目的:探讨CT影像组学联合机器学习在甲状腺乳头状癌与腺瘤鉴别诊断中的价值。方法:回顾性分析84例甲状腺肿瘤(乳头状癌39例,腺瘤45例)术前CT平扫的特征,首先勾画感兴趣区(ROI),再采用A.K.软件进行图像预处理及特征筛选,最终得出最具特...目的:探讨CT影像组学联合机器学习在甲状腺乳头状癌与腺瘤鉴别诊断中的价值。方法:回顾性分析84例甲状腺肿瘤(乳头状癌39例,腺瘤45例)术前CT平扫的特征,首先勾画感兴趣区(ROI),再采用A.K.软件进行图像预处理及特征筛选,最终得出最具特征的参数,随后分别构建随机森林(RF)、逻辑回归(LR)和支持向量机(SVM)机器学习模型进行分类训练,采用十折交叉验证方法结合受试者操作特征(ROC)法对上述模型的性能进行验证,并计算准确度、灵敏度和特异度。结果:Short Run Emphasisangle0offset1、Short Run High Grey Level EmphasisAllDirectionoffset1和Grey Level NonuniformityAllDirectionoffset1是最具特征的3个参数,且在甲状腺乳头状癌和甲状腺腺瘤之间的差异均有统计学意义(P<0.05)。对这3个特征参数使用3种机器算法(RF、LR和SVM)进行分类学习,并十折交叉验证,得出三者的ROC曲线下面积分别为0.77、0.74和0.72,最佳点的准确度分别为0.82、0.76和0.75,灵敏度分别为0.75、0.70和0.60,特异度分别为0.70、0.65和0.69。结论:影像组学联合机器学习在甲状腺乳头状癌与腺瘤鉴别诊断中具有价值。展开更多
文摘目的:探讨CT影像组学联合机器学习在甲状腺乳头状癌与腺瘤鉴别诊断中的价值。方法:回顾性分析84例甲状腺肿瘤(乳头状癌39例,腺瘤45例)术前CT平扫的特征,首先勾画感兴趣区(ROI),再采用A.K.软件进行图像预处理及特征筛选,最终得出最具特征的参数,随后分别构建随机森林(RF)、逻辑回归(LR)和支持向量机(SVM)机器学习模型进行分类训练,采用十折交叉验证方法结合受试者操作特征(ROC)法对上述模型的性能进行验证,并计算准确度、灵敏度和特异度。结果:Short Run Emphasisangle0offset1、Short Run High Grey Level EmphasisAllDirectionoffset1和Grey Level NonuniformityAllDirectionoffset1是最具特征的3个参数,且在甲状腺乳头状癌和甲状腺腺瘤之间的差异均有统计学意义(P<0.05)。对这3个特征参数使用3种机器算法(RF、LR和SVM)进行分类学习,并十折交叉验证,得出三者的ROC曲线下面积分别为0.77、0.74和0.72,最佳点的准确度分别为0.82、0.76和0.75,灵敏度分别为0.75、0.70和0.60,特异度分别为0.70、0.65和0.69。结论:影像组学联合机器学习在甲状腺乳头状癌与腺瘤鉴别诊断中具有价值。
