تشخیص سرطان پروستات (PCa) به دلیل همپوشانی ویژگی‌های بالینی با هیپرپلازی خوش‌خیم پروستات (BPH) و محدودیت‌های ابزارهای تشخیصی موجود مانند آزمایش‌های PSA که میزان مثبت کاذب بالایی را به همراه دارند، همچنان چالش‌برانگیز است. در این مطالعه که در کشور هند انجام شده است ، پتانسیل نشانگرهای زیستی میکرو RNA (miRNA) را که از طریق واکنش زنجیره‌ای پلیمراز رونویسی معکوس و یادگیری ماشینی (ML) تجزیه و تحلیل می‌شوند، برای افزایش دقت تشخیصی بررسی شد. miRNAهایی مانند miR-21-5p، miR-141-3p و miR-221-3p از طریق یک مطالعه کوهورت آینده‌نگر به عنوان تمایزدهنده‌های مهم بین PCa و BPH شناسایی شدند. پروفایل miRNA در خون ، نمایش سیستمیک قوی از وضعیت بیماری را ارائه داد. یک مدل یادگیری ماشینی random forest بر روی داده‌های بیان طراحی شد و به معیارهای عملکرد قابل توجهی دست یافت: دقت 77.42٪، AUC 0.78 در طول تأیید و دقت 74.07٪ و AUC 0.75 در اعتبارسنجی. استفاده این مدل از نسبت‌های بیان miRNA، مانند miR-141-3p/miR-221-3p، حساسیت و ویژگی بالاتری را نسبت به آزمایش سنتی PSA نشان داد. تجزیه و تحلیل بیوانفورماتیک، ارتباط miRNAهای انتخاب شده با مسیرهای سرطانی، از جمله ایست بازرسی PD-L1/PD-1 و پیام رسانی گیرنده آندروژن را تأیید کرد و ارتباط بیولوژیکی یافته‌ها را تأیید نمود. این ادغام جدید پروفایل miRNA و یادگیری ماشینی، پتانسیل بالایی برای تشخیص‌های بالینی غیرتهاجمی مبتنی بر miRNA و افزایش دقت تشخیصی دارد. با این حال، مطالعات جمعیتی گسترده‌تر و استانداردسازی پروتکل‌ها برای اطمینان از مقیاس‌پذیری و کاربرد بالینی مورد نیاز است. این نتایج یک چارچوب اساسی برای پیشرفت تشخیص‌های مبتنی بر miRNA و پیاده‌سازی بالینی فراهم می‌کند.