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
基于CT影像组学机器学习模型预测急性期创伤性脑损伤严重程度
被引量：
6
1
作者
杨雨奇
罗嘉宁
+5 位作者
杨永祥
邹东波
魏坤
夏永利
陈敏
马原
《中国医学影像技术》
CSCD
北大核心
2024年第7期992-996,共5页
目的观察基于CT平扫(NCCT)影像组学特征建立的机器学习(ML)模型预测急性期创伤性脑损伤(TBI)严重程度的价值。方法回顾性收集600例TBI为观察组,以另外65例TBI为外部验证集;另前瞻性纳入50例TBI为前瞻性验证集。根据出院时格拉斯哥预后评...
目的观察基于CT平扫(NCCT)影像组学特征建立的机器学习(ML)模型预测急性期创伤性脑损伤(TBI)严重程度的价值。方法回顾性收集600例TBI为观察组,以另外65例TBI为外部验证集;另前瞻性纳入50例TBI为前瞻性验证集。根据出院时格拉斯哥预后评分(GOS)将观察组患者分为高危亚组(n=240)与低危亚组(n=360)。由医师A、B以相同标准分别评估观察组患者,基于首诊临床及NCCT资料以逻辑回归(LR)法建立人工模型,预测急性期TBI严重程度。按7∶3比例将观察组分为训练集(n=420,含168例高危、252例低危)与测试集(n=180,含72例高危、108例低危),基于训练集NCCT提取及筛选影像组学特征,采用LR、支持向量机(SVM)、随机森林(RF)、K近邻(KNN)4种ML法构建预测模型,分别于测试集、外部验证集(含34例高危、31例低危TBI)及前瞻性验证集(含21例高危、29例低危TBI)进行验证。结果医师A、B判断观察组急性期TBI严重程度的曲线下面积(AUC)分别为0.606及0.771,人工模型的AUC为0.824。基于训练集NCCT筛选出的6个最佳影像组学特征构建的LR、SVM、RF和KNN ML模型及人工模型在测试集的AUC分别为0.983、0.971、0.970、0.984及0.708,在外部验证集分别为0.879、0.881、0.984、0.863及0.733,而在前瞻性验证集分别为0.984、0.873、0.982、0.897及0.704。结论基于CT影像组学建立的ML模型能有效预测急性期TBI严重程度。
展开更多
关键词
脑损伤
机器学习
影像组学
在线阅读
下载PDF
职称材料
题名
基于CT影像组学机器学习模型预测急性期创伤性脑损伤严重程度
被引量：
6
1
作者
杨雨奇
罗嘉宁
杨永祥
邹东波
魏坤
夏永利
陈敏
马原
机构
西南医
科
大学附属
医院
神经外
科
江油市
人民
医院
重症医学
科
中国人民解放军
西部
战区
总
医院
神经外
科
中国人民解放军西部战区总医院医疗保障中心信息科
出处
《中国医学影像技术》
CSCD
北大核心
2024年第7期992-996,共5页
基金
西部战区总医院院管课题(2021-XZYG-A13)。
文摘
目的观察基于CT平扫(NCCT)影像组学特征建立的机器学习(ML)模型预测急性期创伤性脑损伤(TBI)严重程度的价值。方法回顾性收集600例TBI为观察组,以另外65例TBI为外部验证集;另前瞻性纳入50例TBI为前瞻性验证集。根据出院时格拉斯哥预后评分(GOS)将观察组患者分为高危亚组(n=240)与低危亚组(n=360)。由医师A、B以相同标准分别评估观察组患者,基于首诊临床及NCCT资料以逻辑回归(LR)法建立人工模型,预测急性期TBI严重程度。按7∶3比例将观察组分为训练集(n=420,含168例高危、252例低危)与测试集(n=180,含72例高危、108例低危),基于训练集NCCT提取及筛选影像组学特征,采用LR、支持向量机(SVM)、随机森林(RF)、K近邻(KNN)4种ML法构建预测模型,分别于测试集、外部验证集(含34例高危、31例低危TBI)及前瞻性验证集(含21例高危、29例低危TBI)进行验证。结果医师A、B判断观察组急性期TBI严重程度的曲线下面积(AUC)分别为0.606及0.771,人工模型的AUC为0.824。基于训练集NCCT筛选出的6个最佳影像组学特征构建的LR、SVM、RF和KNN ML模型及人工模型在测试集的AUC分别为0.983、0.971、0.970、0.984及0.708,在外部验证集分别为0.879、0.881、0.984、0.863及0.733,而在前瞻性验证集分别为0.984、0.873、0.982、0.897及0.704。结论基于CT影像组学建立的ML模型能有效预测急性期TBI严重程度。
关键词
脑损伤
机器学习
影像组学
Keywords
brain injuries
machine learning
radiomics
分类号
R651.15 [医药卫生—外科学]
R814.42 [医药卫生—影像医学与核医学]
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
基于CT影像组学机器学习模型预测急性期创伤性脑损伤严重程度
杨雨奇
罗嘉宁
杨永祥
邹东波
魏坤
夏永利
陈敏
马原
《中国医学影像技术》
CSCD
北大核心
2024
6
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
