文献类型：期刊文章

作　　者：吴亚平[1,2] 刘博[2,3,4] 顾建钦[4] 刘广芝[4] 伍卫国[1] 田捷[6] 白岩[4,5] 王梅云[4,5] 林子松[2,3,4]

Wu Yaping;Liu Bo;Gu Jianqin;Liu Guangzhi;Wu Weiguo;Tian Jie;Bai Yah;Wang Meiyun;Lin Yusong(School of Electronic and Information Engineering, Xi＇an Jiaotong University, Xi＇an 710049, China;Collaborative Innovation Center for Internet Healthcare, Zhengzhou University, Zhengzhou 450001, China)

机构地区：[1]西安交通大学电子与信息工程学院,710049 [2]郑州大学互联网医疗与健康服务河南省协同创新中心 [3]郑州大学软件与应用科技学院 [4]河南省人民医院河南省临床大数据分析与服务工程研究中心 [5]河南省人民医院影像科 [6]中国科学院自动化研究所分子影像重点实验室

出　　处：《中华放射学杂志》

年　　份：2017

卷　　号：51

期　　号：12

起止页码：902-905

语　　种：中文

收录情况：AJ、BDHX、BDHX2014、CAS、CSCD、CSCD2017_2018、EMBASE、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：目的探讨依照影像组学的理论和方法对脑胶质瘤进行分级的可行性。方法2012至2016年回顾性纳入161例经病理证实的脑胶质瘤患者，其中低级别胶质瘤52例，高级别胶质瘤109例。对所有患者的MRI图像进行高通量的数据采集，提取形状、密度、纹理、小波等346个量化特征，利用互信息和logistic回归模型，进行特征降维和预测模型选择，最后在数据集上使用十折交叉验证对模型的预测能力进行验证。结果本研究预测模型最终获得19个特征。模型的敏感度为96．3％（105／109），特异度为78．8％（41／52），曲线下面积（AUC）为0．9527，模型准确率为90．7％（146／161）。结论本研究提出的影像组学方法具有无创、计算速度快、正确率高等优点，可以为脑胶质瘤的临床分级提供辅助手段。

关 键 词：神经胶质瘤 影像组学  人工智能

分 类 号：R739.4]