期刊文献+
共找到2篇文章
< 1 >
每页显示 20 50 100
基于CT放射组学的机器学习模型预测肺腺癌气腔播散的研究
1
作者 陈亚曦 康文炎 +2 位作者 江长思 罗德红 龚静山 《临床放射学杂志》 北大核心 2023年第4期606-611,共6页
目的探讨基于术前CT放射组学的机器学习模型预测肺腺癌气腔播散(STAS)的价值。方法回顾性分析829例病理证实为肺腺癌并且术前3个月行CT检查的患者资料。在中心Ⅰ的709例患者中,采用单因素分析比较STAS状态与临床及放射组学特征间的差异(... 目的探讨基于术前CT放射组学的机器学习模型预测肺腺癌气腔播散(STAS)的价值。方法回顾性分析829例病理证实为肺腺癌并且术前3个月行CT检查的患者资料。在中心Ⅰ的709例患者中,采用单因素分析比较STAS状态与临床及放射组学特征间的差异(P<0.05)。随机从中心Ⅰ的578例STAS阴性患者中,选取25%(150例)与131例STAS阳性患者构建放射组学信号。采用10折叠交叉验证(10-fold cross-validation)套索回归(LASSO)进一步特征筛选并用多元Logstic回归建立放射组学信号。将中心Ⅰ患者按0.7∶0.3比例分为训练集及内部验证集。在训练集中用利用放射组学信号和差异有统计学意义的临床特征采用多因素Logstic回归建立预测模型并绘制列线图(Nomogram)。以中心Ⅱ的120例患者作为测试集检验模型的预测效能。结果多因素Logistics回归结果表明性别和组学分数为独立危险因素。联合模型的在训练集曲线下面积(AUC)为0.84(90%CI:0.80~0.88),在内部验证集和外部测试集的AUC分别为0.83(95%CI:0.78~0.90)及0.80(95%CI:0.68~0.92)。结论基于术前CT放射组学的机器学习模型预测肺腺癌STAS状态可达到较高的诊断效能,可为临床手术方式的选择提供决策支持。 展开更多
关键词 放射组学 机器学习 肺腺癌 气腔播散(stas)
原文传递
ⅠA期肺腺癌气道播散临床病理因素分析 被引量:4
2
作者 陈亮 王喆歆 姚烽 《上海交通大学学报(医学版)》 CAS CSCD 北大核心 2020年第7期957-961,共5页
目的·研究ⅠA期肺腺癌发生气道播散(spread through air space,STAS)的临床及病理危险因素。方法·回顾性收集2018年1月—2019年10月于上海交通大学附属胸科医院接受肺部手术且经术后病理诊断为ⅠA期肺腺癌患者的临床资料。根... 目的·研究ⅠA期肺腺癌发生气道播散(spread through air space,STAS)的临床及病理危险因素。方法·回顾性收集2018年1月—2019年10月于上海交通大学附属胸科医院接受肺部手术且经术后病理诊断为ⅠA期肺腺癌患者的临床资料。根据是否存在STAS将其分为有STAS组和无STAS组。采用单因素分析及二分类Logistic回归分析对ⅠA期肺腺癌发生STAS的危险因素进行研究。结果·共计纳入ⅠA期肺腺癌患者1365例,其中无STAS组患者1312例,有STAS组患者53例。单因素分析显示,2组患者在性别、肺腺癌主要亚型上差异具有统计学意义(均P=0.000),而T分期的差异则无统计学意义。二分类Logistic回归分析显示,男性及非伏壁型为主的腺癌亚型是独立危险因素。结论·对于ⅠA期肺腺癌的治疗,尤其包含微乳头亚型,临床医师应注意STAS发生的可能。 展开更多
关键词 肺腺癌 微乳头 气道播散
下载PDF
上一页 1 下一页 到第
使用帮助 返回顶部