基于前列腺影像报告和数据系统第2版的机器学习模型诊断高级别前列腺癌

目的 建立基于前列腺影像报告和数据系统第2版（PI-RADS v2）的支持向量机（SVM）、决策树（DT）和Logistic回归3种机器学习模型,评价上述模型对高级别前列腺癌的诊断价值。方法 回顾性分析于我院接受前列腺多参数MR扫描并取得病理结果的194例患者的资料,其中高级别癌63例,非高级别癌131例。将评价因素（PI-RADS v2评分、年龄、游离前列腺特异抗原、前列腺特异性抗原比值、前列腺特异抗原密度）录入SVM、DT和Logistic回归3种机器学习模型进行诊断,通过ROC曲线评价PI-RADS v2评分和3种机器学习模型诊断高级别前列腺癌的价值。结果 PI-RADS v2、SVM、DT和Logistic回归模型诊断高级别前列腺癌的敏感度分别为72.73%、69.09%、87.27%和70.91%;特异度分别为87.29%、93.22%、93.22%和95.76%。DT模型诊断高级别前列腺癌ROC的AUC（AUC=0.90,P<0.01）最大,且与PI-RADS v2评分、SVM、Logistic回归比较差异均有统计学意义（P均<0.05）。结论 PI-RADS v2评分、SVM、DT和Logistic回归模型诊断高级别前列腺癌的价值均较好。