基于数字化乳腺X线影像组学预测浸润性乳腺癌腋窝淋巴结转移的多中心研究

目的:探讨基于多中心数字化乳腺X线影像组学预测浸润性乳腺癌腋窝淋巴结转移的临床应用价值。方法:回顾性搜集728例经病理证实的浸润性乳腺癌患者,按照7:3的比例将皖南医学院第一附属医院弋矶山医院413例浸润性乳腺癌患者随机拆分为训练组289例(淋巴结转移阴性197例,淋巴结转移阳性92例)和验证组124例(淋巴结转移阴性85例,淋巴结转移阳性39例),将阜阳市人民医院和太和县人民医院浸润性乳腺癌患者共计315例(淋巴结转移阴性221例,淋巴结转移阳性94例)作为外部测试组。对比分析双乳内外斜位(MLO)和头尾位(CC)图像,选取病变面积较大的数字化乳腺X线图像使用深睿医疗多模态科研平台进行图像分割及影像组学特征提取,采用特征间线性相关性分析与最小绝对收缩和选择算法(LASSO)对组学特征进行降维并使用支持向量机(SVM)分类器构建影像组学预测模型。采用受试者工作特征(ROC)曲线和决策曲线分析(DCA)评价模型性能。结果:最终筛选出8个影像组学特征构建预测模型用于预测浸润性乳腺癌腋窝淋巴结转移,该模型的预测效能在训练组、验证组和外部测试组分别为0.807、0.790和0.753,敏感度、...     

基于数字化乳腺X线影像组学列线图预测浸润性乳腺癌组织学分级的多中心研究

【摘要】目的：探讨基于多中心数字化乳腺X线影像组学列线图预测浸润性乳腺癌组织学分级的价值。方法：以病理诊断为金标准,按照7:3的比例将皖南医学院第一附属医院弋矶山医院437例浸润性乳腺癌患者随机拆分为训练组305例（Ⅰ/Ⅱ级217例,Ⅲ级88例）和验证组132例（Ⅰ/Ⅱ级94例,Ⅲ级38例）,将阜阳市人民医院（n=129）和太和县人民医院（n=162）291例浸润性乳腺癌患者（Ⅰ/Ⅱ级203例,Ⅲ级88例）作为外部测试组。对比分析双乳内外斜位（MLO）和头尾位（CC）图像,选取病变面积较大的数字化乳腺X线图像使用深睿医疗多模态科研平台进行图像分割和影像组学特征提取,采用特征间线性相关性分析与最小绝对收缩和选择算法对组学特征进行降维并使用逻辑回归构建影像组学模型。临床指标经单因素及多因素二元Logistic回归分析并构建临床模型。影像组学评分联合临床指标构建列线图。采用受试者工作特征（ROC）曲线和决策曲线分析（DCA）评价模型性能,使用Delong检验比较模型间的预测效能。结果：最终筛选出3个与浸润性乳腺癌组织学分级最相关的影像组学特征。列线图对浸润性乳腺癌组织学分级的预测效能在训练组、验证组和外部测试组分别为0.811、0.825和0.803,诊断效能优于单一模型。DCA显示在概率值为20%～60%时,训练组、验证组及外部测试组列线图预测浸润性乳腺癌组织学分级的净收益高于影像组学模型及临床模型。结论：基于数字乳腺X线影像组学模型对浸润性乳腺癌组织学分级的预测具有较高的效能,对患者制定个性化治疗方案和预后评估有着重要的临床应用价值。     

ROC曲线评价数字化乳腺X线摄影、DCE-MRI对乳腺癌的诊断效能

目的:应用受试者工作特征(receiver operating characteristic,ROC)曲线评价数字化乳腺X线摄影、MRI及二者联合应用对乳腺癌的诊断效能。方法:回顾性分析42例乳腺癌和42例乳腺良性病变患者的临床及影像资料,均行X线及动态增强磁共振(dynamic contrast-enhanced magnetic resonance imaging,DCE-MRI)检查。所得图像分为X线图像、MRI图像、联合图像3组,用5分法(肯定是、可能是、不确定、可能不是、肯定不是)对图像进行诊断,并分析3种方法检出率的ROC曲线及曲线下面积(Az)。结果:X线、DCE-MRI及二者联合应用分别诊断乳腺癌32、38、40例,分别诊断乳腺良性病变31、32、39例。X线诊断乳腺癌的敏感度为76.2%(32/42),特异度为73.8%(31/42);DCE-MRI敏感度为90.5%(38/42),特异度为76.2%(32/42);二者联合应用敏感度为95.2%(40/42),特异度为92.9%(39/42)。ROC曲线显示X线摄影与MRI图像联合应用所得曲线更靠近左上角,且Az值显著增大。结论:乳腺X线摄影与MRI诊断乳腺癌有一定价值,但二者联合应用诊断准确率最高,有助于乳腺癌的早期诊断。     

