基于机器学习模型分析不进行穿刺活检的前列腺根治术的可行性

目的:基于机器学习算法构建前列腺癌（PCa）和临床显著前列腺癌（CSPCa）的诊断模型，并探讨不进行穿刺活检的前列腺根治术的可行性。方法:回顾性收集2016年4月至2020年3月期间符合纳入标准的688例前列腺穿刺患者的临床资料，包括年龄、PSA、前列腺体积、磁共振报告和穿刺活检病理结果，基于人工神经网络（ANN）、支持向量机（SVM）、随机森林（RF）和Logistic回归（LR）算法，构建PCa和CSPCa的诊断模型，采用受试者工作特征曲线评价各模型的诊断准确性，并分析不进行穿刺活检的前列腺根治术的可行性。结果:ANN（AUC=0.891和0.911）、SVM（AUC=0.903和0.925）、RF（AUC=0.897和0.916）和LR（AUC=0.894和0.917）模型预测前列腺癌和临床显著前列腺癌的诊断效能均优于PSA检测（AUC=0.805和0.792）和多参数磁共振检查（AUC=0.773和0.807） （P均<0.05）。SVM模型预测PCa和CSPCa的诊断效能均高于其他模型，但各模型间的诊断效能差异不显著（P均>0.05）。基于验证数据集，SVM的PCa预测模型能够使44例（44/208，21%）患者直接进行前列腺根治术，包括41例（41/65，63%）CSPCa和3例（3/12，25%）GS=3+3的PCa病例，而不过度治疗前列腺穿刺结果为良性的病例，优于ANN（33/208，16%）、RF（17%，36/208）和LR（35/208，17%）模型。结论:机器学习模型预测PCa和CSPCa的诊断效能优于多参数磁共振等单一临床检查，能够使超过60%的CSPCa病例直接进行前列腺根治术，而不会导致过度治疗良性前列腺病例。但需开展前瞻性研究进一步验证该研究结果。