登录    注册    忘记密码

期刊文章详细信息

基于支持向量机的肝外胆管癌术前淋巴结状态预测模型构建    

The prediction model based on support vector machine for preoperative lymph nodes status in extrahepatic cholangiocarcinoma

  

文献类型:期刊文章

作  者:林泰安[1] 罗亚梅[1] 黄志伟[1] 杨录[2,3] 要小鹏[1]

LIN Taian;LUO Yamei;HUANG Zhiwei;YANG Lu;YAO Xiaopeng(School of Medical Information and Engineering,Southwest Medical University,Luzhou 646000,China;Department of Radiol-ogy,The Affiliated Hospital of Southwest Medical University,Luzhou 646000,China;Nuclear Medicine and Molecular Imaging Key Laboratory of Sichuan Province,Luzhou 646000,China)

机构地区:[1]西南医科大学医学信息与工程学院,泸州646000 [2]西南医科大学附属医院放射科,泸州646000 [3]核医学与分子影像四川省重点实验室,泸州646000

出  处:《西南医科大学学报》

基  金:四川省科技厅科技计划项目(2020YJ0151,2022YFS0616);四川省科技厅区域创新合作项目(2021YFQ0002)。

年  份:2023

卷  号:46

期  号:4

起止页码:303-307

语  种:中文

收录情况:JST、普通刊

摘  要:目的开发一种预测肝外胆管癌淋巴结状态的机器学习模型。方法纳入101例接受根治性手术切除的肝外胆管癌病例,采用MaZda软件对多序列MRI图像病灶进行勾画,并且提取影像特征。利用最大-最小算法对影像特征进行归一化,并通过合成少数过采样算法进行分类数据平衡,生成新样本。采用Spearman相关性分析与最大相关最小冗余特征选择法进一步筛选影像特征,最终得到20个最具代表的特征。从新样本数据中任意选择80%样本作为训练集,剩余20%作为测试集,建立支持向量机(support vectormachine,SVM)预测模型,并利用受试者工作特征曲线(ROC)评价模型性能。结果预测模型训练集的AUC为0.98,准确率为89.2%,灵敏度为92.9%,特异性为89.4%。测试集的AUC为0.83,准确率为82.2%,灵敏度为82.1%,特异性为80.9%。结论基于MRI影像的SVM预测模型具有良好的预测性能,可为临床医生提供对肝外胆管癌患者个性化的术前预测,辅助评估手术价值并做出适当的临床决策。

关 键 词:肝外胆管癌 淋巴结转移 机器学习  支持向量机 辅助诊断  

分 类 号:R735.8] TP18[临床医学类]

参考文献:

正在载入数据...

二级参考文献:

正在载入数据...

耦合文献:

正在载入数据...

引证文献:

正在载入数据...

二级引证文献:

正在载入数据...

同被引文献:

正在载入数据...

版权所有©重庆科技学院 重庆维普资讯有限公司 渝B2-20050021-7
 渝公网安备 50019002500408号 违法和不良信息举报中心