| 孟令思，赵帅，郭君武.基于GBM分类器构建CTE标签评估不同程度活动期溃疡性结肠炎[J].放射学实践,2021,(12):1526-1532 |
| 基于GBM分类器构建CTE标签评估不同程度活动期溃疡性结肠炎 |
|
| |
| DOI：10.13609/j.cnki.1000-0313.2021.12.013 |
| 中文关键词: 溃疡性结肠炎 Mayo评分 CT肠道成像 机器学习 随机森林 |
| 基金项目: |
|
| 摘要点击次数: 2945 |
| 全文下载次数: 3278 |
| 中文摘要: |
| 【摘要】目的：探讨基于CT肠道成像（CTE）利用机器学习方法提取的影像特征在评估活动期溃疡性结肠炎（UC）病变程度中的价值。方法：将2017年9月－2020年9月在本院首诊为UC的157例患者患者纳入研究。根据Mayo临床评分方法，将所有患者分为轻度组（3~5分）40例、中度组（6~10分）52例、重度组（11~12分）65例。所有患者行肠镜及CTE检查。基于CTE图像记录每例患者13个影像学征象（病变范围、肠壁增厚、黏膜分层、肠壁异常强化、肠系膜充血、直肠周围脂肪沉淀、淋巴结增大、黏膜囊泡、肠腔狭窄、结肠袋消失、肠黏膜息肉、靶征和梳齿征）的出现情况。将所有患者按照5:5分为训练组和验证组，基于训练组数据，以Mayo分组为分类标签，对CTE征象进行特征筛选后纳入GBM分类器，利用机器学习方法构建CTE征象诊断模型，并利用验证组的数据对其进行验证。结果：经特征筛选后，将10个有统计学意义的CTE征象纳入GBM分类器，采用机器学习的方法构建CTE征象诊断模型，其在训练集中鉴别轻度与中重度、中度与重度、重度与轻中度的AUC分别为0.99、0.99和1.00，在验证组中相应AUC为0.99、0.96和0.98；在训练组合验证组中评估UC病变程度的总体诊断符合率分别为0.921（95%CI：0.8102~0.9553）和0.887（95%CI：0.7617~0.9274）。结论：利用多分类器机器学习的方法基于CTE影像特征构建的诊断模型可用于评估UC患者的病变程度。 |
| |
|
查看全文
下载PDF阅读器 |
| 关闭 |
