排序方式: 共有2条查询结果,搜索用时 2 毫秒
1
1.
目的 探讨基于双参数MRI影像组学机器学习模型对前列腺癌(PCa)Gleason评分分级分组中的价值。方法 回顾性收集经病理证实为PCa的患者138例,其中GG>2患者83例,GG≤2患者55例。所有病人术前均进行MRI检查。按7∶3将患随机分为训练集和测试集,分别用于影像组学模型的机器学习和验证,采用RF、SVM和XGboost构建3组模型(ADC、T2WI、ADC+T2WI),采用受试者操作特征(ROC)曲线评估析各模型鉴别GG≤2与GG>2PCa的诊断效能。结果 测试集中应用SVM算法的T2WI+ADC模型诊断效能最高,AUC为0.896。其次为T2WI+ADC中的RF模型,AUC为0.871。在各特征集中,RF和SVM算法的模型的AUC均高于XGboost算法。结论 基于双参数MRI影像组学机器学习模型可较好地鉴别GG≤2与GG>2PCa。 相似文献
2.
<正>前列腺癌(prostate cancer, PCa)是最常见的男性泌尿系统恶性肿瘤,是男性癌症死亡的最常见原因之一[1]。目前,经直肠超声引导下穿刺活检是PCa的诊断及病理分级的“金标准”。但是,前列腺穿刺活检为有创检查,存在发生活检后血精、血尿和败血症等风险的可能。同时其取材具有随机性,故存在一定漏检率和误诊率。磁共振成像(magnetic resonance imaging, MRI)是目前诊断前列腺疾病最佳的影像学方法, 相似文献
1