期刊专题

肿瘤分割策略对机器学习预测肾透明细胞癌病理分级影响的研究

引用
目的 探究肿瘤边缘分割策略对基于CT的机器学习预测肾透明细胞癌(ccRCC)病理分级的影响.方法 回顾性分析2009年1月至2019年12月经病理证实的ccRCC患者三期CT图像数据及临床病理学资料共546例,分为建模及内部验证集(n=311)、独立外部验证集(n=235).按以下肿瘤图像分割策略进行分组:聚焦肿瘤边缘分割(MF组);边缘范围分别扩大1 mm(E1组)、3 mm(E3组);边缘范围分别缩小1 mm(S1组)、3 mm(S3组).基于三期CT图像并利用CatBoost建立ccRCC病理分级(高/低级别)的机器学习预测模型.对比分析各组所提取的纹理特征及权重因子、预测模型的敏感度(SEN)、特异度(SPC)、阳性预测值(PPV)、阴性预测值(NPV)、准确率(ACC)、受试者工作特征曲线(ROC)及曲线下面积(AUC).结果 分割边缘范围与所提取的纹理特征权重因子大小成正比,权重因子随着肿瘤图像分割边缘收缩而减小.采用如上述肿瘤图像分割策略的ccRCC病理分级预测模型的AUC分别为:MF 0.8037、E1 0.8161、E3 0.8165、S1 0.8010、S3 0.7974.组间AUC两两比较差异无统计学意义(P>0.05).结论 基于多期CT图像的ccRCC病理分级机器学习预测模型具有较高的诊断效能,且不容易受到分割边缘微小范围(3 mm内)变化的影响.

机器学习、肿瘤分割、肾透明细胞癌、病理分级

42

TP391.41;R737.11;R3

广东省基础与应用基础研究基金项目2021A1515220080

2023-08-08(万方平台首次上网日期,不代表论文的发表时间)

共6页

981-986

暂无封面信息
查看本期封面目录

临床放射学杂志

1001-9324

42-1187/R

42

2023,42(6)

专业内容知识聚合服务平台

国家重点研发计划“现代服务业共性关键技术研发及应用示范”重点专项“4.8专业内容知识聚合服务技术研发与创新服务示范”

国家重点研发计划资助 课题编号:2019YFB1406304
National Key R&D Program of China Grant No. 2019YFB1406304

©天津万方数据有限公司 津ICP备20003920号-1

信息网络传播视听节目许可证 许可证号:0108284

网络出版服务许可证:(总)网出证(京)字096号

违法和不良信息举报电话:4000115888    举报邮箱:problem@wanfangdata.com.cn

举报专区:https://www.12377.cn/

客服邮箱:op@wanfangdata.com.cn