 4患者前列腺活检良恶性结果：一项多中心可解释模型研究

《Lipids in Health and Disease》：Risk prediction of prostate biopsy outcomes in patients with PI-RADS?≥?4 lesions using serum lipoprotein(a) and inflammatory markers based on interpretable machine learning: a multicenter cohort study with prospective validation

　　

摘要

背景

在 PI-RADS ≥ 4 病灶的患者中，MRI 假阳性结果可能导致不必要的前列腺活检，尤其是在炎症变化类似于恶性肿瘤时。我们开发了一种可解释模型，该模型结合常规临床变量与炎症和脂质相关标志物，以预测活检的良性和恶性结果。

方法

这项多中心研究结合了回顾性模型开发与前瞻性验证。回顾性收集的训练队列包括来自安徽医科大学第一附属医院的 280 名患者，而同一机构的前瞻性内部验证队列和前瞻性外部多中心验证队列分别包括 97 名和 123 名患者。候选预测因子通过单变量测试、多重共线性评估和采用 10 折交叉验证的最小绝对收缩和选择算子 (LASSO) 回归进行筛选。训练了九个机器学习模型，并通过受试者工作特征分析进行比较。使用 SHapley 加和解释 (SHAP) 对选定的模型进行解释，并根据最终的逻辑回归模型构建了列线图。

结果

训练队列共纳入 280 名患者。良性活检 (BPB) 组和恶性活检 (MPB) 组之间有九个候选变量存在显著差异。在 LASSO 分析中，保留了五个预测因子：年龄、fPSA/TPSA 比值、PLR、Lp(a) 和 PI-RADS 类别。在使用这些预测因子开发的九个机器学习模型中，逻辑回归在内部验证中表现出最好且最稳定的判别能力（曲线下面积 [AUC] = 0.824）。SHAP 分析确定 PI-RADS 类别和 fPSA/TPSA 比值为两个最具影响力的预测因子。生成的列线图在训练队列 (AUC = 0.777; Hosmer–Lemeshow P = 0.46)、内部验证队列 (AUC = 0.824; P = 0.58) 和外部验证队列 (AUC = 0.830; P = 0.24) 中显示出良好的判别能力和校准度。

结论

该五变量逻辑列线图为 PI-RADS ≥ 4 病灶患者的活检结果提供了可解释且经过外部验证的预测。通过将影像类别与临床、炎症和脂质相关标志物相结合，该模型可能支持个体化的活检决策；然而，其减少不必要活检的能力需要在前瞻性临床实施研究中得到确认。

试验注册

本研究于 2025 年 12 月 10 日在中国临床试验注册中心 (http//www.chictr.org.cn/) 注册，注册号为 ChiCTR2500114315。回顾性注册。