期刊导航
期刊开放获取
cqvip
退出
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
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
检索
高级检索
期刊导航
共找到
2
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:
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于表观扩散系数影像组学在鉴别前列腺癌Gleason评分分级分组中的应用
被引量:
12
1
作者
赵士玉
刘子桢
+2 位作者
卢山
郭瑜
沈文
《临床放射学杂志》
北大核心
2022年第2期298-302,共5页
目的探讨基于表观扩散系数(ADC)影像组学模型对前列腺癌(PCa)Gleason评分分级分组(GG)≤2与GG>2的鉴别诊断价值。方法搜集符合入组标准的PCa患者行MR检查。提取PCa ADC影像组学特征,采用多种后处理方法,训练支持向量机(SVM)、线性判...
目的探讨基于表观扩散系数(ADC)影像组学模型对前列腺癌(PCa)Gleason评分分级分组(GG)≤2与GG>2的鉴别诊断价值。方法搜集符合入组标准的PCa患者行MR检查。提取PCa ADC影像组学特征,采用多种后处理方法,训练支持向量机(SVM)、线性判别分析(LDA)、自编码器(AE)、随机森林(RF)、逻辑回归(LR)、LR-Lasso、AB、决策树(DT)、高斯过程(GP)和朴素贝叶斯(NB)10个机器模型,分析鉴别GG≤2与GG>2最佳模型。结果最佳后处理组合是经上采样平衡数据、Z-score归一化、主成分分析(PCA)降维和递归特征消除(RFE)特征选择组合后的AE模型机器学习,AE模型机器学习训练组准确率、曲线下面积(AUC)、敏感度及特异度分别65.0%、0.705、51.1%、82.9%;测试组准确率、AUC、敏感度及特异度分别88.2%、0.930、89.5%、86.7%。结论 AE模型机器学习鉴别GG≤2与GG>2效果最佳,进而对PCa的治疗方案及预后评估起到指导性作用。
展开更多
关键词
前列腺癌
gleason
评分
分级
分组
表观扩散系数
鉴别诊断
原文传递
基于双参数MRI影像组学机器学习鉴别前列腺癌Gleason评分分级分组中的应用
被引量:
2
2
作者
孙于越
张濬韬
+1 位作者
苏月婷
田为中
《中国CT和MRI杂志》
2023年第8期118-120,共3页
目的探讨基于双参数MRI影像组学机器学习模型对前列腺癌(PCa)Gleason评分分级分组中的价值。方法回顾性收集经病理证实为PCa的患者138例,其中GG>2患者83例,GG≤2患者55例。所有病人术前均进行MRI检查。按7∶3将患随机分为训练集和测...
目的探讨基于双参数MRI影像组学机器学习模型对前列腺癌(PCa)Gleason评分分级分组中的价值。方法回顾性收集经病理证实为PCa的患者138例,其中GG>2患者83例,GG≤2患者55例。所有病人术前均进行MRI检查。按7∶3将患随机分为训练集和测试集,分别用于影像组学模型的机器学习和验证,采用RF、SVM和XGboost构建3组模型(ADC、T_(2)WI、ADC+T_(2)WI),采用受试者操作特征(ROC)曲线评估析各模型鉴别GG≤2与GG>2PCa的诊断效能。结果测试集中应用SVM算法的T_(2)WI+ADC模型诊断效能最高,AUC为0.896。其次为T_(2)WI+ADC中的RF模型,AUC为0.871。在各特征集中,RF和SVM算法的模型的AUC均高于XGboost算法。结论基于双参数MRI影像组学机器学习模型可较好地鉴别GG≤2与GG>2PCa。
展开更多
关键词
前列腺癌
gleason
评分
分级
分组
影像组学
机器学习
下载PDF
职称材料
题名
基于表观扩散系数影像组学在鉴别前列腺癌Gleason评分分级分组中的应用
被引量:
12
1
作者
赵士玉
刘子桢
卢山
郭瑜
沈文
机构
