基于放射组学的最佳机器学习方法,有力区分

擅长临床研究白癜风的专家 http://disease.39.net/bjzkbdfyy/170624/5488020.html

近期，研究者拟从治疗后鼻咽PET/CT图像中确定出基于放射组学的最佳机器学习方法，用于局部复发与炎症的鉴别。共纳入76例鼻咽癌（NPC）患者，经病理证实41例局部复发，35例炎症。从每例患者PET图像中提取了个放射学特征。对6种特征选择方法和7种分类器得出的42种交叉组合的诊断性能进行研究。在原始队列中，70％用于特征选择和分类器开发，余下30％用作独立验证集。使用ROC曲线下面积（AUC）、测试误差、灵敏度和特异性评估诊断效能。结果显示，交叉组合费舍尔分数（FSCR）+k最近邻（KNN）、FSCR+径向基核函数支持向量机（RBF-SVM）、FSCR+随机森林（RF）和最小冗余最大相关性（MRMR）+RBF-SVM在准确性（AUC0.，0.，0.，0.;灵敏度0.，0.，0.，0.;特异性1，1，0.，1）和可靠性（测试误差0.，0.，0.，0.）方面优于其他方法。与传统指标相比，放射组学特征显示出更高的AUC（0.~0.与0.），尽管差异并无统计学意义（P=0.~0.）。该研究确定了最准确和可靠的机器学习方法，可增强放射性组学方法对NPC诊断的准确性。

原文题目：MachineLearningMethodsforOptimalRadiomics-BasedDifferentiationBetweenRecurrenceandInflammation:ApplicationtoNasopharyngealCarcinomaPost-therapyPET/CTImages

更多精彩阅读

便于SPECT显像和Re治疗的99mTc标记FAPI示踪剂“诞生”

鼻咽癌︱18F-FDGPET/CT评估PD-L1状态相当有用

非小细胞肺癌∣治疗前18F-FDGPET/CT放射组学特征预测EGFR突变的价值

真正的全身68Ga-PSMA-11PET/CT告诉你：前列腺癌骨扫描指南该改了！

NSCLC∣18F-FDGPET/CT代谢参数与相关基因突变的关联

如需原文出处及链接，请咨询后台扫码

转载请注明：http://www.slihuax.com/bggzzl/12888.html