摘要

目的:建立联合前列腺经直肠超声图像特征及临床数据的决策树、K近邻、贝叶斯网络、Logistic回归、支持向量机5种机器学习模型,评价上述模型预测前列腺癌危险度的价值。资料与方法 :回顾性分析我院接受前列腺经直肠超声检查并确诊为前列腺癌的198例患者。将经直肠前列腺超声图像特征、年龄、总前列腺特异抗原、游离前列腺特异抗原、游离前列腺特异抗原比值、体积、前列腺特异抗原密度录入相关属性值分析,通过单个属性和类别的相关性分析以分析特征。后将这些超声图像特征及临床数据录入5种机器学习模型进行训练及验证,通过F1值及ROC曲线评价机器学习模型的预测价值。结果:贝叶斯网络模型预测前列腺癌危险度ROC的曲线下面积(AUC)最大(0.9278),K近邻AUC也较高(0.907),logistic回归最小(0.717);F1值最高的为贝叶斯网络,其次依序为支持向量机、决策树模型、K近邻及Logistic回归模型。通过相关属性值分析各特征变量重要性,前列腺内外腺分界是否清晰与前列腺癌危险度相关性最高,其次为前列腺包膜完整度、前列腺对称性、前列腺外腺腺体血流情况,结节灶回声对模型分类贡献最低。结论:基于超声图像特征的贝叶斯网络模型预测前列腺癌危险度的性能最优。

关键词