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
超声联合MRI深度学习组学诺莫图鉴别三阴性乳腺癌的模型建立与验证
被引量：
1
1
作者
程辰
李洪娥
+3 位作者
顾艳
徐峰
王文荣
赵红艳
《放射学实践》
北大核心
2025年第3期339-348,共10页
目的:构建超声联合MRI的深度学习组学诺莫图,以区分三阴性乳腺癌(TNBC)与非三阴性乳腺癌(NTNBC)并进行验证。方法:回顾性收集分析2018年1月-2020年9月在连云港市第一人民医院接受治疗的247例浸润性乳腺癌患者,其中2018年1月-2019年12月...
目的:构建超声联合MRI的深度学习组学诺莫图,以区分三阴性乳腺癌(TNBC)与非三阴性乳腺癌(NTNBC)并进行验证。方法:回顾性收集分析2018年1月-2020年9月在连云港市第一人民医院接受治疗的247例浸润性乳腺癌患者,其中2018年1月-2019年12月的176名乳腺癌患者为训练组(TNBC:55例,NTNBC:121例),2020年1月-2020年9月的71名乳腺癌患者为内部验证组(TNBC:19例,NTNBC:52例),另收集来自连云港市中医院及连云港市妇幼保健院62例浸润性乳腺癌患者作为外部验证集(TNBC:18例,NTNBC:44例)。整理分析所有患者的临床病理资料及影像学资料,采用开源软件ITK-SNAP 4.0.2对病灶进行分割,影像组学采用Pyradiomics软件进行组学特征提取;深度学习采用ResNet50作为卷积神经网络(CNN)学习框架,采用组内相关系数、最小绝对收缩和选择算子(LASSO)回归等进行特征降维和筛选,最后采用结果维度模型融合构建临床-深度学习组学诺莫图。使用受试者操作特征(ROC)曲线评价模型区分度,Delong检验比较各模型间曲线下面积(AUC)的差异,采用校准曲线评估实际观测与预测之间的一致性,采用决策曲线分析(DCA)评估模型的临床有效性。结果:超声联合MRI建立的临床-深度学习组学诺莫图模型在训练组中,AUC为0.923(95%CI:0.880~0.955);内部验证组中,AUC为0.989(95%CI:0.967~1.000);外部验证组中,AUC为0.941(95%CI:0.820~0.944)。所建诺莫图模型的校准预测曲线与标准曲线贴合较好,提示该模型在区分TNBC与NTNBC的预测概率与实际概率具有良好的一致性。决策曲线显示在风险阈值0.00~0.88时,采用临床-深度学习组学诺莫图对患者进行术前区分TNBC与NTNBC预测的临床净获益率最高。结论:超声联合MRI的临床-深度学习组学诺莫图对TNBC与NTNBC诊断效能显著优于其他模型,有较好的临床应用价值。
展开更多
关键词
超声
磁共振成像
深度学习影像组学诺莫图
乳腺肿瘤
三阴性乳腺癌
在线阅读
下载PDF
职称材料
题名
超声联合MRI深度学习组学诺莫图鉴别三阴性乳腺癌的模型建立与验证
被引量：
1
1
作者
程辰
李洪娥
顾艳
徐峰
王文荣
赵红艳
机构
连云港市中
医院
超声
科
连云港市
第一
人民医院
超声
科
连云港市
第一
人民医院
影像
科
宿迁市第一人民医院影像科
连云港市妇幼保健院超声
科
出处
《放射学实践》
北大核心
2025年第3期339-348,共10页
基金
连云港市卫生健康青年科技项目(QN202204)
连云港市第六期"521高层次人才培养工程"科研项目(LYG06521202387)。
文摘
目的:构建超声联合MRI的深度学习组学诺莫图,以区分三阴性乳腺癌(TNBC)与非三阴性乳腺癌(NTNBC)并进行验证。方法:回顾性收集分析2018年1月-2020年9月在连云港市第一人民医院接受治疗的247例浸润性乳腺癌患者,其中2018年1月-2019年12月的176名乳腺癌患者为训练组(TNBC:55例,NTNBC:121例),2020年1月-2020年9月的71名乳腺癌患者为内部验证组(TNBC:19例,NTNBC:52例),另收集来自连云港市中医院及连云港市妇幼保健院62例浸润性乳腺癌患者作为外部验证集(TNBC:18例,NTNBC:44例)。整理分析所有患者的临床病理资料及影像学资料,采用开源软件ITK-SNAP 4.0.2对病灶进行分割,影像组学采用Pyradiomics软件进行组学特征提取;深度学习采用ResNet50作为卷积神经网络(CNN)学习框架,采用组内相关系数、最小绝对收缩和选择算子(LASSO)回归等进行特征降维和筛选,最后采用结果维度模型融合构建临床-深度学习组学诺莫图。使用受试者操作特征(ROC)曲线评价模型区分度,Delong检验比较各模型间曲线下面积(AUC)的差异,采用校准曲线评估实际观测与预测之间的一致性,采用决策曲线分析(DCA)评估模型的临床有效性。结果:超声联合MRI建立的临床-深度学习组学诺莫图模型在训练组中,AUC为0.923(95%CI:0.880~0.955);内部验证组中,AUC为0.989(95%CI:0.967~1.000);外部验证组中,AUC为0.941(95%CI:0.820~0.944)。所建诺莫图模型的校准预测曲线与标准曲线贴合较好,提示该模型在区分TNBC与NTNBC的预测概率与实际概率具有良好的一致性。决策曲线显示在风险阈值0.00~0.88时,采用临床-深度学习组学诺莫图对患者进行术前区分TNBC与NTNBC预测的临床净获益率最高。结论:超声联合MRI的临床-深度学习组学诺莫图对TNBC与NTNBC诊断效能显著优于其他模型,有较好的临床应用价值。
关键词
超声
磁共振成像
深度学习影像组学诺莫图
乳腺肿瘤
三阴性乳腺癌
Keywords
Ultrasound
Magnetic resonance imaging
Deep learning radiomics nomograph
Breast neoplasms
Triple-negative breast cancer
分类号
R445.1 [医药卫生—影像医学与核医学]
R737.9 [医药卫生—肿瘤]
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
超声联合MRI深度学习组学诺莫图鉴别三阴性乳腺癌的模型建立与验证
程辰
李洪娥
顾艳
徐峰
王文荣
赵红艳
《放射学实践》
北大核心
2025
1
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