年轻女性乳腺癌的影像表现和组织病理学特征分析

目的 :总结35岁以下年轻女性乳腺癌患者的影像表现及组织病理学特征。方法 :回顾性分析经手术病理证实的261例年轻组(≤35岁)女性乳腺癌患者的乳腺X线摄影、超声检查及组织病理学资料,分析总结乳腺X线摄影及超声检查中病变的形状、边缘、密度、钙化形态、钙化分布、后方回声特点、血流信号等;对病变的组织学级别及淋巴结转移数量等进行分析,并选择同期经手术病理证实的部分中年组(36~60岁)及老年组(≥61岁)乳腺癌患者进行比较。结果:乳腺X线摄影:年轻组椭圆形、等密度肿块的比例大于老年组(均P0.05),肿块边界清楚的比例大于中年组和老年组(均P0.05),不定形钙化的比例大于中年组和老年组(均P0.05)。超声检查:年轻组椭圆形肿块的比例大于老年组(P=0.011),病变边界清楚、纵横比1的比例大于中年组和老年组(P0.05)。年轻组乳腺癌患者淋巴结转移数量较中年组和老年组更多,组织学级别较中年组和老年组更高(P0.05)。结论:年轻女性乳腺癌患者的X线摄影及超声检查表现为良性病变特征的比例大于中年组和老年组。年轻女性乳腺癌患者的淋巴结转移数量更多,组织学级别更高。     

基于乳腺X线摄影的影像组学对乳腺肿块和钙化良恶性分类的研究

目的:探讨基于乳腺X线摄影的影像组学在乳腺肿块和钙化良恶性鉴别中的应用价值,并将结果与有经验的放射科医生相对比.方法:回顾性收集本院PACS系统中2014年5月1日-2020年3月1日诊断性乳腺X线图像,根据纳入和排除标准筛选出边界清晰的乳腺肿块性病变患者188例(316幅X线图像)和钙化性病变患者215例(364幅X...     

乳腺X线致密度与激素受体和人表皮生长因子受体2的相关性探讨

目的探讨乳腺X线致密度与乳腺癌中雌激素受体、孕激素受体及人表皮生长因子受体2之间是否具有相关性。方法回顾性收集了615例经手术证实的原发性乳腺癌患者。就诊时均行乳腺X线摄影,并根据美国放射学会制定的乳腺影像报告及数据系统(BI-RADS)对乳腺X线致密度进行分型。所有病例术后或穿刺后标本均行免疫组织化学染色检测雌激素受体、孕激素受体及人表皮生长因子受体2表达水平,并分析乳腺X线致密度与激素受体、HER2表达及年龄因素之间的相关性。结果乳腺X线致密度随年龄增长逐渐由高向低过渡(r=-0.529,P<0.001)。乳腺X线致密度与孕激素受体表达呈正相关(r=0.099,P=0.014<0.05),与雌激素受体(r=0.016,P=0.699>0.05)及人表皮生长因子受体2表达(r=0.077,P=0.057>0.05)未见明显相关性。结论乳腺X线致密度与乳腺癌孕激素受体表达呈正相关,与患者发病年龄呈负相关。     

数字乳腺钼靶X线摄影与MRI单独或联合使用在鉴别良恶性乳腺肿瘤中的应用

数字乳腺钼靶X线摄影(简称乳腺X线摄影)是诊断乳腺肿瘤的主要方法[1],而近年来MRI技术在乳腺疾病诊断中的应用日益广泛.本研究将两项技术单独或联合应用于乳腺肿瘤的诊断,现报告如下.1资料与方法1.1一般资料选择2008年11月-2011年6月住院的良恶性乳腺肿瘤患者共136例(其中男性1例),年龄19～81岁.根据单独接受乳腺X线摄影和(或)功能MRI,将患者分为钼靶组(n=50)、MRI组(n=46)和联合组(n=40).结果均采用美国放射学会BI- RADS标准评判分级:1级阴性,2级良性,3级良性可能,4级可疑恶性,5级高度提示恶性肿瘤[2].其中4、5级定为阳性诊断,1、2、3级为阴性诊断.所有诊断均经病理确诊.     

