典型文献
基于超声特征构建机器学习模型预测浸润性乳腺癌Luminal分型
文献摘要：
目的 基于超声特征构建机器学习模型预测浸润性乳腺癌Luminal分型,筛选影响其Luminal分型的重要超声特征.方法 回顾性分析529例经术后病理证实为浸润性乳腺癌患者的超声声像图特征及免疫组化特征,根据免疫组化特征将患者分为Luminal组和非Luminal组.使用SPSS Modeler 18.0统计软件,将患者随机分为训练队列和验证队列,分别使用logistic回归分析、支持向量机(support vector machine,SVM)、贝叶斯网络、随机森林和决策树等5个分类器构建模型.根据模型原始倾向评分绘制ROC曲线,计算AUC评估不同模型的预测效能,并使用DeLong检验比较5种模型的AUC.选用最佳模型,筛选预测乳腺癌Luminal分型的重要变量.结果 在训练队列和验证队列中,logistic回归分析与SVM有较高的预测能力,高于其他模型,差异有统计学意义(P<0.05).使用SVM建立模型,影响Luminal分型的最重要的三个预测变量分别为结节大小、边缘、钙化.结论 基于超声特征构建机器学习模型预测浸润性乳腺癌Luminal分型,SVM与logistic回归分析具有较高的预测价值,影响Luminal分型的最重要的三个超声特征分别为结节大小、边缘、钙化.
文献关键词：
机器学习;浸润性乳腺癌;Luminal分型;超声
中图分类号：
作者姓名：
孙芳;许永波;崔广和;李鑫焱;董景云;焦玉婷;唐丽玮
作者机构：
滨州医学院附属医院超声医学科 山东滨州256600
文献出处：
引用格式：
[1]孙芳;许永波;崔广和;李鑫焱;董景云;焦玉婷;唐丽玮-.基于超声特征构建机器学习模型预测浸润性乳腺癌Luminal分型)[J].实用医学杂志,2022(18):2279-2283
A类：
B类：
超声特征,特征构建,机器学习模型,浸润性乳腺癌,Luminal,经术,术后病理,乳腺癌患者,超声声像图特征,免疫组化,Modeler,统计软件,训练队,logistic,support,vector,machine,贝叶斯网络,决策树,分类器,构建模型,倾向评分,预测效能,DeLong,预测能力,建立模型,预测变量,钙化,预测价值
AB值：
0.223875
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。
