| 林春琴，林钱森，陈杰云，王建新，杨彦，黄海云.基于T1WI机器学习模型预测新生儿急性胆红素脑病的价值[J].放射学实践,2026,41(03):295-300 |
| 基于T1WI机器学习模型预测新生儿急性胆红素脑病的价值 |
|
| |
| DOI：10.13609/j.cnki.1000-0313.2026.03.009 |
| 中文关键词: 急性胆红素脑病 磁共振成像 机器学习 |
| 基金项目:福建省自然科学基金面上项目（2022J011463）；泉州市科技计划项目（2024NY002，2023NS054） |
|
| 摘要点击次数: 186 |
| 全文下载次数: 202 |
| 中文摘要: |
| 【摘要】目的：探讨基于T1WI六种不同机器学习分类算法模型对新生儿急性胆红素脑病（ABE）的诊断价值。方法：收集36例ABE患儿（ABE组）和49例非ABE新生儿（非ABE组）的临床和MR资料，基于Radcloud平台对T1WI苍白球进行标注、影像组学特征提取及降维，使用5折交叉验证方法，采用支持向量机、决策树、线性判别分析、随机森林、逻辑回归（LR）、多层感知器（MLP）等6种不同机器学习分类算法进行预测模型构建及验证，采用受试者操作特征（ROC）曲线下面积（AUC）评估不同机器学习模型预测ABE的诊断效能，并与传统视觉阅片、基于苍白球（G）与壳核（P）信号比值（G/P值）半定量评估方法比较。结果：基于T1WI图像构建的机器学习模型可用于预测ABE，以MLP、LR模型为最优并具有一定的诊断效能AUC分别达0.844、0.835，高于G/P值半定量评估（AUC为0.807）及传统视觉诊断（AUC为0.755）。结论：基于T1WI放射组学机器学习模型能够更好的有效识别ABE，有望为临床早期识别ABE提供更可靠参考价值。 |
| |
|
查看全文
下载PDF阅读器 |
| 关闭 |
