换一批基于多种预处理方法的CT机器学习模型预测泌尿系结石的草酸钙成分
CT-based Machine Learning Model for Predicting Calcium Oxalate Composition in Urinary Stones Using Multiple Preprocessing Methods
摘要目的:构建基于多种预处理方法的CT机器学习(ML)模型用于预测泌尿系结石的草酸钙成分,旨在为临床医师制订治疗决策时提供参考信息.方法:回顾性纳入2020年1月到2023年10月经过手术治疗的197例泌尿系结石患者.使用3Dslice勾画感兴趣区(ROI),将联影智能科研平台(uRP)用于特征提取.通过运用3种不同的图像预处理方法、5种特征归一化方法,建立支持向量机(SVM)模型、逻辑回归(LR)模型和随机梯度下降(SGD)模型,计算曲线下面积(AUC)、灵敏度、特异度和准确度,评估各模型的诊断性能.结果:多因素logistic回归分析结果显示结石异质性指数(SHI)及复发与否为预测结石草酸钙成分的独立危险因素(P＜0.05).基于窗宽窗位归一化预处理的图像构建的SVM模型表现出最优的预测效能,其AUC为0.900(95％CI 0.802～0.998).基于Z分数归一化的特征预处理方法构建的SVM模型表现出最优的预测效能,其AUC为0.900(95％CI 0.802～0.998).SVM模型的预测效能与联合模型[0.853(95％CI 0.701～1.000)]相比,差异无统计学意义(P＞0.05).结论:基于CT影像组学构建的SVM模型能够有效预测泌尿系结石患者结石的草酸钙成分,可为其术前诊断及治疗方案的选择提供可靠的客观依据.
更多相关知识
栏目名称
DOI
10.3969/j.issn.1006-5741.2025.04.016
发布时间
2025-09-17（万方平台首次上网日期，不代表论文的发表时间）
- 浏览0
- 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
