排序方式: 共有5条查询结果,搜索用时 15 毫秒
1
1.
2.
3.
4.
目的 利用患者历史对比数据,建立基于机器学习中SVM算法识别临床混淆样本的方法,并通过与RCV方法比较,验证该方法的临床有效性。方法 从北京朝阳医院采集的22项血液常规检测结果,经过数据清洗过滤,筛选合格的患者只保留两次检验结果,两次结果按所有项目对应计算dalta值,用同一患者与不同患者的delta值分别制作正配样本与错配样本。dalta值类型分绝对值与相对值两种。采用SVM分类算法实现用多项目识别两种样本,与基于单项目识别的RCV方法作比较。探讨利用SVM算法识别混淆样本技术在临床的可行性。结果 SVM算法通过22项指标识别正配和错配两种样本,经过网格搜索法寻取最佳参数,精确度达到了0.92。基于统计学的RCV方法在不同项目下效果不同,其中MCH在绝对值delta下的准确度最高,为0.8145。结论 基于多项目的SVM算法在混淆样本的识别上准确度更高,性能优于传统方法,适合在临床上普及应用。 相似文献
5.
目的 观察临床-影像学融合列线图评估肝细胞癌(HCC)磷脂酰肌醇蛋白聚糖3(GPC3)表达的价值。方法 纳入119例经术后病理确诊HCC患者,其中GPC3阳性89例、阴性30例;按7 ∶ 3比例将其分为训练集(n=84)和验证集(n=35)。采用单因素及多因素分析基于临床及MRI筛选HCC表达GPC3的独立影响因素,构建临床-影像学融合模型并绘制列线图,分析其评估HCC表达GPC3的价值。结果 血清甲胎蛋白(AFP)、谷草转氨酶(GOT)、肿瘤最大径及最小表观弥散系数(ADCmin)为HCC表达GPC3的独立影响因素;基于此建立的临床-影像学融合模型评估训练集HCC表达GPC3的曲线下面积(AUC)、准确率、敏感度及特异度分别为0.82、82.14%、84.13%及76.19%,在验证集分别为0.78、77.14%、84.62%及55.56%;其AUC大于AFP、肿瘤最大径及ADCmin(P均<0.05),虽与GOT的AUC无明显差异(P=0.055),但综合判别改善指数显示差别有显著统计学意义(P<0.001)。结论 临床-影像学融合列线图可于术前较好地评估HCC表达GPC3状态。 相似文献
1