基于深度学习算法的前列腺癌病理分期预测.pdf

泌尿外科杂志（电子版）年期？临床研究？基于深度 学习算法的前列腺癌病理分期预测韩阳军，谷亚明，王冰（北 京市密云区医院，北 京大学第一医院密云医 院泌 尿外科，北 京）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 年月至 年月北京大学第一医院泌尿外科具有前列腺癌术后病理的例患者的临床信息作为变量，随机分配划分训 练集（）及测试集（），应用深度 学习算法，包括卷积神经联合门控循环单（，）、双向 门控循环单兀（，）及卷积神经联合长短期记忆模型（，），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，模型的为（？），精确度为（？），准确度为（？）；模型的为（？），精确度为。（？），准确度为（。？）；模型的为（？），准确度为。（？），精确度为（？）。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。关键词：前列腺癌；深度学习；病理分期；模型预测中 图分类号：文 献标识码：文章编 号：（）：，：，：，（）（），（），（），（），（）（）（）；（）（）（）；（）（）（）通信作者：王冰，：？泌尿外科杂志（电子 版）年期：；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万预计到年全球每年诊断出的新前列腺癌病例数将增加 到万，可能导致约万人死于该疾病，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。资料与方法患者入组标准本文 收集 年月日至年月日北京大学第一医 院泌尿外科确诊为前列腺 癌患者 例患者的临床信息。纳人标准如下：术后病理证实前列腺 癌诊断；患者的临床资料完整，包括性别、年龄、症状、慢性病史、辅助检查等。排除标准如下：术后无明确病理分期资料患者；临床资料缺失的患者。缺失值的资料使用拉格朗日插值法插值填充缺失值变量选取通过入选患者的术前临床资料包括年龄、体质量指数（，）、前列腺癌 家族史、吸 烟史、饮酒史、冠心病、高血压、糖尿病、直肠指诊、胆固醇、高密度脂蛋白、低 密度脂蛋白、甘油三酯、总前列腺特异抗原、游离特异性抗原与总前列腺特异抗原比值、前列腺体积共个变量作为输人变量，前列腺 癌病理分期、作为输出结果进行建模（表模型预测终点为前列腺癌的病理分期，前列腺癌病理分期是通过术后标本的病理评估获得，临床样本由本中心经验丰富的泌尿外科病理医生分析判断，所有的手术样本都按照本中心的标准病理程序进行处理。病理分期 采用美国癌症分期 联合委员会制定的病理分期系统（第版）。模型构建方法按：的比例将前列腺癌患者随机分配划分为验证集和测试集，验证集用于生成模型，测试集用于检测模型效果。本研究采用 多 种深度 学习算法构建前列腺癌分期预测模型，其中包括卷积神经联合门控循环单元（，）、双向门控循环单元（，）及卷积神经联合长（，）三种预测模型。深度学习包括卷积神经网络（，）与循环神经网络（，）两种算法，是一类独特的神经网络，的作用是利用许多过滤器学习不同 的特征，然后进一步删除这些特征以学习高阶特征。模型在上下文和时间至关重要的用例中更加强大，反向传播使信息能够通过网络循环返回，从而使模型能够处理顺序数据，这有助于找到因变量之间的相关性。本文结合与共同构建模型，从而在局部特征及时间维度均能得到较好的效果。模型由和分别从原始数据中提取特征，然后将它们连接在一起，映射到一个全连接层。具有三种类型的门：输入门、输出门和更新门。这些门决定了要保留哪些数据以及要丢弃哪些数据。模型由输人向量（前向）和对应的反向版本（后向）分别馈入两个，前向隐藏状态输出和反向隐藏状态输出的组合即为网络的输出。使用两个门：一个更新门和一个重 置门。重 置门决定被遗忘的过去信息的数量，而更新门决定保留和不保留哪些信息。先通过提取差异化的空间特征，再将特征矩阵输人到层中获得最后的输出结果。结果模型结果分析通过：划分验证集（）与测试集（），运用 多种深度学习算法构建前列腺癌病理分期预测模型，其中、及三种算法在构建前列腺癌 病理分期预测模型表现出较好的预测能力。采用受试者工作特征曲线（，）及曲线下面积（，）评价各预测模型的性能。考虑到模型构建中数据的不平衡及模型的稳 定 性，以准确度、精确度指标来辅助衡量模型的效率。准确率（）总样本；精确率（）。泌尿外科杂志（电子版）年期？表前列腺癌病理分期预测模型构建患者临床信息（￥）项目训练队列验证队列前列腺癌家族史例（）有（）（）无（）（）吸烟史例（）有（）（）无（）（）饮酒史例（）有（）（）无（）（）冠心病例（）有（）（）无（）（）高血压例（）有（）（）无（）（）糖尿病例（）有（）（）无（）（）麵指诊例（）有（）（）无（）（）病理分期例（）（）（）（）（）（）（）手术年龄岁，（无土），（）胆固醇，（无 ）高密度脂蛋白，（无 ）低密度脂蛋白，（元 ）甘油三醋，（无），（无？）（）前列腺体积，）其中，代 表准确地把正样本预测 为正，三种 算法中的曲线下面积 最高代表错误地把负样本预测 为正，代表正确地把负达，准确度达，精确度为（图，样本预测为负。表）。表不同模型的检验效能模型准确度（）精确度（）（）（）（）（）（）（）（）（）（）注：曲线下 面积；：卷积神经联合门控循环单元；：双向门控循环单元；：卷积神经联合长短期记忆模型。，腺癌是泌尿系常见肿瘤，近年来发病率逐年上升，在讨论前列腺癌发病率及死亡率逐年上升的背景下前列腺病理学是现代医学的基础之一，尤其在肿瘤治癌治疗变得尤为重要。部分生长缓慢、侵袭性弱的疗，是决定如何对肿瘤患者进行治疗的基础。前列前列腺癌对患者的预期 寿命影响较小，对此类患者？泌尿外科杂志（电子版）年期假性书图各模型 预测前列腺癌 病理分期的曲线注：双向 门控循环单元曲线下面积；：卷积神经联合门控循环单元曲线下 面积；：卷积神经联合长短期记忆模型曲线下面积。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？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气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，通过及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、及三种算法构建前列腺癌病理分期预测模型，其中通过算法构建的病理分期预测模型准确性最高，为，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气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。参考文献：李星，曾晓勇中 国前列腺癌流行病学研究进展肿瘤防治研究，：，（）：，（）：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现代电力，（）：，：，（）：，（）：，：（），（）：，（）：，（）：，（）：？