典型文献
基于超声图像特征机器学习预测前列腺癌危险度的价值
文献摘要：
目的:建立联合前列腺经直肠超声图像特征及临床数据的决策树、K近邻、贝叶斯网络、Logistic回归、支持向量机5种机器学习模型,评价上述模型预测前列腺癌危险度的价值.资料与方法:回顾性分析我院接受前列腺经直肠超声检查并确诊为前列腺癌的198例患者.将经直肠前列腺超声图像特征、年龄、总前列腺特异抗原、游离前列腺特异抗原、游离前列腺特异抗原比值、体积、前列腺特异抗原密度录入相关属性值分析,通过单个属性和类别的相关性分析以分析特征.后将这些超声图像特征及临床数据录入5种机器学习模型进行训练及验证,通过F1值及ROC曲线评价机器学习模型的预测价值.结果:贝叶斯网络模型预测前列腺癌危险度ROC的曲线下面积(AUC)最大(0.9278),K近邻AUC也较高(0.907),logistic回归最小(0.717);F1值最高的为贝叶斯网络,其次依序为支持向量机、决策树模型、K近邻及Logistic回归模型.通过相关属性值分析各特征变量重要性,前列腺内外腺分界是否清晰与前列腺癌危险度相关性最高,其次为前列腺包膜完整度、前列腺对称性、前列腺外腺腺体血流情况,结节灶回声对模型分类贡献最低.结论:基于超声图像特征的贝叶斯网络模型预测前列腺癌危险度的性能最优.
文献关键词：
前列腺肿瘤;超声检查;多普勒;彩色
中图分类号：
作者姓名：
冯玉洁;吴隘红;付启欢;洪睿霞;周航;李芳
作者机构：
重庆大学附属肿瘤医院超声医学科,重庆400030
文献出处：
引用格式：
[1]冯玉洁;吴隘红;付启欢;洪睿霞;周航;李芳-.基于超声图像特征机器学习预测前列腺癌危险度的价值)[J].中国临床医学影像杂志,2022(01):28-32
A类：
B类：
超声图像特征,机器学习预测,前列腺癌,危险度,临床数据,近邻,机器学习模型,我院,经直肠超声检查,总前列腺特异抗原,游离前列腺特异抗原,属性值,数据录入,预测价值,贝叶斯网络模型,logistic,依序,决策树模型,特征变量,变量重要性,分界,包膜,完整度,腺体,血流情况,回声,模型分类,前列腺肿瘤
AB值：
0.183602
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。
