排序方式: 共有10条查询结果,搜索用时 0 毫秒
1
1.
目的 运用希尔伯特-黄变换法(Hilbert-Huang transform,HHT)探究SD大鼠在清醒、浅麻醉、深麻醉状态下头皮脑电信号(EGG)边际谱特征量.方法 选取雄性SD大鼠16只.每只大鼠未注射乌拉坦时视为清醒状态,首次腹腔注射乌拉坦(500 mg/kg)视为浅麻醉状态,1 h后再次腹腔注射乌拉坦(800 ... 相似文献
2.
目的 探讨自动乳腺全容积扫描(ABVS)结合不同机器学习(ML)算法术前预测人表皮生长因子受体2(HER-2)状态的价值。方法 收集乳腺癌患者202例,HER-2阳性组68例,HER-2阴性组134例,按7∶3将患者随机分为训练组(141例)、测试组(61例)。采用最小绝对收缩和选择算子(LASSO)回归降维筛选最优特征,多因素Logistic回归筛选独立危险因素,并利用支持向量机(SVM)、最近邻算法(KNN)、决策树(DT)、随机森林(RF)、极端梯度推进(XGBoost)5种不同ML算法构建预测模型。结果 肿块边界、微分叶、微钙化、血流分级、冠状面汇聚征及虫噬征、腋窝淋巴结状态为最优特征,多因素分析微钙化、血流分级、冠状面汇聚征、腋窝淋巴结状态为独立危险因素,测试组SVM、KNN、DT、RF、XGBoost的曲线下面积(area under curve, AUC)分别为0.767、0.768、0.783、0.768、0.805。结论 ABVS超声特征结合机器学习术前能够有效预测乳腺癌HER-2状态,其中XGBoost表现最突出。 相似文献
4.
5.
目的:探讨基于自动乳腺全容积成像(ABVS)冠状面图像影像组学联合声触诊组织定量(VTQ)技术术前预测浸润性乳腺癌淋巴血管侵犯(LVI)的价值。方法:收集经病理及免疫组化证实的浸润性乳腺癌患者138例,LVI阳性43例,LVI阴性95例。基于ABVS冠状面图像提取影像组学特征,采用LASSO回归降维,筛选最优特征,构建影像组学标签评分(Rad-score)。Rad-score联合超声特征采用Logistic单因素和多因素回归分析筛选独立预测因子,基于超声特征构建影像学模型,影像学模型结合Rad-score构建联合模型,并绘制联合模型列线图和校准曲线。Hosmer-Lemeshow检验评价联合模型的拟合优度,受试者操作特征(ROC)曲线下面积(AUC)评判各模型效能,Delong检验比较各模型AUC,2折交叉对模型行交叉验证,临床决策曲线(DCA)评判模型临床适用性。结果:共筛选8个最优特征构建Rad-score,多因素Logistic回归显示肿瘤长径(LD)、剪切波速度(SWV)及Rad-score为独立危险因素。校准曲线显示预测值与观测值一致性较高,C-index=0.828。Hos... 相似文献
6.
目的:探讨基于增强CT的影像学模型对低危险度胃间质瘤(Low risk gastric stromal tumor,LRGST)与胃平滑肌瘤(Gastric leiomyomas,GLMs)的鉴别诊断价值.方法:回顾性分析2015年1月—2021年2月于皖南医学院一附院经手术病理及免疫组化证实的72例LRGST(LRG... 相似文献
7.
目的 探讨多层螺旋CT(MSCT)影像组学结合不同机器学习(ML)算法预测直径2~5 cm胃胃肠间质瘤(GIST)危险度分级的价值。方法 回顾性分析115例(共115枚)直径2~5 cm术后病理学检查证实为胃GIST病人的完整资料,按照美国国家卫生研究院(NIH)分级标准,分为低风险组67例(极低危险度5例,低危险度62例)和高风险组48例(均为中危险度)。按7∶3比例将病人随机分为训练集(n=80)和验证集(n=35)。利用ITK-SNAP软件分割图像,利用AK软件提取影像组学特征,并降维构建影像组学标签评分(rad-score)。采用单因素及多因素Logistic回归筛选独立危险因素,利用支持向量机(SVM)、最近邻算法(KNN)、极端梯度增强机(XGBoost)3种机器学习算法构建预测模型,并筛选最优模型为输出模型。采用受试者操作特征(ROC)曲线下面积(AUC)评价模型的效能,使用临床决策曲线(DCA)评价输出模型的临床适用性。结果 单因素分析消化道出血、血管样强化、分叶征、坏死、长径、短径、强化特征、静脉期不均匀率(SHRTv)及rad-score差异有统计学意义(P<0.05)。多因素分析血管样强化、强化特征及rad-score为独立危险因素。3种ML算法构建预测模型的AUC分别为训练集0.912、0.865、0.887,验证集0.897、0.845、0.865,SVM为最优模型。DCA显示SVM算法构建预测模型在训练集及验证集均有较高的临床适用性。结论 MSCT影像组学结合机器学习能够无创、准确地预测胃GIST(2~5 cm)危险度分级,为临床外科医师制定治疗方案提供参考依据。 相似文献
8.
目的:探讨基于增强CT影像组学的机器学习(machine learning,ML)模型鉴别低风险胃间质瘤(gastric stromal tumor,GST)与良性胃黏膜下肿瘤(gastric submucosal tumor,GSMT)的价值。方法:回顾性分析2013年1月至2022年3月皖南医学院弋矶山医院84例低风险GST及51例良性GSMT患者的临床及影像资料。将患者随机分为训练集(n=94)和测试集(n=41)。基于增强CT静脉期利用ITK-SNAP软件分割图像,AK软件提取影像组学特征,m RMR、Spearman秩相关及LASSO回归对特征降维,建立影像组学标签评分(Radscore)。采用单因素及多因素Logistic回归筛选独立危险因素,使用支持向量机(suppor vector machine,SVM)建立预测模型,用测试集检测模型的泛化能力,受试者工作特征(receiver operating characteristic,ROC)曲线下面积(area under curve,AUC)评估模型效能。结果:多因素分析年龄、形态、生长部位、长径/短径(long dia... 相似文献
9.
目的通过对脑电复杂度样本熵(SampEn)和分形维数(FD)分析,比较清醒和不同麻醉状态下大鼠脑电复杂度特征。方法 SD大鼠16只,每只大鼠先后两次腹腔注射氨基甲酸乙酯(首次500mg/kg、1h后800mg/kg),采集大鼠清醒状态(W段)、浅麻醉状态(LA段)、深麻醉状态(HA段)头皮脑电(EEG),采用MATLAB软件计算EEG信号复杂度的SampEn和FD值,并对全过程的特征值进行线性动力系统(LDS)去噪和各状态下特征值做统计学分析。结果大鼠从清醒到浅麻醉、深麻醉过程中SampEn、FD值逐渐下降。W段的SampEn值与FD值(4.049±0.190和9.299±0.195)明显高于LA段(3.248±0.175和8.528±0.156)和HA段(2.978±0.123和8.213±0.128)(P0.05),HA段的SampEn值与FD值明显低于LA段(P0.05)。结论EEG的SampEn与FD值可作为麻醉深度监测的特征量。 相似文献
10.
1