典型文献
基于超声影像组学的乳腺癌预测模型的诊断性能研究
文献摘要：
目的 评估并比较基于不同机器学习算法建立的乳腺癌超声影像组学预测模型的诊断性能.方法 回顾性收集2017年1月至2019年4月就诊皖南医学院第一附属医院、有明确病理结果的乳腺肿块病例828例,以2018年8月31日为节点将其分为训练集(526例)和验证集(302例),提取肿块的超声影像组学特征并进行特征筛选,运用k最近邻(kNN)、逻辑回归(LR)、朴素贝叶斯(NB)、随机森林(RF)和支持向量机(SVM)5种机器学习算法分别建立预测模型,使用重复交叉验证方法做内部验证,计算比较各模型的敏感度、特异度、阳性预测值(PPV)和阴性预测值(NPV),并实施外部验证,绘制ROC曲线并比较ROC曲线下面积(AUC)以评价模型的鉴别诊断性能,绘制校准曲线评价模型校准度.结果 从提取的109个影像组学特征中筛选出19个特征建立了5种机器学习算法模型.在内部验证中,5种模型的敏感度、特异度、PPV、NPV比较,总体差异均有统计学意义(P均＜0.001).LR模型的特异度、PPV、NPV中位数分别为0.769、0.816、0.778,3项指标均高于其他4种模型;敏感度中位数为0.824,高于kNN、RF和SVM模型.此外,SVM模型的特异度、PPV、NPV中位数分别为0.706、0.774、0.759,虽均低于LR模型,但均高于其他3种模型.在外部验证中,LR、SVM、RF、kNN 和 NB 的 AUC 依次为0.890、0.832、0.821、0.746和 0.703,其中LR与SVM的AUC差异有统计学意义(P=0.012);此外,各模型在校准性能上表现并不一致,LR和SVM模型的校准曲线显示乳腺癌实际概率与预测概率之间的一致性较好.结论 以超声影像组学特征为基础,运用不同机器学习算法建立的乳腺癌超声预测模型,均表现出较高的诊断性能,其中LR模型表现最为突出;选择合适的机器学习算法有助于进一步提高预测模型的诊断性能,提供更加准确的量化预测结果.
文献关键词：
超声检查;乳房;乳腺肿块;人工智能;机器学习;预测模型
中图分类号：
作者姓名：
张盼盼;张青陵;侯银;张良西;沈忠兵;鲁柯兵;杭哲;朱向明
作者机构：
241001芜湖,安徽省皖南医学院第一附属医院超声医学科
文献出处：
引用格式：
[1]张盼盼;张青陵;侯银;张良西;沈忠兵;鲁柯兵;杭哲;朱向明-.基于超声影像组学的乳腺癌预测模型的诊断性能研究)[J].中华医学超声杂志（电子版）,2022(06):554-560
A类：
B类：
超声影像组学,诊断性,机器学习算法,皖南,病理结果,乳腺肿块,点将,训练集,验证集,影像组学特征,特征筛选,最近邻,kNN,逻辑回归,LR,朴素贝叶斯,NB,RF,复交,交叉验证,验证方法,内部验证,阳性预测值,PPV,阴性预测值,NPV,外部验证,鉴别诊断,校准曲线,校准度,算法模型,中位数,量化预测,超声检查,乳房
AB值：
0.210631
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