三阴性与非三阴性乳腺癌的X线特征探讨

目的与非三阴性乳腺癌(non-TNBC)比较,探讨三阴性乳腺癌(TNBC)的乳腺X线特征。方法根据ER、PR、HER2表达情况,将737个乳腺癌肿块分成TNBC组(n=112)和non-TNBC组(n=625),回顾性分析两组患者的X线图像及临床病理资料。结果 TNBC肿瘤组织学分级高,腋窝淋巴结转移率高于non-TNBC组(P0.05)。在钼靶X线中,TNBC主要表现肿块(69.7%),很少表现为肿块伴钙化(16.5%)、局限性非对称致密(4.6%)、单纯钙化(2.8%)和结构扭曲(6.4%);肿块形状多为圆形(30.9%)或椭圆形(38.3%),很少表现为不规则形(11.7%);肿块边缘多为清晰边缘(30.9%),毛刺肿块少见(19.1%)。non-TNBC通常表现为肿块伴钙化(43.5%),钙化多见(58.8%);肿块形态主要为分叶形(40.4%)和不规则形(28.9%),毛刺征多见(43.6%)。结论 TNBC有其独特的影像表现,更倾向于良性肿瘤的特点,了解其X线特征有助于提高TNBC的诊断水平。     

青年女性乳腺癌X线征象与病理特征对照研究

目的 探讨数字化乳腺X线摄影对青年女性乳腺癌的诊断价值.方法 收集经病理证实的76例青年女性乳腺癌患者临床及X线影像资料,乳腺影像和数据报告系统(BI-RADS)4B类以上为检出阳性,回顾性分析X线征象与病理、患者年龄与乳腺癌分期、免疫组化指标之间的关系.结果 76例乳腺癌中,年龄<30岁17例,30～35岁59例,X...     

乳腺密度、年龄与乳腺癌发病风险的关系分析

目的 探讨不同年龄人群的乳腺密度与乳腺癌发病风险的相关性。方法 回顾性分析行乳腺X线摄影检查并经病理确诊的乳腺癌患者1941例,以及相同时间内行相同设备检查无阳性发现的门诊体检患者1503例,分别作为实验组和对照组。所有患者的乳腺X线摄影原始图像经Quantra软件处理自动测量乳腺密度。采用Pearson相关性检验分析乳腺密度与年龄的相关性。采用Wilcoxon检验分析在<35岁、35～44岁、45～54岁、55～64岁以及≥65岁的女性人群中乳腺癌患者与正常人群间乳腺密度的差异。结果 随年龄增长,乳腺密度逐渐降低(r=-0.39,P<0.05)。在<35岁和35～44岁组的女性中,乳腺癌患者的乳腺密度高于正常人群(P<0.01)。在45～54岁和55～64岁组的女性中,乳腺癌患者的乳腺密度低于正常人群(P<0.05)。而在≥65岁组的女性中两者差异无统计学意义(P=0.74)。结论 乳腺密度与乳腺癌发病风险的关系随年龄而改变,对于年轻患者影响较显著。     

CT影像组学对中轴骨脊索瘤与骨巨细胞瘤的鉴别诊断价值

目的:建立术前鉴别中轴骨脊索瘤与骨巨细胞瘤的影像组学模型,并验证其诊断效能.方法:回顾性纳入中轴骨脊索瘤59例、骨巨细胞瘤33例共92例患者,64例为训练集,28例为验证集.基于CT图像进行影像组学特征提取,采用LASSO模型进行特征选择,构建影像组学模型,并计算影像组学得分(Rad-score).通过Logistic...     

