目的探讨基于多参数MRI的瘤内和瘤周影像组学特征术前预测临床淋巴结阴性乳腺癌淋巴血管浸润(LVI)的价值。资料与方法回顾性分析2017年1月—2021年5月河南省人民医院术后病理证实的280例乳腺癌临床病理及乳腺MRI资料,其中LVI阳性100例,...目的探讨基于多参数MRI的瘤内和瘤周影像组学特征术前预测临床淋巴结阴性乳腺癌淋巴血管浸润(LVI)的价值。资料与方法回顾性分析2017年1月—2021年5月河南省人民医院术后病理证实的280例乳腺癌临床病理及乳腺MRI资料,其中LVI阳性100例,阴性180例;并将其随机分为训练集和测试集。经Z分数归一化、Select K Best和最小绝对收缩与选择算子回归筛选特征,采用随机森林算法分别构建瘤内、瘤周及瘤内-瘤周影像组学模型预测LVI状态。以受试者工作特征曲线下面积(AUC)、校准曲线和决策曲线分析评估模型性能和临床应用价值。结果Ki-67高表达(≥20%)、腋窝淋巴结转移和扩散加权成像(DWI)边缘征阳性在LVI阳性组中比例较高(χ^(2)=5.959、18.316、20.554,P<0.05)。在测试集,动态对比增强(DCE)瘤内模型和DCE瘤内-瘤周模型预测LVI状态的AUC高于DWI序列,而DWI瘤周模型的AUC高于DCE序列。DWI联合DCE序列的瘤内-瘤周模型在训练集和测试集的AUC分别为0.836和0.818,其预测LVI状态的效能高于单序列瘤内-瘤周模型。决策曲线分析显示,DWI联合DCE序列的瘤内-瘤周模型在合理阈值范围内具有更高的临床净效益。结论基于多参数MRI瘤内及瘤周影像组学模型可有效预测临床淋巴结阴性乳腺癌LVI状态,为术前制订个体化治疗决策提供参考。展开更多
在线社交网络中虚假信息传播蔓延成为当前网络空间安全治理面临的重要挑战。提出一种融合用户传播风险和节点影响力分析的虚假信息传播控制方法DDC-UPRNI(disinformation diffusion control method integrating user propagation risk a...在线社交网络中虚假信息传播蔓延成为当前网络空间安全治理面临的重要挑战。提出一种融合用户传播风险和节点影响力分析的虚假信息传播控制方法DDC-UPRNI(disinformation diffusion control method integrating user propagation risk and node influence analysis)。综合考虑虚假信息传播特征空间的多样性和复杂性,通过自注意力机制实现用户传播虚假信息行为维度、时间维度和内容维度特征的嵌入表示,运用改进的无监督聚类K-means++算法实现不同用户传播风险等级的自动划分;设计一种自适应加权策略实现对离散粒子群优化算法的改进,进而提出一种基于离散粒子群优化的虚假信息传播关键节点选取方法,用于从具有特定传播风险等级的用户节点集合中选取若干个具有影响力的控制驱动节点,从而实现精准、高效的虚假信息传播控制;基于现实在线社交网络平台上开展试验,结果表明,所提出的DDC-UPRNI方法与现有算法相比,在控制效果和时间复杂度等重要指标上具有明显优势。该方法为社会网络空间中的虚假信息管控治理提供重要参考。展开更多
文摘目的探讨基于多参数MRI的瘤内和瘤周影像组学特征术前预测临床淋巴结阴性乳腺癌淋巴血管浸润(LVI)的价值。资料与方法回顾性分析2017年1月—2021年5月河南省人民医院术后病理证实的280例乳腺癌临床病理及乳腺MRI资料,其中LVI阳性100例,阴性180例;并将其随机分为训练集和测试集。经Z分数归一化、Select K Best和最小绝对收缩与选择算子回归筛选特征,采用随机森林算法分别构建瘤内、瘤周及瘤内-瘤周影像组学模型预测LVI状态。以受试者工作特征曲线下面积(AUC)、校准曲线和决策曲线分析评估模型性能和临床应用价值。结果Ki-67高表达(≥20%)、腋窝淋巴结转移和扩散加权成像(DWI)边缘征阳性在LVI阳性组中比例较高(χ^(2)=5.959、18.316、20.554,P<0.05)。在测试集,动态对比增强(DCE)瘤内模型和DCE瘤内-瘤周模型预测LVI状态的AUC高于DWI序列,而DWI瘤周模型的AUC高于DCE序列。DWI联合DCE序列的瘤内-瘤周模型在训练集和测试集的AUC分别为0.836和0.818,其预测LVI状态的效能高于单序列瘤内-瘤周模型。决策曲线分析显示,DWI联合DCE序列的瘤内-瘤周模型在合理阈值范围内具有更高的临床净效益。结论基于多参数MRI瘤内及瘤周影像组学模型可有效预测临床淋巴结阴性乳腺癌LVI状态,为术前制订个体化治疗决策提供参考。
文摘在线社交网络中虚假信息传播蔓延成为当前网络空间安全治理面临的重要挑战。提出一种融合用户传播风险和节点影响力分析的虚假信息传播控制方法DDC-UPRNI(disinformation diffusion control method integrating user propagation risk and node influence analysis)。综合考虑虚假信息传播特征空间的多样性和复杂性,通过自注意力机制实现用户传播虚假信息行为维度、时间维度和内容维度特征的嵌入表示,运用改进的无监督聚类K-means++算法实现不同用户传播风险等级的自动划分;设计一种自适应加权策略实现对离散粒子群优化算法的改进,进而提出一种基于离散粒子群优化的虚假信息传播关键节点选取方法,用于从具有特定传播风险等级的用户节点集合中选取若干个具有影响力的控制驱动节点,从而实现精准、高效的虚假信息传播控制;基于现实在线社交网络平台上开展试验,结果表明,所提出的DDC-UPRNI方法与现有算法相比,在控制效果和时间复杂度等重要指标上具有明显优势。该方法为社会网络空间中的虚假信息管控治理提供重要参考。
