典型文献
CT影像组学联合机器学习模型术前预测甲状腺乳头状癌颈部淋巴结转移
文献摘要：
目的 探讨基于CT影像组学特征构建的机器学习模型术前预测甲状腺乳头状癌(PTC)颈部淋巴结转移(LNM)的价值.方法 回顾性分析经病理证实的PTC患者128例,其中颈部LNM组64例,颈部无LNM组64例,按7︰3比例随机分为训练集和验证集.从术前平扫和增强(静脉期)CT图像中各提取影像组学特征851个.通过皮尔森相关系数检验和最小绝对收缩和选择算子(LASSO)算法最终筛选出6个特征用于机器学习模型的建立.使用随机森林(RF)、K最近邻(KNN)、逻辑回归(LR)、朴素贝叶斯(NB)、线性支持向量机(SVM-linear)、径向基核函数支持向量机(SVM-rbf)共6种算法分别建立用于预测颈部LNM的机器学习模型.结果 SVM-rbf机器学习模型预测效能最稳定,训练集预测效能曲线下面积(AUC)0.912,验证集预测效能AUC 0.859.结论 影像组学联合机器学习模型可以更好地挖掘和整合CT的高维信息,可用于预测PTC患者的颈部LNM状态.
文献关键词：
甲状腺乳头状癌;机器学习;影像组学;计算机体层成像
中图分类号：
作者姓名：
杨进军;卢天宇;班允清
作者机构：
新疆医科大学第五附属医院CT、磁共振室,新疆 乌鲁木齐 830000
文献出处：
引用格式：
[1]杨进军;卢天宇;班允清-.CT影像组学联合机器学习模型术前预测甲状腺乳头状癌颈部淋巴结转移)[J].实用放射学杂志,2022(10):1582-1585
A类：
rbf
B类：
学联,联合机,机器学习模型,术前预测,甲状腺乳头状癌,颈部淋巴结转移,影像组学特征,特征构建,PTC,LNM,训练集,验证集,平扫,皮尔森相关系数,最小绝对收缩和选择算子,LASSO,征用,RF,最近邻,KNN,逻辑回归,LR,朴素贝叶斯,NB,线性支持向量机,linear,径向基核函数,数支,预测效能,效能曲线,高维,计算机体层成像
AB值：
0.250892
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。
