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
基于机器学习算法构建胸段食管鳞癌患者化疗联合免疫治疗反应预测模型的研究
被引量：
3
1
作者
陈金城
张小勤
+4 位作者
刘杰
李童心
吴毅
何萍
吴蔚
《陆军军医大学学报》
北大核心
2025年第6期591-601,共11页
目的应用不同机器学习算法构建食管鳞癌患者化疗联合免疫治疗反应预测模型,并筛选出最优模型。方法回顾性收集2022年1月至2023年12月在陆军军医大学第一附属医院胸外科住院,行化疗联合免疫治疗的174例食管鳞癌患者,收集患者治疗前的CT...
目的应用不同机器学习算法构建食管鳞癌患者化疗联合免疫治疗反应预测模型,并筛选出最优模型。方法回顾性收集2022年1月至2023年12月在陆军军医大学第一附属医院胸外科住院,行化疗联合免疫治疗的174例食管鳞癌患者,收集患者治疗前的CT及临床信息。采用简单随机抽样法将患者按7:3比例随机分为训练集(n=122)与测试集(n=52)。提取并筛选CT影像组学特征,使用5种机器学习算法构建影像组学模型和临床-影像组学模型。在训练集中进行5折交叉验证,在测试集中采用受试者工作特征曲线(receiver operating characteristic curve,ROC)、F1分数评估预测模型性能,对于表现最佳模型使用局部可解释模型不可知的解释(local interpretable model-agnostic explanations,LIME)算法进行解释。结果174例患者中有115例患者出现临床缓解(66.1%)。从患者临床信息与CT影像中筛选出1个临床特征、10个影像组学特征。基于5种机器学习算法构建的影像组学模型和临床-影像组学模型的最佳ROC曲线下面积(area under of receiver operating characteristic,AUC)分别是0.750(95%CI:0.616~0.883)和0.766(95%CI:0.647~0.895)。最优临床-影像组学模型的F1分数为0.829。基于LIME算法,最佳模型对实例样本的预测显示出可靠性。结论基于机器学习算法构建的临床-影像组学预测模型性能良好,通过预测食管鳞癌患者化疗联合免疫治疗反应,为医生临床决策提供参考。
展开更多
关键词
食管癌
机器学习
影像组学
在线阅读
下载PDF
职称材料
题名
基于机器学习算法构建胸段食管鳞癌患者化疗联合免疫治疗反应预测模型的研究
被引量：
3
1
作者
陈金城
张小勤
刘杰
李童心
吴毅
何萍
吴蔚
机构
陆军
军医大学
(
第三军医大学
)第一附属医院胸外科
陆军
军医大学
(
第三军医大学
)
生物医学
工程
与医学影像
学院
数字
医学
教研室
陆军
军医大学
(
第三军医大学
)第一附属医院心脏外科
出处
《陆军军医大学学报》
北大核心
2025年第6期591-601,共11页
基金
重庆市科卫联合医学科研项目(2022ZDXM018)。
文摘
目的应用不同机器学习算法构建食管鳞癌患者化疗联合免疫治疗反应预测模型,并筛选出最优模型。方法回顾性收集2022年1月至2023年12月在陆军军医大学第一附属医院胸外科住院,行化疗联合免疫治疗的174例食管鳞癌患者,收集患者治疗前的CT及临床信息。采用简单随机抽样法将患者按7:3比例随机分为训练集(n=122)与测试集(n=52)。提取并筛选CT影像组学特征,使用5种机器学习算法构建影像组学模型和临床-影像组学模型。在训练集中进行5折交叉验证,在测试集中采用受试者工作特征曲线(receiver operating characteristic curve,ROC)、F1分数评估预测模型性能,对于表现最佳模型使用局部可解释模型不可知的解释(local interpretable model-agnostic explanations,LIME)算法进行解释。结果174例患者中有115例患者出现临床缓解(66.1%)。从患者临床信息与CT影像中筛选出1个临床特征、10个影像组学特征。基于5种机器学习算法构建的影像组学模型和临床-影像组学模型的最佳ROC曲线下面积(area under of receiver operating characteristic,AUC)分别是0.750(95%CI:0.616~0.883)和0.766(95%CI:0.647~0.895)。最优临床-影像组学模型的F1分数为0.829。基于LIME算法,最佳模型对实例样本的预测显示出可靠性。结论基于机器学习算法构建的临床-影像组学预测模型性能良好,通过预测食管鳞癌患者化疗联合免疫治疗反应,为医生临床决策提供参考。
关键词
食管癌
机器学习
影像组学
Keywords
esophageal neoplasms
machine learning
radiomics
分类号
R319 [医药卫生—基础医学]
R730.5 [医药卫生—肿瘤]
R735.1 [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
基于机器学习算法构建胸段食管鳞癌患者化疗联合免疫治疗反应预测模型的研究
陈金城
张小勤
刘杰
李童心
吴毅
何萍
吴蔚
《陆军军医大学学报》
北大核心
2025
3
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
