摘要：目的 利用深度学习算法建立前列腺癌病理分期预测模型，为临床医生制定治疗方案提供参考。方法 利用2001年3月至2016年12月北京大学第一医院泌尿外科具有前列腺癌术后病理的484例患者的临床信息作为变量，随机分配划分训练集(n=389)及测试集(n=95),应用深度学习算法，包括卷积神经联合门控循环单元(convolutional neural network-gated recurrent unit,CGRU)、双向门控循环单元(bi-gated recurrent unit, BiGRU)及卷积神经联合长短期记忆模型(convolutional neural network-long short-term memory,CLSTM), 通过训练集构建前列腺癌病理分期预测模型，测试集评估模型预测的准确率。结果 在三种机器学习算法中，CGRU模型的AUC为0.863(95%CI 0.838～0.887),精确度为55.2%（95%CI 5.37%~56.6%），准确度为59.7%（95%CI 59.2%~60.1%）；BiGRU模型的AUC为0.869(95%CI 0.858～0.873)，精确度为57.8%（95%CI 57.0%~58.5%）准确度为53.7%（95%CI 53.4%~53.9%）CLSTM模型的AUC为0.877(95%CI 0.864～ 0.889)，准确度为59.8%（95%CI 58.3%~61.8%），精确度为60.1%（95%CI 59.3%~60.2%）。结论 基于前列腺癌术后患者病理分期结果构建的前列腺癌病理分期预测模型具有较高的准确率，对于指导临床治疗具有一定的参考意义。

[1] 李星，曾晓勇.中国前列腺癌流行病学研究进展[J].肿瘤防治研究，2021, 48(1): 98-102. 

[2] ITO K.Prostate cancer in Asian men [J]. Nat Rev Urol, 2014,11(4): 197-212. 

[3] CHAN HP,SAMALA RK,HADJIISKI LM. CAD and AI for breast cancer-recent development and challenges [J]. Br J Radiol, 2020, 93(1108):20190580. 

[4] 杨少瑜，黄国栋，林星宇，等。基于拉格朗日插值法的概率建模方法及其在概率潮流分析中的应用[J].现代电力，2021,38(4): 378-385. 

[5] EL RIFAI H,AL QADI L,ELNAGAR A. Arabic text classification: the need for multi-labeling systems [J]. Neural Comput Appl, 2021,34(2):1135-1159. 

[6] WU H, XING Y,GE W,et al. Drug-drug interaction extraction via hybrid neural networks on biomedical literature [J]. J Biomed Inform,2020,6(106):103432. 

[7] SCHRODER F,HUGOSSON J, ROOBOL M,et al. Screening and prostate cancer mortality: Results of the european randomised study of screening for prostate cancer (erspe) at 13 years of follow-up [J]. Lancet, 2014,384(9959):2027-2035. 

[8] RUI X,SHAO S,WANG L,et al. Identification of recurrence marker associated with immune infitration in prostate cancer with radical resection and build prognostic nomogram [J]. BMC Cancer, 2019,19(1):1179. 

[9] CAULFIELD S,MENEZES G,MARIGNOL L,et al. Nomograms are key decision-making tools in prostate cancer radiation therapy [J]. Urol Oncol, 2018,36(6):283-292. 

[10] SCHUETTFORT V,PRADERE B,RINK M,et al. Pathomics in urology [J]. Curr Opin Urol, 2020,30(6): 823-831.