基于T2WI和增强MRI影像组学列线图预测宫颈鳞癌淋巴脉管间隙浸润

目的:探讨基于T₂WI和增强MRI影像组学列线图对宫颈鳞癌淋巴脉管间隙浸润(LVSI)的预测价值。方法:将92例经术后病理证实的宫颈鳞癌患者纳入研究,并按7:3的比例随机分为训练集(66例)和验证集(26例)。所有患者术前行MRI检查,在横轴面T₂WI和对比增强T₁WI(T1CE)上选取病灶最大层面沿肿瘤边缘勾画ROI,应用AK软件提取影像组学特征。采用mRMR和LASSO回归分析对提取的纹理特征进行初步筛选,然后进行多因素logistic回归分析,构建影像组学模型。使用单因素logistic回归分析筛选临床病理危险因素,并使用多因素logistic回归结合影像组学评分(Radscore)构建影像组学列线图。应用ROC曲线评估影像组学模型、临床病理危险因素模型和影像组学列线图模型的预测能力,并应用决策曲线分析评估影像组学列线图的临床应用价值。结果:在T₂WI和T1CE图像上分别提取病灶的396个影像组学特征,最终筛选出14个具有最大诊断效能的纹理特征。使用多因素logistic回归构建包含FIGO分期、分化程度和Radscore的影像组学列线图。影像组学列线图的预测效能优于临床病理危险因素模型(训练集中,AUC:0.96 vs.0.70;Delong检验:Z=4.04,P=5.415e-05;验证集中,AUC:0.87 vs.0.71;delong检验:Z=1.24,P=0.02)。决策曲线分析显示风险阈值为0.01~1.00时使用影像组学列线图对预测宫颈鳞癌LVSI情况的临床应用价值较大。结论:基于双序列MRI构建的影像组学列线图对宫颈鳞癌LVSI情况有较好的预测能力,可作为一种术前评估的无创性影像学生物标志。     

基于MRI征象及影像组学的列线图预测腮腺良性与恶性肿瘤的价值

目的建立并验证基于MRI征象和影像组学的列线图鉴别腮腺良性与恶性肿瘤的效能。方法回顾性收集2015年1月至2020年5月青岛大学附属医院86例经手术病理证实的腮腺肿瘤患者为训练集,收集2013年1月至2020年1月香港大学深圳医院35例患者为独立外部验证集。采用logistic回归基于临床及MRI征象建立临床诊断模型。基于术前平扫T1WI和预饱和脂肪抑制T2WI(fs-T2WI)进行影像组学特征提取,建立影像组学诊断模型。基于影像组学评分及临床诊断模型,通过logistic回归建立影像组学+临床联合诊断模型及列线图。采用受试者操作特征(ROC)曲线评价各模型诊断腮腺良性与恶性肿瘤的效能,ROC曲线下面积(AUC)的比较采用DeLong检验。结果Logistic回归结果显示,腮腺深叶受累(OR值为3.285,P=0.040)和周围组织结构侵犯(OR值为15.919,P=0.013)是腮腺恶性肿瘤的独立影响因素,将二者构建临床诊断模型。基于平扫T1WI和fs-T2WI,共提取19个特征构建影像组学诊断模型。联合影像组学评分以及腮腺深叶受累、周围组织结构侵犯2个常规影像学特征建立联合诊断模型及列线图。临床诊断模型、影像组学诊断模型、联合诊断模型在训练集和验证集中诊断腮腺良性与恶性肿瘤的AUC分别为0.758、0.951、0.953和0.752、0.941、0.964。在训练集和验证集中,影像组学诊断模型、联合诊断模型的AUC均高于临床诊断模型(训练集:Z=3.95、4.31,P均<0.001;验证集:Z=2.16、2.67,P=0.031、0.008),影像组学诊断模型、联合诊断模型间AUC差异无统计学意义(训练集:Z=0.39,P=0.697;验证集:Z=1.10,P=0.273)。结论本研究所建立的MRI影像组学模型以及由腮腺深叶受累、周围组织结构侵犯、MRI影像组学特征组成的联合诊断模型,能有效鉴别腮腺良恶性肿瘤,具有较高的预测效能。     

A preoperative radiomics model for the identification of lymph node metastasis in patients with early-stage cervical squamous cell carcinoma