天津医科大学朱宪彝纪念医院放射科、天津市内分泌研究所、国家卫健委激素与发育重点实验室、天津市代谢性疾病重点实验室
天津市第一中心医院放射科
出处
《临床放射学杂志》
北大核心
2022年第2期298-302,共5页
文摘
目的探讨基于表观扩散系数(ADC)影像组学模型对前列腺癌(PCa)Gleason评分分级分组(GG)≤2与GG>2的鉴别诊断价值。方法搜集符合入组标准的PCa患者行MR检查。提取PCa ADC影像组学特征,采用多种后处理方法,训练支持向量机(SVM)、线性判别分析(LDA)、自编码器(AE)、随机森林(RF)、逻辑回归(LR)、LR-Lasso、AB、决策树(DT)、高斯过程(GP)和朴素贝叶斯(NB)10个机器模型,分析鉴别GG≤2与GG>2最佳模型。结果最佳后处理组合是经上采样平衡数据、Z-score归一化、主成分分析(PCA)降维和递归特征消除(RFE)特征选择组合后的AE模型机器学习,AE模型机器学习训练组准确率、曲线下面积(AUC)、敏感度及特异度分别65.0%、0.705、51.1%、82.9%;测试组准确率、AUC、敏感度及特异度分别88.2%、0.930、89.5%、86.7%。结论 AE模型机器学习鉴别GG≤2与GG>2效果最佳,进而对PCa的治疗方案及预后评估起到指导性作用。
关键词
前列腺癌
gleason
评分
分级
分组
表观扩散系数
鉴别诊断
Keywords
Prostate cancer
gleason
grade group
Apparent diffusion coefficient
Differential diagnosis
分类号
R737.25 [医药卫生—肿瘤]
R445.2 [医药卫生—临床医学]
原文传递
题名
基于双参数MRI影像组学机器学习鉴别前列腺癌Gleason评分分级分组中的应用
被引量:
2
2
作者
孙于越
张濬韬
苏月婷
田为中
机构
大连医科大学研究生院
通用电气医疗通用电器药业高级应用团队
泰州市人民医院影像科
出处
《中国CT和MRI杂志》
2023年第8期118-120,共3页
基金
泰州市科技支撑计划(社会发展)项目(TS201906)。
文摘
目的探讨基于双参数MRI影像组学机器学习模型对前列腺癌(PCa)Gleason评分分级分组中的价值。方法回顾性收集经病理证实为PCa的患者138例,其中GG>2患者83例,GG≤2患者55例。所有病人术前均进行MRI检查。按7∶3将患随机分为训练集和测试集,分别用于影像组学模型的机器学习和验证,采用RF、SVM和XGboost构建3组模型(ADC、T_(2)WI、ADC+T_(2)WI),采用受试者操作特征(ROC)曲线评估析各模型鉴别GG≤2与GG>2PCa的诊断效能。结果测试集中应用SVM算法的T_(2)WI+ADC模型诊断效能最高,AUC为0.896。其次为T_(2)WI+ADC中的RF模型,AUC为0.871。在各特征集中,RF和SVM算法的模型的AUC均高于XGboost算法。结论基于双参数MRI影像组学机器学习模型可较好地鉴别GG≤2与GG>2PCa。
关键词
前列腺癌
gleason
评分
分级
分组
影像组学
机器学习
Keywords
Prostate Cancer
gleason
Grade Group
Radiomics
Machine Learning
分类号
R697.3 [医药卫生—泌尿科学]
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
基于表观扩散系数影像组学在鉴别前列腺癌Gleason评分分级分组中的应用
赵士玉
刘子桢
卢山
郭瑜
沈文
《临床放射学杂志》
北大核心
2022
12
原文传递
2
基于双参数MRI影像组学机器学习鉴别前列腺癌Gleason评分分级分组中的应用
孙于越
张濬韬
苏月婷
田为中
《中国CT和MRI杂志》
2023
2
下载PDF
职称材料
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
确定
用户登录
登录
IP登录
使用帮助
返回顶部