论文部分内容阅读
目的:本研究通过整合患者的临床特征及穿刺病理信息,构建了相应简便、易用、可视化的预测模型来识别出那些最可能出现术前术后病理分级、分期不一致的前列腺癌患者。方法:我们回顾性收集了2012年1月至2019年12月间在华中科技大学同济医学院附属同济医院泌尿外科收治的前列腺癌患者的临床资料,患者均于我院行经直肠系统性前列腺穿刺活检确诊,而后行前列腺癌根治性切除术。运用单因素及多因素逻辑回归分析找出与肿瘤病理升级、升期及降级相关的危险因素。随后依据危险因素各自的预测价值和实际临床意义来构建肿瘤病理升级、升期及降级相关的各自的预测模型。病理升级预测模型、病理升期预测模型和病理降级预测模型的预测效能通过受试者工作特征曲线（receiver operating characteristic curve,ROC curve）及曲线下面积（area under the curve,AUC）来进行评价,用校正曲线分析来评价各预测模型的拟合程度,用决策曲线分析（decision curve analysis,DCA）来评价临床使用预测模型的实际获益情况。结果:根据纳入排除标准,本研究共纳入585例前列腺癌患者。患者中,有262例（44.8%）出现了病理升级,68例（11.6%）出现了病理降级,67例（11.5%）出现病理升期。根据多因素逻辑回归分析结果,患者年龄、穿刺GS是病理升级的独立危险因素;肿瘤最大径、临床T分期、阳性穿刺针数及穿刺阳性肿瘤组织总长度与病理升期显著相关;游离前列腺特异性抗原与总前列腺特异型抗原比值（f PSA/TPSA,%f PSA）、肿瘤最大径、穿刺GS是肿瘤病理降级的独立危险因素。肿瘤病理升级预测模型AUC值为0.779,肿瘤病理升期预测模型的AUC值为0.796,肿瘤病理降级预测模型的AUC值为0.647,模型的预测效能均高于单变量的预测效能;在校正曲线图上,可以看到各预测模型拟合良好;DCA显示使用各模型的临床获益显著高于单一变量。结论:本研究开发的肿瘤病理升级预测模型、肿瘤病理升期预测模型和肿瘤病理降级预测模型能较好地预测前列腺癌患者术前术后的病理分级、分期出现不一致的可能性,这对前列腺癌患者个体化的诊疗管理有一定的指导意义。目的:本研究旨在比较机器学习算法与传统统计学方法在预测前列腺癌病理升级方面的优劣,决出最佳算法并以此为基础构建预测模型。方法:回顾性收集2012年1月至2019年12月间在华中科技大学同济医学院附属同济医院泌尿外科收治的前列腺癌（prostate cancer,PCa）患者的临床资料,患者均进行了系统性前列腺穿刺活检和前列腺癌根治性切除术。所有PCa患者按70:30比例随机分为训练集和验证集,训练集用于统计分析和建模,验证集用于验证模型。手术切除标本评估所得格里森评分高于前列腺穿刺活检所得评分定义为病理升级。随后选取患者的临床参数,根据各机器学习算法与传统统计学方法建立预测模型来预测患者出现病理升级的风险,传统统计学方法为逻辑回归（logistic regression,LR）,机器学习算法包括:正则化的拉索回归（logistic regression optimized by least absolute shrinkage and selection operator regularization,Lasso-LR）,随机森林（random forest,RF）和支持向量机（support vector machine,SVM）。各预测模型的预测效能由受试者工作特征曲线（receiver-operating characteristic curve,ROC curve）及曲线下面积（area under the curve,AUC）来评价并将LR的预测效能分别与Lasso-LR、RF和SVM的预测效能进行比较,用校准检验图来检验各模型的拟合程度,用决策曲线分析（decision curve analysis,DCA）来评价各模型的临床获益情况。结果:排除掉穿刺格里森分级分组为5的PCa患者后,本次研究共纳入530例PCa患者,训练集371例,验证集159例。