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
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：
基于光谱CT和影像组学特征的机器学习模型和列线图预测甲状腺结节良恶性 被引量：1
1
作者 王皓 杜昱升 +3 位作者 王友 白卓杰 杨帆 何健 《南京医科大学学报（自然科学版）》 CAS 北大核心 2024年第7期958-965,共8页
目的:构建光谱CT参数和影像组学机器学习模型预测甲状腺结节良恶性。方法:回顾性分析行光谱CT增强扫描的118例甲状腺结节患者(143个结节,其中包括46例良性结节和97例恶性结节)影像及临床资料,7∶3随机分为训练集(n=100)和验证集(n=43)... 目的:构建光谱CT参数和影像组学机器学习模型预测甲状腺结节良恶性。方法:回顾性分析行光谱CT增强扫描的118例甲状腺结节患者(143个结节,其中包括46例良性结节和97例恶性结节)影像及临床资料,7∶3随机分为训练集(n=100)和验证集(n=43)。采用差异性检验、组间一致性评估以及最小绝对收缩和选择算子算法(least absolute shrinkage and selection operator,LASSO)筛选特征并计算影像组学评分。运用决策树(decision tree,DT)、随机森林(random forest,RF)、极端梯度提升树(extreme gradient boosting,XGBoost)、支持向量机(support vector machine,SVM)、K最近邻(K-nearest neighbor,KNN)和逻辑回归(logistic regression,LR)6种机器学习算法进行建模,筛选最佳的模型并构建列线图。结果:XGBoost模型在验证集中性能最好(曲线下面积:0.938;准确度:86.05%;灵敏度:89.29%;特异度:80.00%),标准化碘值、影像组学评分与年龄是重要且有效的预测因素,构建的列线图具有良好的性能。结论:结合光谱CT和影像组学的机器学习模型及列线图能够为甲状腺结节良恶性的非侵入性预测提供高准确性的参考。 展开更多
关键词 影像组学 机器学习 光谱CT 甲状腺结节
在线阅读 下载PDF
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
关于我们 | 版权声明 | 联系我们 | 帮助中心| 意见反馈
主办单位：上海市教育委员会
技术支持：重庆维普资讯有限公司
渝公网安备 50019002500403号
使用帮助 返回顶部