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：
CT影像特征预测胸腺上皮性肿瘤病理分型
1
作者 赵静 黄晓媚 +5 位作者 杨俊 罗振东 曾伟雄 张妮 秦耿耿 文戈 《分子影像学杂志》 2024年第8期836-843,共8页
目的探讨基于临床及CT影像特征构建机器学习模型预测胸腺上皮性肿瘤病理分型并评估其预测效能。方法回顾性收集2006年1月~2023年6月在南方医科大学南方医院经病理证实的221例胸腺上皮性肿瘤患者资料,包括临床信息、CT影像和病理结果,并... 目的探讨基于临床及CT影像特征构建机器学习模型预测胸腺上皮性肿瘤病理分型并评估其预测效能。方法回顾性收集2006年1月~2023年6月在南方医科大学南方医院经病理证实的221例胸腺上皮性肿瘤患者资料,包括临床信息、CT影像和病理结果,并根据简化病理分型将患者分为低危型(A、AB、B1型)和高危型(B2、B3、胸腺癌)。以7:3的比例将患者随机划分为训练集(n=159)和验证集(n=62);在训练集中,采用单因素Logistic回归分析低危组和高危组临床及CT特征的差异性,应用逐步回归和LASSO回归进一步降维筛选特征,构建4种机器学习模型(Logistic回归、随机森林、决策树和支持向量机模型)。在验证集中通过ROC曲线分析曲线下面积评价模型预测效能。结果221例胸腺上皮性肿瘤患者中105例为低危型(训练集74例,验证集31例),116例为高危型(训练集85例,验证集31例)。单因素分析结果显示,高危组与低危组比较性别、胸痛差异有统计学意义(P<0.05);通过逐步回归法选取3个CT影像特征(肿瘤强化程度、心包或大血管侵犯、胸膜侵犯)构建多因素Logistic回归模型,通过LASSO回归分析最终筛选出8个临床及CT影像特征构建随机森林、决策树及支持向量机模型。模型在训练集上的曲线下面积分别为0.793、0.854、0.761、0.816,在验证集上的曲线下面积分别为0.819、0.742、0.710、0.811。结果表明Logistic回归模型泛化性优于其他3个模型。结论基于CT影像特征构建的Logistic回归模型在预测胸腺上皮性肿瘤病理分型上具有良好的诊断效能,有望协助临床早期无创性识别高危型胸腺瘤及胸腺癌。 展开更多
关键词 胸腺上皮性肿瘤 影像学特征 临床特征 预测模型
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