目的使用影像组学方法构建一个影像组学标签分类模型,对肺肿瘤良恶性进行分类预测。方法分析四川大学华西医院80例怖肿瘤患者的CT影像学数据,分割肿瘤区域,提取肿瘤形状、大小、强化程度、纹理和小波变换共485个影像组学特征。利用La...目的使用影像组学方法构建一个影像组学标签分类模型,对肺肿瘤良恶性进行分类预测。方法分析四川大学华西医院80例怖肿瘤患者的CT影像学数据,分割肿瘤区域,提取肿瘤形状、大小、强化程度、纹理和小波变换共485个影像组学特征。利用Lasso算法筛选出与肿瘤良恶性鉴别最密切的组学特征,并使用Logistic回归构建诊断肿瘤良恶性的预测模型。采用受试者工作特征(receiver operating characteristic.ROC)曲线及其曲线下面积(area under curve,AUC)来评估该影像组学标签在训练集和验证集中的效能。结果选取3个影像组学特征构建出影像组学标签,具有很好的预测分类效果。训练集的AUC为0870(95%CI:0760-0978J,灵敏度为0.870,特异度为0.818;验证集的AUC为0.853(95%CI:0.717-0.989),灵敏度为0.882,特异度为0.778。结论随着CT在临床诊断中的广泛使用,真有望成为辅助检测肿瘤良恶性的非侵入手段。展开更多
文摘目的使用影像组学方法构建一个影像组学标签分类模型,对肺肿瘤良恶性进行分类预测。方法分析四川大学华西医院80例怖肿瘤患者的CT影像学数据,分割肿瘤区域,提取肿瘤形状、大小、强化程度、纹理和小波变换共485个影像组学特征。利用Lasso算法筛选出与肿瘤良恶性鉴别最密切的组学特征,并使用Logistic回归构建诊断肿瘤良恶性的预测模型。采用受试者工作特征(receiver operating characteristic.ROC)曲线及其曲线下面积(area under curve,AUC)来评估该影像组学标签在训练集和验证集中的效能。结果选取3个影像组学特征构建出影像组学标签,具有很好的预测分类效果。训练集的AUC为0870(95%CI:0760-0978J,灵敏度为0.870,特异度为0.818;验证集的AUC为0.853(95%CI:0.717-0.989),灵敏度为0.882,特异度为0.778。结论随着CT在临床诊断中的广泛使用,真有望成为辅助检测肿瘤良恶性的非侵入手段。
基金National Natural Science Foundation of China(No.61302159,61227003,61301259)Natual Science Foundation of Shanxi Province(No.2012021011-2)+2 种基金Specialized Research Fund for the Doctoral Program of Higher Education,China(No.20121420110006)Top Science and Technology Innovation Teams of Higher Learning Institutions of Shanxi Province,ChinaProject Sponsored by Scientific Research for the Returned Overseas Chinese Scholars,Shanxi Province(No.2013-083)