您的账号已在其他设备登录,您当前账号已强迫下线,
如非您本人操作,建议您在会员中心进行密码修改

确定
收藏 | 浏览35 | 下载15

目的 研究肿块型肝内胆管癌发生微血管侵犯的影像组学及临床特征,并建立基于机器学习算法的预测模型.方法 回顾性收集2015年1月至2023年2月期间就诊于温州医科大学附属第一医院(75例)和温州医科大学附属第二医院(29例)的肝内胆管癌(ICC)患者资料,提取增强CT的影像组学特征,使用多种机器学习方法进行分析并比较,结合最佳影像组学机器学习方法与临床资料,建立预测模型并进行检验.结果 多种影像组学机器学习方法中,门脉期影像组学特征的朴素贝叶斯分类表现相对较好,曲线下面积(AUC)为0.818,结合筛选出的2个临床特征(瘤内动脉穿行,CEA>5 ng/mL)建立预测模型,训练组和测试组的AUC分别为0.883和0.891,训练组的敏感度为0.978,特异度为0.656,测试组的敏感度为0.909,特异度为0.700.结论 基于增强CT影像组学机器学习结合临床资料的模型可用于预测肝内胆管癌的微血管侵犯状态,具有较好的诊断价值.

作者:吕昊阳;洪重;黄侠鸣;俞富祥

来源:肝胆胰外科杂志 2024 年 36卷 1期

知识库介绍

临床诊疗知识库该平台旨在解决临床医护人员在学习、工作中对医学信息的需求,方便快速、便捷的获取实用的医学信息,辅助临床决策参考。该库包含疾病、药品、检查、指南规范、病例文献及循证文献等多种丰富权威的临床资源。

详细介绍
热门关注
免责声明:本知识库提供的有关内容等信息仅供学习参考,不代替医生的诊断和医嘱。

收藏
| 浏览:35 | 下载:15
作者:
吕昊阳;洪重;黄侠鸣;俞富祥
来源:
肝胆胰外科杂志 2024 年 36卷 1期
标签:
肝内胆管癌 微血管侵犯 影像组学 预测模型 机器学习 intrahepatic cholangiocarcinoma microvascular invasion radiomics prediction model machine learning
目的 研究肿块型肝内胆管癌发生微血管侵犯的影像组学及临床特征,并建立基于机器学习算法的预测模型.方法 回顾性收集2015年1月至2023年2月期间就诊于温州医科大学附属第一医院(75例)和温州医科大学附属第二医院(29例)的肝内胆管癌(ICC)患者资料,提取增强CT的影像组学特征,使用多种机器学习方法进行分析并比较,结合最佳影像组学机器学习方法与临床资料,建立预测模型并进行检验.结果 多种影像组学机器学习方法中,门脉期影像组学特征的朴素贝叶斯分类表现相对较好,曲线下面积(AUC)为0.818,结合筛选出的2个临床特征(瘤内动脉穿行,CEA>5 ng/mL)建立预测模型,训练组和测试组的AUC分别为0.883和0.891,训练组的敏感度为0.978,特异度为0.656,测试组的敏感度为0.909,特异度为0.700.结论 基于增强CT影像组学机器学习结合临床资料的模型可用于预测肝内胆管癌的微血管侵犯状态,具有较好的诊断价值.

Baidu
map