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
基于增强静脉期CT放射组学的甲状腺乳头状癌中央区淋巴结转移预测模型构建与验证
1
作者
贺星云
刘晨
+4 位作者
杜俊泽
李倩
陈康
范锐
王健
《陆军军医大学学报》
北大核心
2025年第12期1367-1375,共9页
目的开发并验证一种整合静脉期增强CT放射组学特征与临床特征的机器学习模型,用于术前预测甲状腺乳头状癌(papillary thyroid carcinoma,PTC)患者中央区淋巴结转移(central lymph nod metastasis,CLNM)。方法采用病例-对照研究方法。共...
目的开发并验证一种整合静脉期增强CT放射组学特征与临床特征的机器学习模型,用于术前预测甲状腺乳头状癌(papillary thyroid carcinoma,PTC)患者中央区淋巴结转移(central lymph nod metastasis,CLNM)。方法采用病例-对照研究方法。共纳入经病理证实为PTC的患者243例:陆军军医大学第一附属医院196例,以7∶3的比例简单随机抽样分为训练集(n=137)和内部测试集(n=59);中国人民解放军陆军第九五八医院的47例患者作为外部测试集。患者术前均行颈部CT增强检查。通过大数据人工智能能力开放平台从静脉期CT图像中提取放射组学特征。采用极端梯度提升(extreme gradient boosting,XGBoost)、支持向量机(support vector machine,SVM)、随机森林(random forest,RF)、逻辑回归(logistic regression,LR)、K最邻近算法(k-nearest neighbor,KNN)和决策树(decision tree,DT)6种机器学习算法构建临床-影像组学模型。通过受试者工作特征曲线(receiver operating characteristic curve,ROC)、ROC曲线下面积(area under curve,AUC)分析评估模型在训练集、内部测试集和外部测试集中的性能。对表现最佳模型使用沙普利加性解释(Shapley additive explanations,SHAP)进行解释。结果XGBoost模型在训练集、内部测试集和外部测试集的AUC分别为0.936(95%CI:0.895~0.976)、0.832(95%CI:0.724~0.941)和0.772(95%CI:0.632~0.912)。SHAP分析显示,年龄是最重要的预测因子,年轻患者CLNM风险更高(OR=0.968,P=0.042)。结论基于机器学习算法构建的临床-影像组学预测模型性能良好,通过预测甲状腺乳头状癌中央区淋巴结转移,为医生临床决策提供参考。
展开更多
关键词
甲状腺乳头状癌
机器学习
影像组学
预测模型
在线阅读
下载PDF
职称材料
题名
基于增强静脉期CT放射组学的甲状腺乳头状癌中央区淋巴结转移预测模型构建与验证
1
作者
贺星云
刘晨
杜俊泽
李倩
陈康
范锐
王健
机构
陆军
军医大学(第三军医大学)第一附属
医院
放射科
陆军
军医大学(第三军医大学)第一附属
医院
乳腺甲状腺外科
中国人民解放军陆军第九五八医院放射科
出处
《陆军军医大学学报》
北大核心
2025年第12期1367-1375,共9页
基金
重庆市技术创新与应用发展专项重点项目(CSTC2021jscx-gksb-N0025)。
文摘
目的开发并验证一种整合静脉期增强CT放射组学特征与临床特征的机器学习模型,用于术前预测甲状腺乳头状癌(papillary thyroid carcinoma,PTC)患者中央区淋巴结转移(central lymph nod metastasis,CLNM)。方法采用病例-对照研究方法。共纳入经病理证实为PTC的患者243例:陆军军医大学第一附属医院196例,以7∶3的比例简单随机抽样分为训练集(n=137)和内部测试集(n=59);中国人民解放军陆军第九五八医院的47例患者作为外部测试集。患者术前均行颈部CT增强检查。通过大数据人工智能能力开放平台从静脉期CT图像中提取放射组学特征。采用极端梯度提升(extreme gradient boosting,XGBoost)、支持向量机(support vector machine,SVM)、随机森林(random forest,RF)、逻辑回归(logistic regression,LR)、K最邻近算法(k-nearest neighbor,KNN)和决策树(decision tree,DT)6种机器学习算法构建临床-影像组学模型。通过受试者工作特征曲线(receiver operating characteristic curve,ROC)、ROC曲线下面积(area under curve,AUC)分析评估模型在训练集、内部测试集和外部测试集中的性能。对表现最佳模型使用沙普利加性解释(Shapley additive explanations,SHAP)进行解释。结果XGBoost模型在训练集、内部测试集和外部测试集的AUC分别为0.936(95%CI:0.895~0.976)、0.832(95%CI:0.724~0.941)和0.772(95%CI:0.632~0.912)。SHAP分析显示,年龄是最重要的预测因子,年轻患者CLNM风险更高(OR=0.968,P=0.042)。结论基于机器学习算法构建的临床-影像组学预测模型性能良好,通过预测甲状腺乳头状癌中央区淋巴结转移,为医生临床决策提供参考。
关键词
甲状腺乳头状癌
机器学习
影像组学
预测模型
Keywords
papillary thyroid carcinoma
machine learning
radiomics
prediction model
分类号
R319 [医药卫生—基础医学]
R736.1 [医药卫生—肿瘤]
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
基于增强静脉期CT放射组学的甲状腺乳头状癌中央区淋巴结转移预测模型构建与验证
贺星云
刘晨
杜俊泽
李倩
陈康
范锐
王健
《陆军军医大学学报》
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
