换一批基于影像组学建立多分类联合模型预测肺GGN病理分型
Construction of multiclassification joint model to predict pathological classification of pulmonary ground-glass nodules based on radiomics
摘要目的:探究计算机断层扫描(computed tomography,CT)影像组学多分类联合模型在磨玻璃结节病理分析的预测价值.方法:回顾性收集 2019年 2月至 2023年 3月新乡医学院第一附属医院收治的影像表现为磨玻璃结节并经病理证实的早期肺腺癌患者资料,共 285例患者的 324个结节按照浸润性腺癌(invasive adenocarcinoma,IAC)、微浸润性腺癌(minimally invasive adeno-carcinoma,MIA)及侵袭前病变(preinvasive lesions,PILs)分为三组,行递归消除及单变量逻辑回归对组学及临床-影像特征选择后,使用逻辑回归(Logistic regression,LR)、支持向量机(support vector machine,SVM)、随机森林(random forest,RF)和集成学习(stacking)构建七个模型,评估模型预测效能.结果:基于结合临床-影像-组学特征和集成机器学习策略的混合联合模型相比其他六个模型具有更准确的预测性能,准确度、精确度、特异性、召回率、F1评分分别为 0.791、0.788、0.857、0.790、0.789.结论:基于CT影像组学建立的多分类联合模型能够较好地预测肺磨玻璃结节病理分型,有利于影像准确诊断及为临床制定治疗方案提供依据.
更多相关知识
关键词
肺结节磨玻璃结节影像组学病理类型多分类pulmonary noduleground-glass nodule(GGN)radiomicspathological classificationsmulticlassification
栏目名称
DOI
10.12354/j.issn.1000-8179.2024.20241026
发布时间
2024-12-06（万方平台首次上网日期，不代表论文的发表时间）
- 浏览27
- 被引3
- 下载19
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
