期刊文献+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到1篇文章
< 1 >
每页显示 20 50 100
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
基于增强CT影像组学的机器学习模型鉴别诊断低风险胃间质瘤 被引量：5
1
作者 范莉芳 赵劲松 +3 位作者 吴树剑 徐晓燕 徐争元 傅雨晨 《中国肿瘤临床》 CAS CSCD 北大核心 2023年第8期411-417,共7页
目的:探讨基于增强CT影像组学的机器学习(machine learning,ML)模型鉴别低风险胃间质瘤(gastric stromal tumor,GST)与良性胃黏膜下肿瘤(gastric submucosal tumor,GSMT)的价值。方法:回顾性分析2013年1月至2022年3月皖南医学院弋矶山医... 目的:探讨基于增强CT影像组学的机器学习(machine learning,ML)模型鉴别低风险胃间质瘤(gastric stromal tumor,GST)与良性胃黏膜下肿瘤(gastric submucosal tumor,GSMT)的价值。方法:回顾性分析2013年1月至2022年3月皖南医学院弋矶山医院84例低风险GST及51例良性GSMT患者的临床及影像资料。将患者随机分为训练集(n=94)和测试集(n=41)。基于增强CT静脉期利用ITK-SNAP软件分割图像,AK软件提取影像组学特征,mRMR、Spearman秩相关及LASSO回归对特征降维,建立影像组学标签评分(Radscore)。采用单因素及多因素Logistic回归筛选独立危险因素,使用支持向量机(suppor vector machine,SVM)建立预测模型,用测试集检测模型的泛化能力,受试者工作特征(receiver operating characteristic,ROC)曲线下面积(area under curve,AUC)评估模型效能。结果:多因素分析年龄、形态、生长部位、长径/短径(long diameter,LD/short diameter,SD)及Radscore为独立危险因素,SVM建立预测模型的AUC训练集为0.933、测试集为0.913。结论:基于增强CT影像组学的SVM算法构建的模型能够有效地鉴别低风险GST与良性GSMT,且模型具有较好的泛化能力。 展开更多
关键词 影像组学 机器学习 鉴别诊断 低风险胃间质瘤
下载PDF
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 下一页 到第 页
使用帮助 返回顶部