典型文献
基于影像组学与机器学习对颈动脉体瘤术后并发症的预测
文献摘要：
目的 使用CT影像组学和机器学习建立颈动脉体瘤(carotid body tumor,CBT)术后并发症的准确预测模型.方法 收集昆明医科大学第一附属医院2017年1月至2021年10月收治的88例CBT患者信息.基于与患者术后并发症结果的相关性对CT图像上选择出的兴趣体积进行特征选择,使用支持向量机、k最近邻、逻辑回归、决策树、随机森林和极端梯度提升(eXtreme gradient boosting,XGBoost)等6种分类器利用5折交叉验证法建立并评估CBT术后并发症的预测模型.结果 6种模型都能对CBT术后的预后进行较准确的预测,其中XGBoost模型具有最佳的预测性能,其准确率、精确度、召回率、F1分数和曲线下面积分别为97.7％、100％、92.5％、95.8％和0.728.结论 利用影像组学和机器学习可建立CBT术后并发症的预测模型,其中XGBoost模型的精度最佳.
文献关键词：
颈动脉体瘤;影像组学;机器学习;并发症;预测模型
中图分类号：
作者姓名：
谷学攀;杨斌;赵凌峰;韩胜斌;王琦;冯曜宇
作者机构：
昆明医科大学第一附属医院血管外科,昆明 650032
文献出处：
引用格式：
[1]谷学攀;杨斌;赵凌峰;韩胜斌;王琦;冯曜宇-.基于影像组学与机器学习对颈动脉体瘤术后并发症的预测)[J].中国血管外科杂志（电子版）,2022(03):237-241
A类：
B类：
影像组学,颈动脉体瘤,术后并发症,carotid,body,tumor,CBT,准确预测,患者信息,症结,上选,特征选择,最近邻,逻辑回归,决策树,极端梯度提升,eXtreme,gradient,boosting,XGBoost,分类器,交叉验证法,预测性能,召回率
AB值：
0.246862
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。
