文章摘要
田斌， 余晖， 任基刚， 汪汉林， 徐井旭， 黄陈翠.基于机器学习的多种分类模型在新型冠状病毒肺炎与社区获得性肺炎鉴别诊断中的效能[J].放射学实践,2021,(05):590-595
基于机器学习的多种分类模型在新型冠状病毒肺炎与社区获得性肺炎鉴别诊断中的效能
  
DOI：10.13609/j.cnki.1000-0313.2021.05.004
中文关键词: 新型冠状病毒肺炎  社区获得性肺炎  体层摄影术，X线计算机  机器学习  放射组学  诊断，鉴别
基金项目:
作者单位
田斌， 余晖， 任基刚， 汪汉林， 徐井旭， 黄陈翠 550004贵阳，贵州医科大学医学影像学院(田斌、任基刚)
550004贵阳，贵州医科大学附属医院影像科（余晖）；430010武汉，长江航运总医院影像科（汪汉林）；100080北京 ,北京深睿博联科技有限责任公司研发中心（徐井旭、黄陈翠） 
摘要点击次数: 3799
全文下载次数: 4150
中文摘要:
      【摘要】目的:将14种常用的机器学习分类模型应用于新型冠状病毒肺炎（COVID-19）与社区获得性肺炎（CAP）的鉴别诊断，探讨能为COVID-19的早期诊断提供最优效能的机器学习分类模型。方法:搜集经临床确诊的86例COVID-19患者和100例CAP患者的胸部CT图像，利用影像组学方法提取病变区域的纹理特征，使用14种机器学习分类模型构建放射组学特征，通过ROC曲线下面积（AUC）评估模型的诊断效能，AUC最高者的效能最优。结果:14种分类模型的AUC均大于0.9，随机森林（Random Forest）模型的AUC最高（0.9406），高斯贝叶斯（Gaussian NB）模型的AUC最低(0.9037)。结论:14种机器学习分类模型均可有效鉴别COVID-19与CAP，均具有较高的鉴别诊断效能（AUC值均＞0.9），效能最高的模型是Random Forest（AUC=0.9406），能够在早期诊断COVID-19方面发挥优势。
      
查看全文   下载PDF阅读器
关闭