《African Journal of Urology》：Artificial neural network–based prediction of lymph node metastasis in prostate cancer patients undergoing radical prostatectomy
编辑推荐：
背景：术前精准预测淋巴结转移（LNM）对筛选适合在根治性前列腺切除术（RP）中接受扩大盆腔淋巴结清扫术（ePLND）的前列腺癌患者至关重要。传统列线图难以捕捉临床变量间复杂的非线性交互作用。本研究旨在开发并内部验证基于机器学习（ML）的术前LNM预测模型，并将
背景：术前精准预测淋巴结转移（LNM）对筛选适合在根治性前列腺切除术（RP）中接受扩大盆腔淋巴结清扫术（ePLND）的前列腺癌患者至关重要。传统列线图难以捕捉临床变量间复杂的非线性交互作用。本研究旨在开发并内部验证基于机器学习（ML）的术前LNM预测模型，并将其性能与成熟的列线图风险估计进行比较。
材料与方法：研究人员回顾性分析了2017年1月至2021年1月期间连续接受RP联合ePLND的110例前列腺癌患者数据，收集了术前人口统计学、临床、活检及多参数磁共振成像（mpMRI）变量。训练并评估了多种ML算法，包括逻辑回归、决策树、支持向量机、朴素贝叶斯、提升树和人工神经网络（ANN）。采用准确率及受试者工作特征曲线下面积（AUC）评估模型性能。ANN采用训练-验证-测试集划分进行内部验证，其余算法采用五折交叉验证。
结果：ANN表现出最高的诊断效能，在独立测试数据集中准确率达94.1%，AUC为0.962。其他ML模型准确率介于79%至86%之间，AUC均超过0.70。ANN性能优于逻辑回归，且在区分度上优于Briganti列线图分层。
结论：基于ANN的模型可改善术前LNM高风险患者的识别。ML辅助决策支持可作为现有风险分层工具的补充，但其临床效用仍需进一步确立，需在更大规模多中心队列中进行外部验证。
前列腺癌根治术患者淋巴结转移的精准术前预测是优化手术方案的核心环节。当前临床依赖的Briganti、Partin及MSKCC等传统列线图，基于预设的线性变量关系构建，难以捕捉肿瘤负荷、病理侵袭性与影像学表现间的复杂非线性交互，限制了预测准确性。扩大盆腔淋巴结清扫术（ePLND）虽为淋巴结分期金标准，但因手术复杂度高、围术期并发症风险显著，需基于个体化风险评估选择性开展。在此背景下，机器学习（ML）技术凭借无需预设变量关系的优势，为临床预测建模提供了新路径。本研究由研究人员发表于《African Journal of Urology》，旨在开发并内部验证ML模型用于术前LNM预测，填补该领域针对根治术人群的特异性研究空白。
研究人员采用回顾性队列设计，纳入2017年1月至2021年1月某三级转诊中心连续收治的110例接受RP联合ePLND的前列腺癌患者。排除既往盆腔放疗、化疗、内分泌治疗史及远处转移、记录不全者。收集年龄、BMI、血清前列腺特异性抗原（PSA）、PSA密度（PSAd）、临床T分期、多参数磁共振成像（mpMRI）PI-RADS v2评分、ISUP分级分组、阳性活检核心数及比例、神经周围侵犯等术前变量。采用卡方检验、方差分析（ANOVA）及Kruskal-Wallis检验进行特征重要性排序，最终选取与LNM强相关的变量输入模型。对比评估逻辑回归、决策树、支持向量机（SVM）、朴素贝叶斯、提升树及人工神经网络（ANN）共6种算法，ANN采用训练集（n=76）、验证集（n=17）、测试集（n=17）划分，其余模型采用五折交叉验证，以准确率、灵敏度、特异度、阳性预测值（PPV）、阴性预测值（NPV）及AUC为评价指标。
研究结果如下：
3.1 患者特征：队列平均年龄62.14±6.43岁，平均术前PSA 10.84±11.39 ng/mL，57.27%患者PI-RADS v2评分≥4，52.73%患者ISUP分级分组≥2，平均Briganti列线图预测LNM风险为5.73±7.05%。
3.2 术后病理发现：31.82%患者存在前列腺外侵犯，10.91%伴精囊腺侵犯，6.36%确诊LNM，39.09%病理分期≥pT3。
3.3 特征重要性分析：三种统计方法结果一致，阳性活检核心数（ANOVA评分22.31）、ISUP分级分组（ANOVA评分19.65）及阳性活检核心百分比（ANOVA评分15.18）为最具预测价值的指标，BMI始终排名最低，证实肿瘤负荷相关参数及病理分级是LNM的核心预测因子。
3.4 模型性能：ANN表现最优，独立测试集准确率达94.10%，AUC为0.962；训练集、验证集、测试集AUC分别为0.967、0.846、0.962，整体AUC 0.955。测试集灵敏度1.000、特异度0.923、PPV 0.800、NPV 1.000，整体灵敏度0.929、特异度0.915、PPV 0.788、NPV 0.974，显示出稳健的预测能力。
3.5 机器学习模型比较：ANN AUC（0.955）显著高于逻辑回归（0.88）、SVM（0.90）及其他模型，决策树与提升树准确率仅约79%，AUC介于0.74-0.87之间。
讨论部分指出，ANN的高阴性预测值（NPV）具有重要临床意义，可精准识别低LNM风险患者，减少不必要的ePLND，降低手术并发症。研究同时强调，模型性能不等同于临床效用，其能否超越现有列线图优化患者选择仍需前瞻性决策分析验证。局限性包括单中心回顾性设计的潜在选择偏倚、样本量较小及LNM事件数较少可能影响模型稳定性，ANN的“黑箱”特性也限制了解释性与临床接纳度。未来需在更大规模多中心队列中开展外部验证，整合影像组学、基因组学等新兴数据模态，并通过决策曲线分析评估真实临床价值。
结论：基于人工神经网络（ANN）的机器学习模型可提升前列腺癌根治术患者术前淋巴结转移（LNM）的预测能力。机器学习辅助决策支持有望作为现有风险分层工具的补充，但其对临床决策及患者结局的影响仍需进一步验证，亟需开展多中心前瞻性研究加以确认。
