首页 | 本学科首页   官方微博 | 高级检索  
文章检索
  按 检索   检索词:      
出版年份:   被引次数:   他引次数: 提示:输入*表示无穷大
  收费全文   2篇
  免费   0篇
临床医学   2篇
  2021年   1篇
  2020年   1篇
排序方式: 共有2条查询结果,搜索用时 0 毫秒
1
1.
目的 评价临床、CT影像组学及融合模型预测肝细胞癌(HCC)分化程度的可行性。方法 纳入330例HCC患者,根据病理所见分化程度分为高分化组(n=85)、中分化组(n=161)及低分化组(n=84),比较组间临床资料及CT征象差异。按3∶1比例随机将各组分为训练集及测试集。提取训练集CT影像组学特征,构建临床模型、影像组学模型及融合模型。绘制受试者工作特征(ROC)曲线,计算曲线下面积(AUC),评估各模型鉴别不同分化程度HCC的效能。结果 共纳入352个CT影像组学特征,109个来自高、中分化HCC,84个来自中、低分化HCC,159个来自高、低分化HCC。临床模型鉴别高、低分化HCC的AUC为0.85;CT影像组学模型鉴别高分化与中、低分化HCC的AUC分别为0.80及0.79;融合模型鉴别高、低分化HCC的AUC为0.88。结论 临床、CT影像组学及融合模型预测高、低分化HCC的效能均较高。CT影像组学模型可较好地预测高、中分化HCC。  相似文献   
2.
目的 观察基于X线及超声的乳腺影像报告和数据系统(BI-RADS)选取影像学特征构建的机器学习模型预测乳腺癌分子分型的可行性。方法 回顾性分析200例经病理的浸润性乳腺癌,根据免疫组织化学结果分为Luminal组(n=109)与非Luminal组(n=91),组内按7 :3比例随机分为训练亚组及测试亚组。采集11个临床信息,并提取24个影像学特征,建立4种机器学习模型,通过受试者工作特征(ROC)曲线评价各模型预测不同分子分型乳腺癌的效能,比较各模型曲线下面积(AUC)的差异。结果 测试组随机森林(RF)、极端梯度提升(XGBoost)、逻辑回归(LR)及支持向量机(SVC)模型判断不同分子分型乳腺癌的敏感度分别为74.10%、74.10%、77.80%和70.40%,特异度分别为63.60%、51.50%、57.60%和60.60%,准确率分别为68.30%、61.70%、66.70%和65.00%;其中RF模型判断Luminal型与非Luminal型乳腺癌的AUC值最大(AUC=0.70,P<0.05),但与其他模型间差异均无统计学意义(P均>0.05)。结论 RF模型预测不同分子分型乳腺癌的效能较好。  相似文献   
1
设为首页 | 免责声明 | 关于勤云 | 加入收藏

Copyright©北京勤云科技发展有限公司  京ICP备09084417号