期刊导航
期刊开放获取
上海教育软件发展有限公..
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
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：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
磁共振高分辨率延迟期的可解释性机器学习模型术前预测浸润性乳腺癌组织学分级
1
作者
匡静
黄松涛
+1 位作者
黄小华
胡云涛
《磁共振成像》
北大核心
2025年第5期164-169,216,共7页
目的探讨基于磁共振高分辨率增强延迟期图像的夏普利加性解释(Shapley additive explanations,SHAP)机器学习模型术前预测非特殊型浸润性乳腺癌组织分级的价值。材料与方法回顾性收集2019年1月至2023年12月154例非特殊型浸润性乳腺癌患...
目的探讨基于磁共振高分辨率增强延迟期图像的夏普利加性解释(Shapley additive explanations,SHAP)机器学习模型术前预测非特殊型浸润性乳腺癌组织分级的价值。材料与方法回顾性收集2019年1月至2023年12月154例非特殊型浸润性乳腺癌患者的临床-病理-影像学资料,根据病理活检结果将Ⅰ级、Ⅱ级纳入低级别组和Ⅲ级纳入高级别组。按7∶3比例随机分为训练组(n=107)和验证组(n=47)。利用3D slicer勾画病灶边缘并提取影像组学特征。通过多因素分析筛选影像组学特征。通过随机森林(random forest,RF)、logistic回归建立影像组学特征模型,采用logistic回归建立临床模型、影像学模型,以及影像学-临床-影像组学特征联合模型。采用受试者工作特征(receiver operating characteristic,ROC)曲线下面积AUC(area under the curve,AUC)、准确率评估模型的效能,模型比较采用DeLong检验。通过SHAP分析可视化特征在模型中的贡献度和重要性。结果孕激素受体(progesterone receptor,PR)、肿瘤边界、细胞增殖因子(Ki-67)、雌激素受体(estrogen receptor,ER)在低级别组和高级别组之间差异有统计学意义(P<0.05)。基于影像学-临床-影像组学特征的联合模型术前预测浸润性乳腺癌组织分级的AUC值最高,在训练组和验证组的AUC分别为0.807(95%CI:0.723~0.891)、0.890(95%CI:0.795~0.984)。两种独立的影像组学特征模型中,logistic影像组学模型无明显过拟合,在训练组和验证组的AUC分别为0.750(95%CI:0.655~0.846)、0.801(95%CI:0.667~0.936)。临床模型、影像学模型在训练组的AUC分别为0.661(95%CI:0.551~0.771),0.600(95%CI:0.493~0.706),在验证组的AUC分别为0.789(95%CI:0.645~0.933),0.708(95%CI:0.565~0.850)。结论联合模型术前预测非特殊型浸润性乳腺癌分级的效能较好,可为临床术前治疗乳腺癌提供一定指导。
展开更多
关键词
磁共振
成像
可解释性机器学习
高分辨率延迟期成像
浸润性乳腺癌
分级
在线阅读
下载PDF
职称材料
题名
磁共振高分辨率延迟期的可解释性机器学习模型术前预测浸润性乳腺癌组织学分级
1
作者
匡静
黄松涛
黄小华
胡云涛
机构
四川大学华西广安医院广安市人民医院放射科
川北医学院附属医院放射科
四川省肿瘤医院放射科
出处
《磁共振成像》
北大核心
2025年第5期164-169,216,共7页
基金
南充市校科技战略合作项目(编号:19SXHZ0429)。
文摘
目的探讨基于磁共振高分辨率增强延迟期图像的夏普利加性解释(Shapley additive explanations,SHAP)机器学习模型术前预测非特殊型浸润性乳腺癌组织分级的价值。材料与方法回顾性收集2019年1月至2023年12月154例非特殊型浸润性乳腺癌患者的临床-病理-影像学资料,根据病理活检结果将Ⅰ级、Ⅱ级纳入低级别组和Ⅲ级纳入高级别组。按7∶3比例随机分为训练组(n=107)和验证组(n=47)。利用3D slicer勾画病灶边缘并提取影像组学特征。通过多因素分析筛选影像组学特征。通过随机森林(random forest,RF)、logistic回归建立影像组学特征模型,采用logistic回归建立临床模型、影像学模型,以及影像学-临床-影像组学特征联合模型。采用受试者工作特征(receiver operating characteristic,ROC)曲线下面积AUC(area under the curve,AUC)、准确率评估模型的效能,模型比较采用DeLong检验。通过SHAP分析可视化特征在模型中的贡献度和重要性。结果孕激素受体(progesterone receptor,PR)、肿瘤边界、细胞增殖因子(Ki-67)、雌激素受体(estrogen receptor,ER)在低级别组和高级别组之间差异有统计学意义(P<0.05)。基于影像学-临床-影像组学特征的联合模型术前预测浸润性乳腺癌组织分级的AUC值最高,在训练组和验证组的AUC分别为0.807(95%CI:0.723~0.891)、0.890(95%CI:0.795~0.984)。两种独立的影像组学特征模型中,logistic影像组学模型无明显过拟合,在训练组和验证组的AUC分别为0.750(95%CI:0.655~0.846)、0.801(95%CI:0.667~0.936)。临床模型、影像学模型在训练组的AUC分别为0.661(95%CI:0.551~0.771),0.600(95%CI:0.493~0.706),在验证组的AUC分别为0.789(95%CI:0.645~0.933),0.708(95%CI:0.565~0.850)。结论联合模型术前预测非特殊型浸润性乳腺癌分级的效能较好,可为临床术前治疗乳腺癌提供一定指导。
关键词
磁共振
成像
可解释性机器学习
高分辨率延迟期成像
浸润性乳腺癌
分级
Keywords
magnetic resonance imaging
explainable machine learning
high-resolution delayed-phase imaging
invasive breast cancer
grading
分类号
R445.2 [医药卫生—影像医学与核医学]
R737.9 [医药卫生—肿瘤]
在线阅读
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
磁共振高分辨率延迟期的可解释性机器学习模型术前预测浸润性乳腺癌组织学分级
匡静
黄松涛
黄小华
胡云涛
《磁共振成像》
北大核心
2025
0
在线阅读
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
