排序方式: 共有7条查询结果,搜索用时 0 毫秒
1
1.
目的:通过放射组学对肺癌病例进行定量特征提取,优化选择,然后通过机器学习方法实现肺癌病例讨论和分析。方法:通过公开数据库LIDC中提取224例和医院收集250例肺结节病例,提取共841个放射组学特征;对特征进行正态分析和方差齐性分析,双独立样本t检验进行降维;其余采用秩和分析降维,之后采取Pearson相关系数降维,最后通过机器学习方法进行分类。结果:来自LIDC数据库和来自医院的数据在基于随机森林的分类器中的结果分别为AUC=0.657 1、ACC=76.26%,AUC=0.866 7、ACC=76%;在基于支持向量机的分类器中的结果分别为AUC=0.642 9,ACC=76.37%,AUC=0.773 3、ACC=72%。结论:在肺癌良恶诊断鉴别中,使用放射组学特征方法可以鉴别良恶性。基于纹理特征的计算机辅助诊断系统可以提高对此类结节的诊断效能。 相似文献
2.
目的 观察胸部低剂量CT(LDCT)结合定量CT(QCT)测量下段胸椎骨密度(BMD)诊断骨质疏松的效能。方法 前瞻性收集接受胸部LDCT肺癌筛查联合QCT BMD检查的体检者,分别测量T9~L2各相邻2个椎体BMD的均值(BMDT9/T10~BMDL1/L2),分析BMDT9/T10~BMDT12/L1与BMDL1/L2之间的相关性及其差异。以BMDL1/L2结果为金标准,采用受试者工作特征曲线(ROC)评价BMDT9/T10~BMDT12/L1诊断骨质疏松的效能,分析其与BMDL1/L2诊断结果的一致性。结果 共纳入630例,骨质疏松患病率为28.25%(178/630)。胸腰椎BMDT9/T10~BMDT12/L1与BMDL1/L2均呈正相关(r=0.927~0.984,P均<0.001),且自上而下相关系数逐渐增高,而BMDT9/T10~BMDT12/L1与BMDL1/L2的差异逐渐减低(P均<0.001)。胸腰椎BMDT9/T10~BMDT12/L1诊断骨质疏松的曲线下面积(AUC)自上而下逐渐增大,除BMDT9/T10与BMDT10/T11外(Z=1.78,P=0.08),其余各BMD的AUC差异均有统计学意义(P均<0.05),尤以BMDT12/L1诊断骨质疏松效能最高(AUC=0.990);BMDT9/T10~BMDT12/L1与BMDL1/L2诊断骨质疏松的一致性中等至良好(Kappa为0.646~0.820,P均<0.001)。结论 胸部LDCT结合QCT测量下段胸椎BMD诊断骨质疏松效能良好。 相似文献
3.
4.
肺癌的早期发现、精确诊断对于患者的预后至关重要。影像学能够无创、全面地反映肿瘤的异质性,在肺癌诊断中发挥重要作用。海量影像数据的深入挖掘是影像医师面临的巨大挑战。人工智能(artificial intelligence,AI)擅长处理大批量、高维度的信息,用算法解析数据,既可以自动提取定量特征,也可以自动学习现有数据,从而对新数据进行预测。AI在影像处理领域得到快速发展,在肺结节检出、肺癌诊断等方面显示出较大的优势和应用前景。将AI与临床工作相结合有助于精准医疗的实施。本文对近年来AI在肺部肿瘤影像诊断领域的研究现状和进展予以概述。 相似文献
5.
免疫检查点抑制剂(ICI)已成为非小细胞肺癌(NSCLC)病人的治疗方法之一,但如何筛选获益人群尚不明确。影像组学和深度学习作为人工智能分析的两大核心技术能够高通量提取和分析CT影像中的大量定量影像特征。就基于CT的影像人工智能在晚期非小细胞肺癌免疫治疗疗效评估的可行性进行综述,并对其应用前景做出展望。 相似文献
6.
7.
1