Explainable artificial intelligence to predict the risk of side-specific extraprostatic extension in pre-prostatectomy patients

Auteurs-es

  • Jethro C.C. Kwong Division of Urology, Department of Surgery, University of Toronto, Toronto, Ontario, Canada
  • Adree Khondker
  • Christopher Tran
  • Emily Evans
  • Adrian I. Cozma
  • Ashkan Javidan
  • Amna Ali
  • Munir Jamal
  • Thomas Short
  • Frank Papanikolaou
  • John R. Srigley
  • Benjamin Fine
  • Andrew Feifer

DOI :

https://doi.org/10.5489/cuaj.7473

Mots-clés :

machine learning, explainable artificial intelligence, model explaianbility, prostate cancer, extraprostatic extension

Résumé

Introduction: We aimed to develop an explainable machine learning (ML) model to predict side-specific extraprostatic extension (ssEPE) to identify patients who can safely undergo nerve-sparing radical prostatectomy using preoperative clinicopathological variables.

Methods: A retrospective sample of clinicopathological data from 900 prostatic lobes at our institution was used as the training cohort. Primary outcome was the presence of ssEPE. The baseline model for comparison had the highest performance out of current biopsyderived predictive models for ssEPE. A separate logistic regression (LR) model was built using the same variables as the ML model. All models were externally validated using a testing cohort of 122 lobes from another institution. Models were assessed by area under receiver-operating-characteristic curve (AUROC), precision-recall curve (AUPRC), calibration, and decision curve analysis. Model predictions were explained using SHapley Additive exPlanations. This tool was deployed as a publicly available web application.

Results: Incidence of ssEPE in the training and testing cohorts were 30.7 and 41.8%, respectively. The ML model achieved AUROC 0.81 (LR 0.78, baseline 0.74) and AUPRC 0.69 (LR 0.64, baseline 0.59) on the training cohort. On the testing cohort, the ML model achieved AUROC 0.81 (LR 0.76, baseline 0.75) and AUPRC 0.78 (LR 0.75, baseline 0.70). The ML model was explainable, well-calibrated, and achieved the highest net benefit for clinically relevant cutoffs of 10–30%.

Conclusions: We developed a user-friendly application that enables physicians without prior ML experience to assess ssEPE risk and understand factors driving these predictions to aid surgical planning and patient counselling (https://share.streamlit.io/jcckwong/ ssepe/main/ssEPE_V2.py).

Téléchargements

Les données relatives au téléchargement ne sont pas encore disponibles.

Téléchargements

Publié-e

2022-01-27

Comment citer

Kwong, J. C., Khondker, A., Tran, C., Evans, E., Cozma, A. I., Javidan, A., … Feifer, A. (2022). Explainable artificial intelligence to predict the risk of side-specific extraprostatic extension in pre-prostatectomy patients. Canadian Urological Association Journal, 16(6), 213–21. https://doi.org/10.5489/cuaj.7473

Numéro

Vol. 16 No. 6 (2022): CUAJ June

Rubrique

Original Research

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.