磁共振成像
磁共振成像
자공진성상
CHINESE JOURNAL OF MAGNETIC RESONANCE IMAGING
2012年
6期
401-409
,共9页
Matthias Dietzel%Andreas Dietzel%Ramy Zoubi%Hartmut P. Burmeister%Martin Bogdan%Werner A. Kaiser%Pascal A.T. Baltzer
Matthias Dietzel%Andreas Dietzel%Ramy Zoubi%Hartmut P. Burmeister%Martin Bogdan%Werner A. Kaiser%Pascal A.T. Baltzer
Matthias Dietzel%Andreas Dietzel%Ramy Zoubi%Hartmut P. Burmeister%Martin Bogdan%Werner A. Kaiser%Pascal A.T. Baltzer
k最邻近节点算法%磁共振成像%早期肿瘤%影像诊断%计算机辅助诊断%病变特征
k最鄰近節點算法%磁共振成像%早期腫瘤%影像診斷%計算機輔助診斷%病變特徵
k최린근절점산법%자공진성상%조기종류%영상진단%계산궤보조진단%병변특정
k-nearest neighbor algorithm%Magnetic resonance imaging%Neoplasms-primary%Diagnostic imaging%Computer aided diagnosis%Lesion characterization
目的 k最近邻节点算法(k-nearest neighbor algorithm,kNN)可以将复杂的医疗信息集合成临床诊断信息(比如确定良性或恶性病变).该研究旨在分析kNN算法应用于大量临床数据集时的AUC(ROC曲线下面积).材料与方法 该研究经IRB批准,且实验选取了543例经病理证实为乳腺病灶的MR图像进行分析,所有的病灶由两名经验丰富的放射科医师用现有的描述方法进行前瞻性评估.kNN算法应用于诊断恶性与良性病变的步骤如下:首先,用递归特征消除来确定单个特征描述的重要性,将其按照重要性排列.然后,采取多类别描述方法的策略,将对照组分为4组:top-3、top-7、top-12和top-18组,相应的特征描述作为kNN算法的输入向量.最后,用kNN算法对四组数据处理,对结果进行量化,比较各组数据的AUC(为了尽量消除数据模型和测试数据的偏差,运用了4倍交叉验证).病理组织学显示,实验数据组共有196个良性病变和347个恶性病变.结果 测得最高的AUC为0.940 (用top-18描述).如果用top-12来描述,AUC降为0.928 (P =0.23).减少特征描述输入向量的维数会显著降低(P <0.05) kNN算法的AUC ("top-7":AUC=0.895; "top-3":AUC=0.816).结论 kNN对预测恶性肿瘤的精确度较高(AUC为0.940),由于这种描述方法对n≥12是有效的,说明kNN算法对多维数据的评估更加有效.
目的 k最近鄰節點算法(k-nearest neighbor algorithm,kNN)可以將複雜的醫療信息集閤成臨床診斷信息(比如確定良性或噁性病變).該研究旨在分析kNN算法應用于大量臨床數據集時的AUC(ROC麯線下麵積).材料與方法 該研究經IRB批準,且實驗選取瞭543例經病理證實為乳腺病竈的MR圖像進行分析,所有的病竈由兩名經驗豐富的放射科醫師用現有的描述方法進行前瞻性評估.kNN算法應用于診斷噁性與良性病變的步驟如下:首先,用遞歸特徵消除來確定單箇特徵描述的重要性,將其按照重要性排列.然後,採取多類彆描述方法的策略,將對照組分為4組:top-3、top-7、top-12和top-18組,相應的特徵描述作為kNN算法的輸入嚮量.最後,用kNN算法對四組數據處理,對結果進行量化,比較各組數據的AUC(為瞭儘量消除數據模型和測試數據的偏差,運用瞭4倍交扠驗證).病理組織學顯示,實驗數據組共有196箇良性病變和347箇噁性病變.結果 測得最高的AUC為0.940 (用top-18描述).如果用top-12來描述,AUC降為0.928 (P =0.23).減少特徵描述輸入嚮量的維數會顯著降低(P <0.05) kNN算法的AUC ("top-7":AUC=0.895; "top-3":AUC=0.816).結論 kNN對預測噁性腫瘤的精確度較高(AUC為0.940),由于這種描述方法對n≥12是有效的,說明kNN算法對多維數據的評估更加有效.
목적 k최근린절점산법(k-nearest neighbor algorithm,kNN)가이장복잡적의료신식집합성림상진단신식(비여학정량성혹악성병변).해연구지재분석kNN산법응용우대량림상수거집시적AUC(ROC곡선하면적).재료여방법 해연구경IRB비준,차실험선취료543례경병리증실위유선병조적MR도상진행분석,소유적병조유량명경험봉부적방사과의사용현유적묘술방법진행전첨성평고.kNN산법응용우진단악성여량성병변적보취여하:수선,용체귀특정소제래학정단개특정묘술적중요성,장기안조중요성배렬.연후,채취다유별묘술방법적책략,장대조조분위4조:top-3、top-7、top-12화top-18조,상응적특정묘술작위kNN산법적수입향량.최후,용kNN산법대사조수거처리,대결과진행양화,비교각조수거적AUC(위료진량소제수거모형화측시수거적편차,운용료4배교차험증).병리조직학현시,실험수거조공유196개량성병변화347개악성병변.결과 측득최고적AUC위0.940 (용top-18묘술).여과용top-12래묘술,AUC강위0.928 (P =0.23).감소특정묘술수입향량적유수회현저강저(P <0.05) kNN산법적AUC ("top-7":AUC=0.895; "top-3":AUC=0.816).결론 kNN대예측악성종류적정학도교고(AUC위0.940),유우저충묘술방법대n≥12시유효적,설명kNN산법대다유수거적평고경가유효.