摘要
目的:基于IQon Spectral CT平扫图像,通过影像组学联合机器学习方法,研究其在甲状腺良恶性结节诊断及鉴别诊断中的临床价值。方法:回顾性收集107例(161个结节)经病理证实的甲状腺结节患者CT平扫图像,应用RadCloud平台对影像学特征进行提取分析,采用k-NearestNeighbor(KNN)、支持向量机(SVM)和logistic回归(LR)分类器建立预测模型(分为训练组和测试组,训练组和测试组的比例为4∶1),并评价预测模型的性能。结果:KNN、SVM和logistic回归三种模型预测效能相当,其中SVM模型性能相对较优,预测模型的ROC曲线下面积为0.822(95%可信区间:0.750~0.890),敏感度为77%,特异度为77%;在测试组中ROC曲线下面积为0.790(95%可信区间:0.640~0.940),敏感度为71%,特异度为68%。结论:基于影像组学联合机器学习算法在甲状腺结节的良恶性鉴别诊断中具有显著的临床价值。
作者
陈莉军
胡玉龙
魏鑫鑫
潘晓晔
路安庆
王虎
高博
CHEN Lijun;HU Yulong;WEI Xinxin;PAN Xiaoye;LU Anqing;WANG Hu;GAO Bo
出处
《甘肃医药》
2023年第9期812-814,共3页
Gansu Medical Journal
基金
甘肃省自然科学基金项目(编号:21JR7RA619)。
