使用機器學習方法以臨床實驗室資料建立預測膀胱癌模型

據世界衛生組織統計，世界各地確診膀胱癌的人口正逐年上升，好發七十至八十歲男性，發病原因至今不明，危險因子有家族遺傳、吸菸、部分職業等。初期症狀無具特異性，如血尿、頻尿等類似泌尿道細菌感染或是膀胱結石。膀胱癌可利用常規尿液檢查、細胞病理檢查及膀胱鏡來檢測，倘若病人出現血尿且為罹患膀胱癌之高風險人群，醫師會建議採膀胱鏡來確定有無膀胱癌，施術過程中若有異常組織，將進行病理切片，確認是否癌化或期別確立。早期膀胱癌可使用BCG注射、TURBT切除腫瘤，預後良好，復發機率小。若已進展至侵襲性，則建議摘除膀胱並配合化療及放療，同時密切注意有無轉移，預後不佳，復發機率也較大。現有檢查方式仍有不足，即使黃金指標的膀胱鏡亦有其風險，故本研究藉臨床檢驗數據結合機器學習，建立模型，尋找非侵入式檢驗結果與膀胱癌之關係，以預測病人罹患膀胱癌的機率，區分攝護腺癌、膀胱癌、腎癌、子宮內膜癌等泌尿系統附近之癌症。研究中採用之演算法包含Logistic regression、Decision trees、Random Forest、SVM、XGBoost、Light GBM等，使用混亂矩陣(confusion matrix) 、AUROC加以驗證模型表現。藉由向前特徵篩選得出特徵如BUN、Creatinine、eGFR、turbidity、Urine Glucose、 WBC、Occutlblood等，於雙和資料區分疾病控制組與疾病組上，平均有著高靈敏性(93.30%)、特異性(92.33%) 、精確性(92.48%) ，而AUROC則為0.975。