典型文献
特征提取联合机器学习在肺腺癌与肺鳞癌病理分型诊断中的应用研究
文献摘要：
目的 探讨基于CT影像特征提取结合机器学习在肺腺癌(Adenocarcinoma,ADC)与肺鳞状细胞癌(Squamous Cell Carcinoma,SCC)病理分型鉴别诊断中的应用价值.方法 回顾性分析1013例经手术病理证实为肺ADC或SCC的患者资料,根据病理结果将肺ADC分为第1组(n=515),肺SCC分为第2组(n=498),比较两组患者的性别和年龄差异.采用特征提取软件MaZda(Version 4.6)提取病灶最大层面的纹理特征参数,通过Standardization的方式对数据进行标准化处理,随后采用Univariate_Logistic、LASSO和MultiVariate_Logistic算法对数据进行降维,保留2组间差异明显的图像纹理特征,用以构建和筛选最佳诊断模型.将数据集按7:3的比例分为训练组和验证组,采用6种机器学习算法对数据集进行处理,并根据验证组的准确度、ROC曲线下面积(Area Under Curve,AUC)、特异度和敏感度择最佳分类器.结果 共提取病灶最大层面纹理特征参数306个,其中特征值之间差异明显的图像纹理特征共有114个,最终保留16个最佳图像纹理特征以构建预测模型,Logistic回归模型在验证集测试中的准确度最高,为本研究的最佳分类器.该模型在训练组的具体参数为AUC 0.826,其准确率、特异度、敏感度分别为75.7％、72.7％、78.7％;在验证组的具体参数为AUC 0.817,其准确率、特异度、敏感度分别为74.9％、74.1％、75.6％.结论 CT影像特征提取方法结合机器学习算法建立的分析诊断模型在肺ADC和肺SCC病理分型的预测中具有一定的研究价值.
文献关键词：
肺腺癌;肺鳞癌;特征提取;机器学习
中图分类号：
作者姓名：
黄志成;任士义;李丹光;叶钉利
作者机构：
吉林省肿瘤医院放射线科,吉林长春 130012
文献出处：
引用格式：
[1]黄志成;任士义;李丹光;叶钉利-.特征提取联合机器学习在肺腺癌与肺鳞癌病理分型诊断中的应用研究)[J].中国医疗设备,2022(08):42-45,69
A类：
MultiVariate
B类：
联合机,肺腺癌,肺鳞癌,癌病,病理分型,分型诊断,影像特征,Adenocarcinoma,ADC,肺鳞状细胞癌,Squamous,Cell,Carcinoma,SCC,分型鉴别诊断,经手,手术病理,病理结果,年龄差异,MaZda,Version,纹理特征参数,Standardization,标准化处理,Univariate,LASSO,图像纹理特征,诊断模型,训练组,机器学习算法,Area,Under,Curve,分类器,共提取,验证集,分析诊断
AB值：
0.326388
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。
