换一批基于舌象图像深度特征与支持向量机融合的肺结节风险分层预测研究
Risk Stratification Prediction of Pulmonary Nodules Based on Fusion of Tongue Image Deep Features and Support Vector Machine
摘要目的:基于深度迁移学习的舌象图像特征训练的支持向量机(SVM)模型实现不同年龄层人群的肺结节风险预测.方法:纳入浙江中医药大学附属第一医院(浙江省中医院)医学影像科数据库2024年1月1日—2024年2月29日的胸部CT平扫影像资料、临床数据及对应舌象图像和基于影像资料的肺结节诊断结果,共319例,其中包括健康对照组128例(40.1%)和肺结节患者组191例(59.9%),将各组按照年龄≥50岁和年龄<50岁进行亚组分类,分别采用Alexnet、Densenet和Resnet50三种深度迁移学习特征提取算法提取舌象图像的深度特征,使用LASSO算法将各亚组中各算法提取的深度特征进行降维处理,输入SVM分类器进行模型训练,以AUC值作为核心评价指标,综合敏感度、特异度和准确度对模型预测性能和临床意义进行评价.结果:各亚组中各深度迁移学习算法提取的特征均被降维到10个关键特征.研究对象中,年龄是否≥50岁对于鉴别是否患有肺结节具有统计学意义(P=0.003<0.01).根据年龄分组,分别将关键特征用于训练SVM模型,年龄<50岁亚组采用Resnet50算法提取的深度数据集训练的SVM模型效果最佳,测试集AUC为0.85,训练集AUC为0.96;年龄≥50岁亚组,采用Alexnet算法提取的深度数据集训练的SVM模型效果最佳,测试集AUC为0.728,训练集AUC为0.924.结论:基于舌象图像的Alexnet深度特征数据集的SVM模型在年龄≥50岁亚组具有较好的预测肺结节风险的性能,Resnet50深度特征数据集训练的SVM模型在年龄<50岁亚组中具有较好的预测肺结节风险的性能,可能为未来智能中医舌诊用于肺结节的辅助筛查提供依据.
更多相关知识
关键词
肺结节舌象图像深度学习支持向量机特征提取风险预测Pulmonary nodulesTongue imageDeep learningSupport vector machineFeature extractionRisk prediction
栏目名称
DOI
10.19656/j.cnki.1002-2406.20250806
发布时间
2025-07-31（万方平台首次上网日期，不代表论文的发表时间）
基金项目
国家级大学生创新创业训练计划项目（202310344005X）
- 浏览16
- 被引0
- 下载1
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