韩阳军，谷亚明，王冰.基于深度学习算法的前列腺癌病理分期预测[J]. 泌尿外科杂志（电子版）,2023,15(2):37-40. DOI:10.20020/j.CNKI.1674-7410.2023.02.08

暂无相关信息！

前列腺癌的发病率及死亡率逐年增加，流行病学显示中国前列腺癌患者每年死亡人数超5万，预计到2030年全球每年诊断出的新前列腺癌病例数将增加到170万，可能导致约50万人死于该疾病，所以对于前列腺癌一个合理的治疗方案尤为重要。目前针对前列腺癌的治疗方式一定程度取决于患者的分期，前列腺癌的不同病理分期所进行的治疗策略不同，如果术前常规临床资料可以预测肿瘤的病理分期可能会改变临床医生治疗该疾病的方案。病理分期模型的建立可以减少前列腺癌患者有创的前列腺穿刺，减少患者痛苦及经济负担。本研究旨在构建前列腺癌预测模型，为临床医生诊疗提供参考。

1 资料与方法

    1.1 患者入组标准

    1.2 变量选取

    1.3 模型构建方法

2 结果

    2.1 模型结果分析

3 讨论

3 讨论

病理学是现代医学的基础之一，尤其在肿瘤治疗，是决定如何对肿瘤患者进行治疗的基础。前列腺癌是泌尿系常见肿瘤，近年来发病率逐年上升，在前列腺癌发病率及死亡率逐年上升的背景下前列腺癌治疗变得尤为重要。部分生长缓慢、侵袭性弱的前列腺癌对患者的预期寿命影响较小，对此类患者进行积极治疗可能导致并发症从而影响患者生存质量，主动监测可以作为主要治疗方法，避免过度治疗。而部分生长迅速、高侵袭性的前列腺癌患者则需要积极的局部或系统治疗。根据患者临床信息和病理信息对前列腺癌患者进行危险分层，辅助评估推断预期寿命，是临床医生进行临床决策制定个性化治疗方案的重要参考。为明确患者病理分期，主要采用术前前列腺癌穿刺活检，目前前列腺癌术前穿刺活检主要采用10～12针方式，为有创检查，同时存在假阴性可能。部分患者存在急性感染期、高血压危象等穿刺禁忌证，无法进行穿刺明确患者病理信息。本文通过深度学习算法构建的前列腺癌病理预测模型，可以通过预测出的病理结果为医生提供一个参考。同时在患者存在穿刺禁忌证时可以作为替代穿刺的重要参考。 

目前关于前列腺癌模型主要是通过列线图构建前列腺癌根治术后的复发和预后等模型，但关于前列腺癌术前病理分期的预测模型很少被构建，同时虽然列线图构建的模型在准确性上已经得到证实，但是列线图在提取数据特征方面仍有一定的局限性。 本研究采用近年来新兴发展的深度学习算法来构建前列腺癌病理分期预测模型，深度学习算法可以更 加充分的提取数据特征，通过CNN及RNN循环过滤数据特征并进行组合从而构建模型，在本文中通过CLSTM、CGRU及BiGRU三种算法构建前列腺癌病理分期预测模型，其中通过CLSTM算法构建的病理分期预测模型准确性最高，AUC为0.877，表明构建的病理分期预测模型准确率较高，存在一定的临床预测的意义。 

本模型的构建主要通过易得的患者的临床数据构建模型，在经济和患者依从性方面具有极大的可行性。通过深度学习对现有的患者信息进行处理， 得出的结果可以对患者的下一步治疗进行指导，是医工结合的一个重要突破。 

在深度学习算法构成的模型中，结果的广泛应用往往比较困难，因为一些算法的设置与数据量的局限性，导致在其他中心进行应用仍面临挑战。只有通过多中心扩大样本量才能进一步提高模型的准确性及兼容性。本模型作为一种深度学习模型，测试集中的样本仍然不足，需要在未来进一步纳入其他中心样本，以更好地提高模型的性能。由于本研究为回顾性研究，患者基线数据资料存在一定程度的缺失，可能为模型的构建产生一定的影响，在未来进一步纳入其他中心样本的同时同样需要进一步前瞻性收集患者基线数据，进而提高模型的准确度和精确度。

综上所述，基于深度学习算法的前列腺癌病理分期预测模型在病理分期的预测上有较高的准确率，但是在临床方面的应用仍待进一步探究。

暂无相关信息！

暂无相关信息！