Diagnostic Performance of Polygenic Risk Score Combined Model for Prostate Cancer in Korean Men Undergoing Prostate Biopsy = 전립선 생검을 받은 한국인 남성의 전립선암 다유전적 위험 점수 결합 모델의 진단적 성능

국문 초록 (Abstract)

연구 배경: 전립선 특이 항원 (Prostate Specific Antigen; PSA)은 전립선암 진단을 위한 임상 바이오 마커로 사용된다. 그러나 PSA의 특이도가 낮기 때문에 PSA 수치가 진단 회색 영역 (3~10ng/mL)에 있는 경우 전립선 생검 필요 여부를 결정해야 한다. 조직 검사는 전립선암 진단의 표준으로 여겨지지만 과도한 출혈, 감염, 주변 조직이나 장기 손상과 같은 부작용과 관련된 침습적 시술이다. 이 연구에서는 다유전자 위험 점수 (Polygenic Risk Score; PRS)를 결합한 머신러닝 모델을 개발하여 특히 PSA 회색 영역에서 진단 정확도를 개선할 수 있을 것이다.

연구 방법: 총 1,171명의 샘플을 확보하여 사용하였으며, PSA 회색 영역 내 314명의 전립선암 생검 양성 환자와 857명의 전립선암 생검 음성 환자로 구성되어 있다. 연령, 첫 번째 전립선 생검 전 PSA, 자기공명영상(Magnetic Resonance Imaging; MRI) 및 경직장 초음파상 전립선 용적, PSA 밀도, 전립선암 병기 등의 임상 데이터를 수집하였다. PRS는 한국인 집단에서 확인된 6개의 전립선암 연관 유전자 변이의 가중치 합으로 계산하였다. 머신러닝 기법 중 하나인 로지스틱 회귀분석 기반으로 모델을 구축하였으며, 샘플 불균형을 보완하기 위해 학습 데이터에 통계적 언더 리샘플링 (under re-sampling)을 진행하였다. 언더 리샘플링은 10,000번의 비복원 반복추출 부트스트래핑 (bootstrapping)과 10번의 반복 10겹 교차 검증 (10-fold cross-validation)을 통해 최종 모델을 구축하였다.

연구 결과: 모든 변수 (연령, 첫 번째 전립선 생검 전 전립선특이항원 (PSA), MRI 및 경직장초음파상 전립선 용적, PSA 밀도)는 생검 양성 그룹과 생검 음성 그룹 간에 유의미한 차이를 보였다 (p<0.001). 연령, PSA 밀도, PRS를 결합한 모델은 PSA 단독 (AUC 0.561, 95% CI 0.519-0.603) 및 PSA 밀도 단독(AUC 0.689, 95% CI 0.650-0.729)에 비해 유의하게 개선된 결과 (AUC 0.741, 95% CI 0.705-0.778)를 보였다. PRS를 연령과 PSA 밀도와 같이 사용한 통합 모델 (AUC 0.741, 95% CI 0.705-0.778)에서 검정력이 유의미하게 상승하였으며 (p=0.005), 이는 연령과 PSA 밀도를 포함한 임상 위험 모델 (AUC 0.703, 95% CI 0.665-0.742)보다 성능이 우수하였다. 동일한 민감도 수준인 0.90에서 PRS 통합 모델은 PSA 단독 및 PSA 밀도 단독 모델에 비해 불필요한 생검을 각각 26.5%와 9% 줄였다.

연구 결론: PRS 통합 모델은 PSA 단독 모델, PSA 밀도 단독 모델, 연령 및 PSA 밀도를 포함한 임상 매개변수 모델보다 더 우월한 성능을 보였다. 의사 결정 도구로 PRS를 통합한 모델을 구현하면 불필요한 생검을 효과적으로 줄이면서 환자에 대한 잠재적 위험을 최소화할 수 있다.

다국어 초록 (Multilingual Abstract)

Introduction: Prostate-specific antigen (PSA) is used as a clinical biomarker for diagnosis of prostate cancer (PCa). However, due to the low specificity of PSA, it is necessary to determine whether to require prostate biopsy when the PSA level is in the diagnostic gray zone (3-10ng/mL). While biopsy is considered the gold standard for PCa diagnosis, it is an invasive procedure associated with side effects such as excessive bleeding, infection, and damage to nearby tissue or organs. In this study, we developed a machine learning model that combines the polygenic risk score (PRS) to improve diagnostic accuracy, particularly in the PSA gray zone.

Method: A total of 1,171 samples were obtained and used, consisting of 314 PCa biopsy-positive (Bx-pos) patients and 857 PCa biopsy-negative (Bx- neg) patients within the PSA gray zone. Clinical data, including age, PSA before the initial prostate biopsy, prostate volume on Magnetic Resonance Imaging (MRI) and transrectal ultrasound, PSA density (PSAD), and PCa status, were collected. PRS was calculated as the weighted sum of 6 PCa association genetic mutations identified in Korean populations. The model was built based on logistic regression, one of the machine learning techniques, and statistical under re-sampling was performed on the training data to supplement for sample imbalance. The final model with under re-sampling was constructed using 10,000 times non-replacement bootstrapping and 10 repeated 10-fold cross-validation.

Results: All variables (age, PSA before the initial prostate biopsy, prostate volume on MRI and transrectal ultrasound, PSAD) showed significant differences between the Bx-pos and Bx-neg groups (p<0.001). The combined model with age, PSAD and PRS significantly improved performance (AUC 0.741, 95% CI 0.705-0.778) compared to PSA alone (AUC 0.561, 95% CI 0.519-0.603) and PSAD alone (AUC 0.689, 95% CI 0.650-0.729). Statistical power was significantly increased (p=0.005) in the combined model using PRS with age and PSAD (AUC 0.741, 95% CI 0.705-0.778), which outperformed the clinical risk model including age and PSAD (AUC 0.703, 95% CI 0.665-0.742). At the same sensitivity level of 0.90, the PRS-integrated model reduced unnecessary biopsies by 26.5% and 9% compared to the PSA- only and PSAD-only models, respectively.

Conclusion: The PRS combined model showed superior performance the PSA- only, PSAD-only models, and the clinical parameter model including age and PSAD. Implementing a model incorporating PRS as a decision-making tool can effectively reduce unnecessary biopsies while minimizing potential risks to patients.

목차 (Table of Contents)

• Chapter 1. Introduction 1
• 1.1 Background 1
• 1.2 Objective 4
• Chapter 2. Methods 5
• 2.1 Study design and participants 5
• 2.2 Single Nucleotide polymorphism selection 6
• 2.3 Polygenic Risk Score 7
• 2.4 Development of predictive PCa risk model combining with PRS 8
• 2.5 Statistical analysis 11
• Chapter 3. Result 13
• 3.1 Descriptive statistical analysis 13
• 3.2 Association of PRS with prostate cancer 15
• 3.3 Evaluation of PRS combined model 16
• Chapter 4. Discussion 19
• References 41
• Abstract in Korean 47