| 机器学习方法对前列腺癌的诊断价值 |
| |
| 引用本文： | 柏冬, 王浩, 李璐, 王宏林. 机器学习方法对前列腺癌的诊断价值[J]. 分子影像学杂志, 2020, 43(2): 188-192. doi: 10.12122/j.issn.1674-4500.2020.02.02 |
| |
| 作者姓名： | 柏冬 王浩 李璐 王宏林 |
| |
| 作者单位： | 1.航天中心医院（北京大学航天临床医学院）放射科,北京 100049;;2.32081部队,北京 100049;;3.盐城师范学院信息工程学院,江苏 盐城 224002 |
| |
| 基金项目： | 国家自然科学基金61602400 |
| |
| 摘 要： | 目的建立联合多参数MRI前列腺影像报告与数据系统(PI-RADS) v2.1评分及临床数据的决策树、K近邻、朴素贝叶斯、随机森林、支持向量机5种机器学习模型, 评价上述模型对前列腺癌的诊断价值。方法回顾性分析在本院接受MR检查并获得的病理结果的242例患者。将PI-RADS v2.1评分、年龄、总前列腺特异抗原、游离前列腺特异抗原、游离前列腺特异抗原比值、体积、前列腺特异抗原密度录入5种机器学习模型进行诊断。通过F1值及ROC曲线评价机器学习模型的诊断价值并且计算特征变量所占比重大小。结果随机森林模型诊断前列腺癌ROC的AUC最大(0.93), 决策树及朴素贝叶斯模型AUC也较高(0.86、0.87), 支持向量机最差(0.55);F1值最高的为随机森林模型, 其次依序为朴素贝叶斯、决策树、K近邻, 支持向量机模型最小。通过随机森林和决策树模型计算各特征变量重要性, PI-RADS评分均占比例最大, 其次为前列腺特异抗原密度、前列腺体积, 年龄对模型分类贡献最低。结论随机森林、朴素贝叶斯、决策树分类模型用于预测诊断前列腺癌具有更好的效果。随机森林方法在5种机器学习模型中最优, 且PI-RADS v2.1及前列腺密度变量的特征重要性表现更明显。
|
| 关 键 词： | 决策树 K近邻 朴素贝叶斯 随机森林 支持向量机 前列腺癌 预测诊断 PI-RADS v2.1 |
| 收稿时间： | 2020-05-07 |
|
| 点击此处可从《分子影像学杂志》浏览原始摘要信息 |
|
点击此处可从《分子影像学杂志》下载免费的PDF全文 |
|
