| 李逸凡，骆源，郭丽，梁猛.影像组学分析和机器学习在肺结节良恶性分类中的应用[J].放射学实践,2021,(04):464-469 |
| 影像组学分析和机器学习在肺结节良恶性分类中的应用 |
|
| |
| DOI：10.13609/j.cnki.1000-0313.2021.04.009 |
| 中文关键词: 肺肿瘤 体层摄影术，X线计算机 影像组学 纹理特征 机器学习 |
| 基金项目:天津市自然科学基金（18JCYBJC95600）；国家自然科学基金（81974277） |
|
| 摘要点击次数: 2589 |
| 全文下载次数: 2684 |
| 中文摘要: |
| 【摘要】目的：探讨CT纹理特征对良恶性肺结节的鉴别价值及在独立数据集上的泛化能力。方法：回顾性分析LIDC-IDRI和LUNGx数据库中共1428个肺结节（直径3~30mm）的CT图像，其中良性1221个、恶性207个。将LIDC-IDRI数据库的1372个结节（良性1190个，恶性182个）作为训练集，LUNGx数据库的56个结节（良性31个，恶性25个）作为独立验证集。利用Pyradiomics软件包，每个结节共提取了946个影像组学特征。对在良恶性组间差异具有统计学意义的纹理特征，进一步使用最小绝对收缩选择算子（LASSO）或三联法（Fisher+POE+ACC+MI，FPM）进行特征的筛选，使用支持向量机（SVM）算法建立肺结节良恶性预测模型。对最优模型的效能在测试集中直接评估，在训练集中通过交叉验证法进行评估。结果：在训练集中对最优模型进行交叉验证得到的AUC、符合率、敏感度、特异度、阳性预测值（PPV）和阴性预测值（NPV）分别为0.892、0.859、0.788、0.876、0.492和0.964。经特征选择后，共17个影像组学特征被纳入肺结节良恶性的分类诊断模型。在验证集中，最优诊断模型的AUC、符合率、敏感度、特异度、PPV和NPV分别为0.765、0.745、0.800、0.700、0.689和0.808。结论：基于CT影像组学分析的纹理特征在肺结节良恶性的分型中具有良好的效能和一定泛化性，可应用于临床上肺结节良恶性的计算机辅助诊断。 |
| |
|
查看全文
下载PDF阅读器 |
| 关闭 |