Objectives:To develop and validate a radiomics model for preoperative identification of lymph node metastasis (LNM) in patients with early-stage cervical squamous cell carcinoma (CSCC).Methods:Total of 190 eligible patients were randomly divided into training (n = 100) and validation (n = 90) cohorts. Handcrafted features and deep-learning features were extracted from T2W fat suppression images. The minimum redundancy maximum relevance algorithm and LASSO regression with 10-fold cross-validation were used for key features selection. A radiomics model that incorporated the handcrafted-signature, deep-signature, and squamous cell carcinoma antigen (SCC-Ag) levels was developed by logistic regression. The model performance was assessed and validated with respect to its calibration, discrimination, and clinical usefulness.Results:Three handcrafted features and three deep-learning features were selected and used to build handcrafted- and deep-signature. The model, which incorporated the handcrafted-signature, deep-signature, and SCC-Ag, showed satisfactory calibration and discrimination in the training cohort (AUC: 0.852, 95% CI: 0.761–0.943) and the validation cohort (AUC: 0.815, 95% CI: 0.711–0.919). Decision curve analysis indicated the clinical usefulness of the radiomics model. The radiomics model yielded greater AUCs than either the radiomics signature (AUC = 0.806 and 0.779, respectively) or the SCC-Ag (AUC = 0.735 and 0.688, respectively) alone in both the training and validation cohorts.Conclusion:The presented radiomics model can be used for preoperative identification of LNM in patients with early-stage CSCC. Its performance outperforms that of SCC-Ag level analysis alone.Advances in knowledge:A radiomics model incorporated radiomics signature and SCC-Ag levels demonstrated good performance in identifying LNM in patients with early-stage CSCC.     

影像组学分析和机器学习在肺结节良恶性分类中的应用

目的:探讨CT纹理特征对良恶性肺结节的鉴别价值及在独立数据集上的泛化能力.方法:回顾性分析LIDC-IDRI和LUNGx数据库中共1428个肺结节(直径3～30 mm)的CT图像,其中良性1221个、恶性207个.将LIDC-IDRI数据库的1372个结节(良性1190个,恶性182个)作为训练集,LUNGx数据库的5...     

乳腺X线影像组学标签在预测乳腺癌HER2表达中的价值

目的:探讨乳腺X线摄影影像组学标签在预测乳腺癌HER2表达中的价值.方法:回顾性分析2018年1月-2020年10月在苏州大学附属第一医院及苏州市立医院经病理证实为乳腺癌患者的临床及X线资料.共入组222例女性患者,平均年龄(53.70±14.46)岁,其中HER2阳性患者59例,阴性患者163例,苏州大学附属第一医院...     

A prediction model for degree of differentiation for resectable locally advanced esophageal squamous cell carcinoma based on CT images using radiomics and machine-learning

Objective:To propose the prediction model for degree of differentiation for locally advanced esophageal cancer patients from the planning CT image by radiomics analysis with machine learning.Methods:Data of 104 patients with esophagus cancer, who underwent chemoradiotherapy followed by surgery at the Hiroshima University hospital from 2003 to 2016 were analyzed. The treatment outcomes of these tumors were known prior to the study. The data were split into 3 sets: 57/16 tumors for the training/validation and 31 tumors for model testing. The degree of differentiation of squamous cell carcinoma was classified into two groups. The first group (Group I) was a poorly differentiated (POR) patients. The second group (Group II) was well and moderately differentiated patients. The radiomics feature was extracted in the tumor and around the tumor regions. A total number of 3480 radiomics features per patient image were extracted from radiotherapy planning CT scan. Models were built with the least absolute shrinkage and selection operator (LASSO) logistic regression and applied to the set of candidate predictors. The radiomics features were used for the input data in the machine learning. To build predictive models with radiomics features, neural network classifiers was used. The precision, accuracy, sensitivity by generating confusion matrices, the area under the curve (AUC) of receiver operating characteristic curve were evaluated.Results:By the LASSO analysis of the training data, we found 13 radiomics features from CT images for the classification. The accuracy of the prediction model was highest for using only CT radiomics features. The accuracy, specificity, and sensitivity of the predictive model were 85.4%, 88.6%, 80.0%, and the AUC was 0.92.Conclusion:The proposed predictive model showed high accuracy for the classification of the degree of the differentiation of esophagus cancer. Because of the good prediction ability of the method, the method may contribute to reducing the pathological examination by biopsy and predicting the local control.Advances in knowledge:For esophageal cancer, the differentiation of degree is the import indexes reflecting the aggressiveness. The current study proposed the prediction model for the differentiation of degree with radiomics analysis.     

