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
社会网络是现实社会在网络空间的延伸,研究社会网络的结构特征对于发现网络结构、预测网络行为、保障网络安全有着重要的意义.社团结构是社会网络最重要的一种结构特征.近年来,研究人员提出了大量的社团检测算法,但大多集中在无权网络,...社会网络是现实社会在网络空间的延伸,研究社会网络的结构特征对于发现网络结构、预测网络行为、保障网络安全有着重要的意义.社团结构是社会网络最重要的一种结构特征.近年来,研究人员提出了大量的社团检测算法,但大多集中在无权网络,不能处理网络中越来越复杂的连接关系.为了衡量有向加权网络中节点之间的关联强度,提出了一种新的节点亲密度定义,在此基础上设计了一种基于节点亲密度和度的社团结构检测方法(community detecting method based on node intimacy and degree,CDID),并在真实的社会网络数据集上进行了实验验证.与传统的社团检测方法相比,CDID方法能够获得更加准确的社团划分结果,并为无向无权、有向无权、无向加权、有向加权网络的社团划分提供了一种统一的解决方法.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。
文摘社会网络是现实社会在网络空间的延伸,研究社会网络的结构特征对于发现网络结构、预测网络行为、保障网络安全有着重要的意义.社团结构是社会网络最重要的一种结构特征.近年来,研究人员提出了大量的社团检测算法,但大多集中在无权网络,不能处理网络中越来越复杂的连接关系.为了衡量有向加权网络中节点之间的关联强度,提出了一种新的节点亲密度定义,在此基础上设计了一种基于节点亲密度和度的社团结构检测方法(community detecting method based on node intimacy and degree,CDID),并在真实的社会网络数据集上进行了实验验证.与传统的社团检测方法相比,CDID方法能够获得更加准确的社团划分结果,并为无向无权、有向无权、无向加权、有向加权网络的社团划分提供了一种统一的解决方法.
