换一批基于机器学习的超声影像组学模型对子痫前期的预测价值
The Value of Machine Learning-Based Ultrasound Radiomics Model in Predicting Preeclampsia
摘要目的 观察基于机器学习的超声影像组学模型对子痫前期(PE)的预测价值.方法 回顾性纳入301例孕妇(正常组207例、PE组94例),按8∶2随机将其分为训练集(n=240)与测试集(n=61).比较正常组与PE组临床资料并构建临床模型;基于超声资料提取并筛选影像组学特征,分别采用逻辑回归、朴素贝叶斯、决策树、支持向量机、极限梯度提升、k近邻、梯度提升机及随机森林构建影像组学模型;最后构建临床-影像组学联合模型.观察各模型预测PE的效能.结果 正常组和PE组孕妇体重及体重指数(BMI)在训练集与测试集中的差异均有统计学意义.8个影像组学模型中,极限梯度提升模型预测PE曲线下面积(AUC)最大.在临床模型、影像组学模型及联合模型中以联合模型的AUC最高.结论 基于极限梯度提升的超声影像组学有助于预测PE,联合临床资料可提高诊断效能.
更多相关知识
栏目名称
DOI
10.3969/j.issn.1002-0101.2026.02.026
发布时间
2026-03-23（万方平台首次上网日期，不代表论文的发表时间）
基金项目
广西崇左市科技计划（2021ZC02）
- 浏览4
- 被引0
- 下载0
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