Radiomic signatures derived from multiparametric MRI for the pretreatment prediction of response to neoadjuvant chemotherapy in breast cancer

Objectives:To investigate the ability of radiomic signatures based on MRI to evaluate the response and efficiency of neoadjuvant chemotherapy (NAC) for treating breast cancers.Methods:152 patients were included in this study at our institution between March 2017 and September 2019. All patients with breast cancer underwent a preoperative breast MRI and the Miller–Payne grading system was applied to evaluate response to NAC. Quantitative parameters were compared between patients with sensitive and insensitive responses to NAC and between those with pathological complete responses (pCR) and non-pCR. Four radiomic signatures were built based on T2W imaging, diffusion-weighted imaging, dynamic contrast-enhanced imaging and their combination, and radiomics scores (Rad-score) were calculated. The combination of the clinical factors and Rad-scores created a nomogram model. Multivariate logistic regression was performed to assess the association between MRI features and independent clinical risk factors.Results:20 features and 18 features were selected to build the radiomic signature for evaluating sensitivity and the possibility of pCR, respectively. The combined radiomic signature and nomogram model showed a similar discrimination in the training (AUC 0.91, 0.92, 95% confidence interval [CI], 0.85–0.96, 0.86–0.98) and validation (AUC 0.93, 0.91, 95% CI, 0.86–1.00, 0.82–1.00) sets. The clinical factor model exhibited reduced performance (AUC 0.74, 0.64, 95% CI, 0.64–0.84, 0.46–0.82) in terms of NAC sensitivity and pCR.Conclusions:The combined radiomic signature and nomogram model exhibited potential predictive power for predicting effective NAC treatment which can aid in the prognosis and guidance of treatment regimens.Advances in knowledge:Identifying a means of assessing the efficacy of NAC before surgery can guide follow-up treatment and avoid chemotherapy-induced toxicity.     

基于磁共振表观扩散系数图的影像组学模型对前列腺癌Gleason分级的诊断价值

目的:探讨基于磁共振ADC图的影像组学模型对诊断前列腺癌侵袭度的价值。方法:回顾性分析2018年1月至2019年5月在建湖医院,经手术病理证实且能确定Gleason分级的42例患者的ADC图像,将癌灶分为高危组(Gleason评分≥8)和低中危组(Gleason评分≤7)2组。其中中低危21例、高危21例。应用ITK-SNAP软件勾化感兴趣区(ROI),将ADC图像导人Analysis-Kinetics分析软件,进行影像特征提取。采用Lasso回归分析进行特征降维。通过LASSO降维筛选出的特征和相应加权系数乘积的线性组合来建立鉴别中低危、高危前列腺癌的模型,绘制ROC曲线评价模型鉴别中低危、高危前列腺癌的预测效能。结果:共提取396个影像组学特征,通过特征筛选后最后筛选出7个影像组学特征。建模后影像组学特征对鉴别中低危、高危前列腺癌具有较好的预测效能,预测模型在训练组中鉴别效能的曲线下面积、准确度、敏感度、特异度、阳性预测值和阴性预测值分别为0.97、93.3%、93.3%、93.3%、0.93和0.93;在验证组中的曲线下面积、准确度、敏感度、特异度、阳性预测值和阴性预测值分别为0.97、91.7%、83.3%、100.0%、1和0.86;结论:基于磁共振ADC图的影像组学模型对前列腺癌Gleason分级具有诊断价值。     

基于T2WI-FS的影像组学特征在术前预测乳腺癌腋窝淋巴结转移中的价值

目的：探讨基于T2加权成像压脂序列（T2-weighted imaging fat suppression,T2WI-FS）图像的影像组学特征所构建机器学习模型在术前预测乳腺癌患者腋窝淋巴结（axillary lymph nodes,ALN）转移中的价值。方法：回顾并分析经病理学检查证实的乳腺癌患者68例,共171枚ALN（转移101枚,非转移70枚）。在T2WI-FS图像上勾画每个目标淋巴结的三维容积感兴趣区（volume of interest,VOI）,并提取一阶统计量特征、几何形状及纹理特征等影像组学特征。随机将两组ALN分为训练集和验证集（8∶2）,采用K最佳和最小绝对收缩和选择算子（the least absolute shrinkage and selection operator,LASSO）算法对训练集特征降维以筛选出关键特征,最后建立基于K近邻（K-nearest neighbor,KNN）、支持向量机（support vector machine,SVM）和逻辑回归（logistic regression,LR）3种分类器的机器学习模型。采用受试者工作特征（rec...