Development and validation of machine learning models for predicting muscle-invasive bladder cancer
Comparative performance analysis with VI-RADS
DOI :
https://doi.org/10.5489/cuaj.9728Mots-clés :
Bladder cancer, Muscle-invasive bladder cancer; machine learning, VI-RADS, Multiparametric mrı, Predictive modelingRésumé
Introduction: We aimed to develop and validate machine learning (ML)-based predictive models for the preoperative differentiation of muscle-invasive bladder cancer (MIBC) from non-muscle-invasive bladder cancer (NMIBC) using routinely available clinical and laboratory data, and to compare their diagnostic performance with the multiparametric magnetic resonance imaging (mpMRI)-based Vesical Imaging-Reporting and Data System (VI-RADS).
Methods: A total of 26 demographic, clinical, and biochemical variables were used to develop supervised ML models. Logistic regression, random forest, support vector machine, XGBoost, and LightGBM algorithms were trained to predict pathologic muscle invasion. The dataset was randomly divided into training (80%) and independent test (20%) cohorts. Model discrimination was evaluated using the area under the receiver operating characteristic curve (AUC). The performance of ML models was compared with a VI-RADS-based logistic regression model using the DeLong test, and model calibration was assessed using Brier scores.
Results: A total of 428 patients were included, comprising 317 with NMIBC and 111 with MIBC. In the independent test cohort, both the VI-RADS–based logistic regression model and the LightGBM model demonstrated high discriminative performance, with AUC values of approximately 0.93. Among ML methods, LightGBM showed the best overall performance. SMOTE improved sensitivity in most models, while calibration remained acceptable. DeLong analysis showed no significant difference between the LightGBM and VI-RADS models (p=0.49).
Conclusions: ML models based on routinely available clinical and laboratory variables achieved high diagnostic accuracy for predicting MIBC. The LightGBM model demonstrated performance comparable to the VI-RADS-based approach in the independent validation cohort and may serve as a complementary tool for risk stratification, particularly in settings where access to mpMRI is limited.
Téléchargements
Téléchargements
Publié-e
Comment citer
Numéro
Rubrique
Licence
Les auteurs accordent les droits d’auteurs liés à l’article et son contenu à l’Association des urologues du Canada. Cette entente signifie que vous ne pouvez pas faire ce qui suit, sans d’abord obtenir l’autorisation écrite de l’AUC :
- Afficher l’article sur tout site Web.
- Traduire ou autoriser une tierce partie à traduire l’article.
- Copier ou reproduire l’article par quelque moyen que ce soit et sous tout format que ce soit, ou autoriser d’autres à le faire, au-delà de ce qui est permis par la loi canadienne du droit d’auteur.
- Copier ou reproduire des sections de l’article, y compris les tableaux et figures, par quelque moyen que ce soit, ou autoriser d’autres à le faire, au-delà de ce qui est permis par la loi canadienne du droit d’auteur.
L’AUC encourage l’usage des articles à des fins éducatives sans but commercial et ne refusera pas sans motif raisonnable toute demande d’autorisation à cet effet.
Vous conservez le droit moral lié à l’article et son contenu. Cela signifie que l’AUC ne peut utiliser ses droits d’auteurs d’une manière telle que cela pourrait avoir des répercussions négatives sur votre réputation ou sur votre droit à être associé à l’article.
L’AUC exige également que vous garantissiez ce qui suit :
- Vous êtes l’auteur ou les auteurs et seul(s) propriétaire(s) du contenu, le contenu de l’article est original et n’a jamais été publié et vous n’en avez pas déjà cédé les droits d’auteurs ni accordé de licence concernant son contenu à toute autre tierce partie;
- Toutes les personnes qui ont contribué de manière considérable à la rédaction de l’article sont mentionnées;
- L’article ne viole aucun droit de propriété de toute tierce partie, et vous avez obtenu les autorisations requises pour inclure les travaux d’autres personnes dans cet article; et
- L’article ne diffame aucune tierce partie ni ne viole les droits à la vie privée de toute tierce partie.
