期刊文献+
共找到2篇文章
< 1 >
每页显示 20 50 100
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
上一页 1 下一页 到第
使用帮助 返回顶部