企业物流管理论文
探讨基于双参数MRI影像组学特征的机器学习模型在前列腺癌风险分层中的作用。
扫码添加在线编辑咨询~
论文发表；期刊发表；学术论文；物流管理毕业论文
目的 探讨基于双参数MRI影像组学特征的机器学习模型在前列腺癌风险分层中的作用。方法 收集128例经病理证实的前列腺癌患者的临床资料，其中低风险组（Gleason评分 ≤ 3+4分）60例、高风险组（Gleason评分 ≥ 4+3分）68例。所有患者均接受3.0 T MRI检查，采集参数相同。统计与前列腺癌相关的临床危险因素，包括年龄、病灶体积、病灶位置、前列腺特异性抗原及前列腺影像报告和数据系统（PI-RADS）评分等。按7：3将患者随机分为训练集和验证集，分别用于影像组学模型的机器学习和验证。影像组学特征包括基于梯度的直方图特征、形态特征、灰度共生矩阵（GLCM）、灰度游程矩阵（GLRLM）、灰度大小区域矩阵（GLSZM）和Haralick特征。应用多因素logistic回归分析建立3个前列腺癌风险分层的预测模型：临床模型、影像组学模型和临床-影像组学联合模型，分别通过ROC曲线和决策曲线分析比较各模型的诊断效能与临床效益。结果 影像组学模型和临床-影像组学联合模型对验证集的预测效能相当（AUC=0.78，95% CI 0.63~0.93），并且均优于临床模型（AUC=0.75，95% CI 0.60~0.91）。决策曲线分析表明，影像组学模型和临床-影像组学联合模型比临床模型具有更高的临床净收益。结论 与仅评估前列腺癌相关的临床危险因素相比，基于双参数MRI影像组学的临床-影像组学机器学习模型可以提高对前列腺癌风险分层预测的准确性。
企业物流管理论文(物流管理毕业论文||论文发表||物流管理毕业论文)
