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：
基于深度学习自动分割技术的胸部CT影像组学模型预测非小细胞肺癌EGFR基因突变
1
作者 高续 庞奇 +3 位作者 张宏杰 王小雷 郝继元 谢玉海 《放射学实践》 北大核心 2025年第5期573-578,共6页
目的:探讨基于深度学习自动分割技术的胸部CT影像组学模型预测非小细胞肺癌EGFR基因突变的价值。方法:回顾性分析171例经病理证实为非小细胞肺癌且行EGFR基因检测患者的临床及影像资料。按照7:3比例随机拆分为训练组119例(EGFR野生型43... 目的:探讨基于深度学习自动分割技术的胸部CT影像组学模型预测非小细胞肺癌EGFR基因突变的价值。方法:回顾性分析171例经病理证实为非小细胞肺癌且行EGFR基因检测患者的临床及影像资料。按照7:3比例随机拆分为训练组119例(EGFR野生型43例和突变型76例)和验证组52例(EGFR野生型19例和突变型33例)。采用深度学习自动分割技术进行病灶感兴趣区勾画,运用pearson相关性分析和最小绝对收缩和选择算子进行特征筛选,应用支持向量机(SVM)构建预测EGFR基因突变的影像组学模型。临床指标及结节定量参数经单因素及多因素分析构建临床模型,临床指标联合影像组学评分构建列线图。采用受试者工作特征(ROC)曲线评估模型的预测效能,绘制决策曲线分析评价模型的临床应用价值。结果:共筛选出4个最佳影像组学特征构建SVM影像组学模型,其在训练组、验证组中预测EGFR基因突变的AUC分别为0.872、0.833。由最大CT值和吸烟史构建临床模型,其在训练组、验证组中预测EGFR基因突变的AUC分别为0.731、0.770。由吸烟史和影像组学评分构建列线图模型,其在训练组、验证组中预测EGFR基因突变的AUC分别为0.879、0.839。结论:基于深度学习自动分割技术构建的胸部CT影像组学模型对预测NSCLC患者EGFR基因突变具有较高的临床应用价值,临床指标加入未能显著提高其预测效能。 展开更多
关键词 非小细胞肺癌 表皮生长因子受体 体层摄影术 X线计算机 影像组学 深度学习
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