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
CT平扫的可解释性深度学习联合模型预测肺腺癌气腔播散
1
作者
张榕
刘子蔚
+6 位作者
林韵莹
康丽君
陈盔
孙毅
申可
包陈政任
胡秋根
《放射学实践》
北大核心
2025年第10期1248-1256,共9页
目的:预测肺腺癌气腔播散(STAS)对及时进行干预、选择合适的治疗方法和提高患者的生活质量具有重要意义。因此,开发一种术前模型预测肺腺癌STAS至关重要。方法:回顾性纳入2019年1月至2023年12月共4家医院经手术后病理诊断为肺腺癌患者68...
目的:预测肺腺癌气腔播散(STAS)对及时进行干预、选择合适的治疗方法和提高患者的生活质量具有重要意义。因此,开发一种术前模型预测肺腺癌STAS至关重要。方法:回顾性纳入2019年1月至2023年12月共4家医院经手术后病理诊断为肺腺癌患者689例,将HospitalⅠ和HospitalⅡ患者根据7:3随机比例分为训练组和内部验证组,HospitalⅢ和HospitalⅣ纳入为外部验证组Ⅰ和Ⅱ。采用ResNet-101为构架构建预测肺腺癌STAS的深度学习评分(DL-socre)。使用7种机器学习算法,包括逻辑回归(LR)、极端梯度增强(Xgboost)、支持向量机(SVM)、随机森林(RF)、决策树(DT),k近邻(KNN)和人工神经网络(ANN)来区分STAS阴性和阳性。采用SHapley加性方法(SHAP)对模型进行可视化及解释。结果:对比7种不同的机器学习模型,最优联合模型(ANN模型)表现出最佳预测效能,在训练组和内部验证组中受试者工作特征曲线(ROC)下面积(AUC)分别为0.906(95%CI:0.873~0.936)和0.903(95%CI:0.855~0.944)。基于SHAP方法得出重要特征为DL-socre、分叶征、空泡征、微血管征。SHAP汇总图和蜜蜂图能够准确反映模型每个特征对单个预测的贡献度。两个外部验证组中AUC分别为0.841(95%CI:0.757~0.923)和0.882(95%CI:0.806~0.953),显示出令人满意的推广效果。结论:基于DL-socre和临床独立危险因素构建的联合模型(ANN模型)可以准确评估肺腺癌STAS,此外,SHAP可解释性技术增加了模型的透明度,可以直观显示特征重要性和决策过程,不仅提高了机器学习模型的可解释性,还为临床医生制定个性化治疗决策提供了辅助参考。
展开更多
关键词
肺腺癌
深度学习
体层摄影术
X线计算机
在线阅读
下载PDF
职称材料
题名
CT平扫的可解释性深度学习联合模型预测肺腺癌气腔播散
1
作者
张榕
刘子蔚
林韵莹
康丽君
陈盔
孙毅
申可
包陈政任
胡秋根
机构
南方医科大学
顺德
医院
/佛山市
顺德区
第一
人民医院
放射科
中南
大学
湘雅第三
医院
放射科
郴州市
第一
人民医院
放射科
南方医科大学
顺德
医院
/佛山市
顺德区
第一
人民医院
病理科
南方医科大学顺德医院附属陈村医院/佛山市顺德区第一人民医院附属陈村医院放射科
出处
《放射学实践》
北大核心
2025年第10期1248-1256,共9页
基金
广东省医学科学技术研究基金项目(A2024112、A2024022)
南方医科大学顺德医院科研启动计划项目(SRSP2023003、SRSP2024013、SRSP2024032)、佛山市科技局项目(2320001006640、2220001005383)。
文摘
目的:预测肺腺癌气腔播散(STAS)对及时进行干预、选择合适的治疗方法和提高患者的生活质量具有重要意义。因此,开发一种术前模型预测肺腺癌STAS至关重要。方法:回顾性纳入2019年1月至2023年12月共4家医院经手术后病理诊断为肺腺癌患者689例,将HospitalⅠ和HospitalⅡ患者根据7:3随机比例分为训练组和内部验证组,HospitalⅢ和HospitalⅣ纳入为外部验证组Ⅰ和Ⅱ。采用ResNet-101为构架构建预测肺腺癌STAS的深度学习评分(DL-socre)。使用7种机器学习算法,包括逻辑回归(LR)、极端梯度增强(Xgboost)、支持向量机(SVM)、随机森林(RF)、决策树(DT),k近邻(KNN)和人工神经网络(ANN)来区分STAS阴性和阳性。采用SHapley加性方法(SHAP)对模型进行可视化及解释。结果:对比7种不同的机器学习模型,最优联合模型(ANN模型)表现出最佳预测效能,在训练组和内部验证组中受试者工作特征曲线(ROC)下面积(AUC)分别为0.906(95%CI:0.873~0.936)和0.903(95%CI:0.855~0.944)。基于SHAP方法得出重要特征为DL-socre、分叶征、空泡征、微血管征。SHAP汇总图和蜜蜂图能够准确反映模型每个特征对单个预测的贡献度。两个外部验证组中AUC分别为0.841(95%CI:0.757~0.923)和0.882(95%CI:0.806~0.953),显示出令人满意的推广效果。结论:基于DL-socre和临床独立危险因素构建的联合模型(ANN模型)可以准确评估肺腺癌STAS,此外,SHAP可解释性技术增加了模型的透明度,可以直观显示特征重要性和决策过程,不仅提高了机器学习模型的可解释性,还为临床医生制定个性化治疗决策提供了辅助参考。
关键词
肺腺癌
深度学习
体层摄影术
X线计算机
Keywords
Adenocarcinoma of lung
Deep learning
Tomography,X-ray computed
分类号
R730.261.1 [医药卫生—肿瘤]
R734.2 [医药卫生—肿瘤]
R814.4 [医药卫生—影像医学与核医学]
R-056 [医药卫生]
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
CT平扫的可解释性深度学习联合模型预测肺腺癌气腔播散
张榕
刘子蔚
林韵莹
康丽君
陈盔
孙毅
申可
包陈政任
胡秋根
《放射学实践》
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
