基于非侵入性参数的XGBOOST可视化模型在活检前鉴别前列腺癌与良性增生的临床应用研究

本研究针对前列腺癌(PCA)筛查中总前列腺特异性抗原(TPSA)特异性低导致的过度活检问题，开发了一种基于血清胸苷激酶1(STK1p)等8项非侵入性参数的XGBOOST机器学习模型。该模型通过可视化决策树实现高精度区分(PCA vs BPH)，AUC达0.965，显著优于传统方法，为临床精准筛选活检人群提供了新工具。

　　

前列腺癌(PCA)作为全球男性第二大常见恶性肿瘤，在中国呈现发病率快速上升趋势。当前临床面临的核心困境在于：广泛使用的TPSA筛查虽敏感性达91%，但特异性仅41%，导致大量良性前列腺增生(BPH)患者接受不必要活检。更棘手的是，中国指南推荐活检的中重度BPH患者群体，其生活质量已受疾病影响，过度诊断会进一步加重医疗负担。

成都市龙泉驿区第一人民医院病理科Wenting Zhou团队创新性地将血清胸苷激酶1蛋白(STK1p)这一细胞增殖标志物引入诊断体系，联合年龄、游离前列腺特异性抗原(FPSA)等参数，构建了基于XGBOOST算法的可视化预测模型。这项发表在《Scientific Reports》的研究通过310例活检患者的横断面数据证实，新模型AUC值高达0.965，较传统逻辑回归模型(0.813)显著提升，且决策树可视化设计极大增强了临床可解释性。

研究采用多中心回顾性设计，纳入2016-2024年间两家医院310例接受前列腺活检的患者（PCA组126例，BPH组184例）。关键技术包括：1）采用Lasso算法筛选STK1p、FPSA等关键预测因子；2）开发含49棵决策树的XGBOOST模型并进行SHAP值可视化；3）通过10折交叉验证比较XGBOOST与其他机器学习模型性能；4）建立在线风险计算器促进临床转化。

模型开发与验证
通过Lasso回归从15项候选参数中锁定STK1p、FPSA、年龄和FTPSA作为核心预测因子。XGBOOST模型展现出压倒性优势：灵敏度95%、特异度98%，且NNB（需活检人数）低至1.07例/确诊1例PCA，远优于其他模型。

生物标志物分析
STK1p在PCA组中位浓度达2.04 pmol/L，显著高于BPH组(0.84 pmol/L)。多因素分析显示STK1p每升高1 pmol/L，PCA风险增加2.17倍(OR=2.17, 95%CI:1.68-2.81)，成为最强预测指标。

模型可视化应用
创新性地将49棵决策树转化为临床医生可直观理解的判断路径。例如当STK1p>1.53 pmol/L且年龄>73岁时，PCA概率超90%。这种"白盒"设计突破了传统机器学习黑箱局限。

该研究突破性地解决了三个临床痛点：首先，STK1p的引入弥补了TPSA特异性不足的缺陷；其次，可视化设计使AI模型首次真正融入泌尿科医生的决策流程；最后，针对中重度BPH这一特殊人群的定制化模型，填补了该领域研究空白。值得注意的是，模型在30-60岁亚组表现稍逊，提示年轻患者可能需要调整阈值。未来通过整合MRI参数和遗传标记，有望进一步优化模型性能。这项来自中国基层医院的研究，为全球前列腺癌精准筛查提供了极具转化价值的"中国方案"。