基于不同机器学习算法的影像组学模型预测浸润性乳腺癌Ki-67表达的价值 |
| |
引用本文: | 张丽,黄小华,沈梦伊,张丁懿,何欣.基于不同机器学习算法的影像组学模型预测浸润性乳腺癌Ki-67表达的价值[J].中国医学计算机成像杂志,2024(1):39-44. |
| |
作者姓名: | 张丽 黄小华 沈梦伊 张丁懿 何欣 |
| |
作者单位: | 川北医学院附属医院放射科 |
| |
摘 要: | 目的:基于动态增强磁共振成像(DCE-MRI)探究不同机器学习算法的影像组学模型预测浸润性乳腺癌Ki-67表达状态的价值。方法:回顾性分析于本院行双乳磁共振检查患者,按照纳入排除标准最终纳入患者156例,按照7∶3比例分为训练集和测试集。通过单因素分析、最小绝对收缩和选择算子法和递归特征消除进行特征筛选,筛选出不同数量特征分别通过5种机器学习算法建立影像组学模型来预测浸润性乳腺癌Ki-67表达状态。比较不同模型的受试者工作特征曲线下面积(AUC)并计算准确率和F1度量值评估其性能,校准曲线评估模型拟合度,并应用DeLong检验比较不同模型间的差异性。结果:同一分类器在不同的特征数下预测性能不同。在基于DCE-MRI提取的3个特征下,5种模型的预测性能相对较好,其中支持向量机的整体性能最优,AUC、准确率和F1度量值在训练集分别为0.95、0.95、0.90,在测试集分别为0.88、0.79、0.74。DeLong检验显示,在基于3个特征的5个模型中,支持向量机与逻辑回归的性能差异有统计学意义(P<0.001),与其余3个模型无统计学差异。结论:基于DCE-MRI所构建的影像组学模...
|
关 键 词: | 乳腺癌 Ki-67 影像组学 磁共振成像 机器学习 |
|
|