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3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：
卡瑞利珠单抗联合放化疗对局部晚期非小细胞肺癌患者生存预后的影响 被引量：17
1
作者 陆坤 沈辉 +2 位作者 陈茜 朱青 朱莹 《医学研究与战创伤救治》 CAS 北大核心 2023年第10期1066-1071,共6页
目的 探讨卡瑞利珠单抗(Cam)联合放化疗对局部晚期非小细胞肺癌(NSCLC)患者血清程序性细胞死亡受体1(PD-1)、胸苷激酶1(TK1)、基质金属蛋白酶9(MMP-9)和生存预后的影响。方法 选取2018年6月—2020年6月徐州医科大学附属宿迁医院收治局... 目的 探讨卡瑞利珠单抗(Cam)联合放化疗对局部晚期非小细胞肺癌(NSCLC)患者血清程序性细胞死亡受体1(PD-1)、胸苷激酶1(TK1)、基质金属蛋白酶9(MMP-9)和生存预后的影响。方法 选取2018年6月—2020年6月徐州医科大学附属宿迁医院收治局部晚期NSCLC患者60例,并按照随机数表法分为研究组和对照组,每组各30例。研究组采取Cam联合放化疗治疗,对照组采取放化疗治疗,比较两组患者近期疗效情况和治疗前、治疗3个月时T细胞亚群(CD3^(+)、CD4^(+)、CD4^(+)/CD8^(+))和血清PD-1、TK1、MMP-9水平,Kaplan-Meier法分析患者1年生存情况,记录不良反应。结果 治疗3个月时,研究组患者的疾病控制率(86.67%)、客观缓解率(53.33%)均高于对照组(63.33%、26.67%)(P<0.05);两组患者CD3^(+)、CD4^(+)、CD4^(+)/CD8^(+)较治疗前均呈升高趋势,且研究组高于对照组(P<0.05);血清PD-1、TK1、MMP-9水平较治疗前均呈降低趋势,且研究组低于对照组(P<0.05);两组患者1年疾病无进展生存期比较差异有统计学意义(Log-rankχ^(2)=4.040,P=0.040);两组患者治疗过程中不良反应比较,差异均无统计学意义(P>0.05)。结论 Cam联合放化疗提高局部晚期NSCLC近期疗效和免疫功能,降低血清PD-1、TK1、MMP-9水平,改善患者预后,安全性好。 展开更多
关键词 局部晚期非小细胞肺癌 放疗 化疗 卡瑞利珠单抗 程序性细胞死亡受体1 胸苷激酶1 基质金属蛋白酶9 预后
在线阅读 下载PDF
CT影像组学模型及深度学习技术预测肺腺癌EGFR突变 被引量：15
2
作者 黄栎有 徐璐 +2 位作者 温林春 王延花 李智勇 《放射学实践》 CSCD 北大核心 2022年第8期971-976,共6页
目的:探讨基于CT图像建立的影像组学模型及深度学习模型在预测肺腺癌表皮生长因子受体(EGFR)突变中的价值。方法:回顾性分析228例经手术病理证实的肺腺癌患者的CT图像,其中EGFR突变型116例,野生型112例。由两位放射科医师各自独立在CT... 目的:探讨基于CT图像建立的影像组学模型及深度学习模型在预测肺腺癌表皮生长因子受体(EGFR)突变中的价值。方法:回顾性分析228例经手术病理证实的肺腺癌患者的CT图像,其中EGFR突变型116例,野生型112例。由两位放射科医师各自独立在CT图像上沿肺癌病灶边缘手动逐层勾画感兴趣区(ROI)获得病灶全容积ROI后提取影像组学特征。比较两位医师提取的影像组学特征的一致性,自高年资医师提取的特征中选取组内相关系数大于0.7的影像组学特征纳入研究。分别按照70%和30%的比例将所有病灶随机划分为训练集和验证集。在训练集中利用LASSO回归方法对影像组学特征进行筛选后,分别建立影像组学评分(Radscore)、随机森林(RF)和支持向量机(SVM)三种影像组学模型。此外,将训练集图像输入ResNet深度学习网络中建立深度学习模型。在验证集中对上述4个模型进行验证,计算敏感度、特异度和ROC曲线下面积(AUC)来评价不同模型的预测效能。结果:自CT图像中共提取了306个一致性良好的影像组学特征,经筛选后获得9个最佳特征用于建立影像组学模型。在验证集中,SVM模型的AUC(0.813)高于Radscore(0.761)和RF模型(0.775),但差异无统计学意义(P=0.089和0.330);ResNet模型的AUC为0.916,高于SVM模型(0.813)、Radscore(0.761)和RF模型(0.775)。ResNet模型与Radscore和RF模型间AUC的差异具有统计学意义(P=0.031和0.043),与SVM模型间AUC的差异无统计学意义(P=0.106)。ResNet模型的敏感度为0.879,高于SVM模型(0.771)、Radscore(0.818)和RF模型(0.743)。ResNet模型的特异度为0.914,高于SVM模型(0.758)、Radscore(0.714)和RF模型(0.727)。结论:基于CT图像的影像组学模型能够较好地预测EGFR基因突变,深度学习技术可以有效提高模型的预测准确性。 展开更多
关键词 肺肿瘤 影像组学 深度学习 体层摄影术 X线计算机 表皮生长因子受体
在线阅读 下载PDF
基于对比增强T1WI图像纹理建立机器学习模型诊断脑转移瘤原发灶来源 被引量：4
3
作者 黄栎有 徐璐 +2 位作者 高先聪 李智勇 牛磊 《中国医学影像学杂志》 CSCD 北大核心 2023年第4期321-325,共5页
目的探讨基于对比增强T1WI图像纹理特征建立机器学习模型诊断脑转移瘤原发灶来源的价值。资料与方法回顾性分析2016年8月—2020年2月南京鼓楼医院集团宿迁医院肺癌、乳腺癌和消化系统肿瘤脑转移患者112例,共137枚脑转移瘤。利用Mazda软... 目的探讨基于对比增强T1WI图像纹理特征建立机器学习模型诊断脑转移瘤原发灶来源的价值。资料与方法回顾性分析2016年8月—2020年2月南京鼓楼医院集团宿迁医院肺癌、乳腺癌和消化系统肿瘤脑转移患者112例,共137枚脑转移瘤。利用Mazda软件提取对比增强T1WI图像纹理特征,通过组内相关系数检验选取重复性良好的纹理特征。按照7∶3分为训练集(n=96)和验证集(n=41)。对训练集中的特征进行降维,并采用OneVsRest多分类策略,分别训练Logistic回归、随机森林和支持向量机3种机器学习模型。建立的模型在验证集中进行验证。绘制3种脑转移作为阳性分类时的受试者工作特征曲线,比较3种模型曲线下面积(AUC)的差异。通过计算3种模型的宏平均AUC评价模型的整体分类性能。结果3种模型中随机森林模型诊断效能最好,验证集中对肺癌、乳腺癌和消化系统肿瘤脑转移的AUC分别为0.801、0.928、0.817,宏平均AUC为0.87。3种模型AUC差异均无统计学意义(P>0.05)。结论基于对比增强T1WI图像纹理特征建立机器学习模型能够有效诊断脑转移瘤原发灶来源,其中随机森林模型的诊断效能较好。 展开更多
关键词 脑转移瘤 磁共振成像 纹理分析 机器学习
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