所有预测模型中Lasso-LR表现最好,其AUC、准确度、灵敏度、特异度、阳性预测值和阴性预测值分别为0.776、0.712、0.679、0.745、0.730和0.695;其余预测模型的预测效能表现按顺序依次为SVM（AUC=0.740,95%confidence interval[CI]=0.690–0.790）,LR（AUC=0.725,95%CI=0.674–0.776）和RF（AUC=0.666,95%CI=0.618–0.714）。验证集中,同样是Lasso-LR有着最好的预测效能（AUC=0.735,95%CI=0.656–0.813）,其次为SVM（AUC=0.723,95%CI=0.644–0.802）,LR（AUC=0.697,95%CI=0.615–0.778）和RF（AUC=0.607,95%CI=0.531–0.684）。校准检验图中,Lasso-LR和SVM拟合良好,而在DCA分析中,除RF外其余模型均有较好的临床获益。结论:以机器学习算法为基础的预测模型中,除RF外,在预测PCa患者出现病理升级方面均优于以传统统计学方法为基础的预测模型,其中表现最好的是Lasso-LR,这些机器学习预测模型对制定治疗计划、筛选患者及决策制定等方面有一定的指导意义。目的:本研究旨在探究双参数磁共振（biparametric magnetic resonance imaging,bp-MRI）相关影像学特征及经直肠超声（transrectal ultrasound,TRUS）引导下的前列腺系统性穿刺活检相关信息与前列腺癌（prostate cancer,PCa）包膜外侵犯（extraprostatic extension,EPE）、精囊侵犯（seminal vesicle invasion,SVI）和病理升级的关系,并依据这些不良病理特征各自的独立危险因素建立相应的预测模型。方法:我们回顾性搜集了在我院同时施行了TRUS引导下前列腺系统性穿刺活检和前列腺根治性切除术的PCa患者的病历资料。为了探究bp-MRI相关影像学特征及TRUS引导下的前列腺系统性穿刺活检相关信息与PCa不良病理特征的关系及构建用于预测前列腺EPE、SVI和病理升级的预测模型,我们引入了以下临床参数用于多因素逻辑回归分析:总前列腺特异性抗原（total prostate-specific antigen,TPSA）、前列腺中央移行带体积（central transition zone volume,CTZV）、前列腺特异性抗原密度（prostate-specific antigen density,PSAD）、MRI上肿瘤结节最大径、MRI上EPE状态、MRI上SVI状态、阳性穿刺针的格里森评分（biopsy Gleason grade group,b GG）和阳性穿刺针数。我们在研究中逐步纳入一般临床参数、bp-MRI相关影像学特征和TRUS引导下的前列腺系统性穿刺活检相关信息用于多因素逻辑回归分析,而风险计算器的构建则是基于多因素逻辑回归分析的结果以及各变量的实际临床意义来完成。受试者工作特征曲线（receiver-operating characteristic curve,ROC curve）及曲线下面积（area under the curve,AUC）用于评价各预测模型对于PCa各不良病理特征的预测能力。决策曲线分析（decision curve analysis,DCA）用于评价不同的可能性阈值下使用各预测模型的临床获益情况。结果:共有222例符合纳入排除标准的PCa患者纳入此次研究。总体上看,最终的病理报告中有83例（37.4%）PCa患者出现EPE,有75例（33.8%）患者出现SVI,有107例（48.2%）出现病理升级。bp-MRI相关影像学特征的引入提升了用于预测SVI（AUC 0.807 vs 0.816）和病理升级（AUC 0.548 vs 0.625）的模型的预测能力,但对于预测EPE来说改善并不明显（AUC 0.766 vs 0.763）。当模型同时整合了常规临床参数、bp-MRI相关影像学特征和TRUS引导下的前列腺系统性穿刺活检相关信息后,EPE相关预测模型（AUC 0.842）、SVI相关预测模型（AUC 0.913）和病理升级相关预测模型（AUC 0.794）的预测能力均达到最高,且对应的DCA曲线分析结果也显示出了最好的临床获益。结论:bp-MRI及TRUS引导下的系统性穿刺活检能在预测PCa不良病理特征方面发挥重要作用,我们构建的三个简便易用的用于预测PCa相关的不良病理特征的预测模型对实际临床工作一定指导意义。