目的使用影像组学方法构建一个影像组学标签分类模型，对肺肿瘤良恶性进行分类预测。方法分析四川大学华西医院80例怖肿瘤患者的CT影像学数据，分割肿瘤区域，提取肿瘤形状、大小、强化程度、纹理和小波变换共485个影像组学特征。利用La...目的使用影像组学方法构建一个影像组学标签分类模型，对肺肿瘤良恶性进行分类预测。方法分析四川大学华西医院80例怖肿瘤患者的CT影像学数据，分割肿瘤区域，提取肿瘤形状、大小、强化程度、纹理和小波变换共485个影像组学特征。利用Lasso算法筛选出与肿瘤良恶性鉴别最密切的组学特征，并使用Logistic回归构建诊断肿瘤良恶性的预测模型。采用受试者工作特征（receiver operating characteristic．ROC）曲线及其曲线下面积（area under curve，AUC）来评估该影像组学标签在训练集和验证集中的效能。结果选取3个影像组学特征构建出影像组学标签，具有很好的预测分类效果。训练集的AUC为0870（95％CI：0760-0978J，灵敏度为0.870，特异度为0.818；验证集的AUC为0.853（95％CI：0.717-0.989），灵敏度为0.882，特异度为0.778。结论随着CT在临床诊断中的广泛使用，真有望成为辅助检测肿瘤良恶性的非侵入手段。展开更多
文摘目的使用影像组学方法构建一个影像组学标签分类模型，对肺肿瘤良恶性进行分类预测。方法分析四川大学华西医院80例怖肿瘤患者的CT影像学数据，分割肿瘤区域，提取肿瘤形状、大小、强化程度、纹理和小波变换共485个影像组学特征。利用Lasso算法筛选出与肿瘤良恶性鉴别最密切的组学特征，并使用Logistic回归构建诊断肿瘤良恶性的预测模型。采用受试者工作特征（receiver operating characteristic．ROC）曲线及其曲线下面积（area under curve，AUC）来评估该影像组学标签在训练集和验证集中的效能。结果选取3个影像组学特征构建出影像组学标签，具有很好的预测分类效果。训练集的AUC为0870（95％CI：0760-0978J，灵敏度为0.870，特异度为0.818；验证集的AUC为0.853（95％CI：0.717-0.989），灵敏度为0.882，特异度为0.778。结论随着CT在临床诊断中的广泛使用，真有望成为辅助检测肿瘤良恶性的非侵入手段。
