纠正:通过基于机器学习的超声放射组学对原发性和转移性肝癌进行术前分类( Correction to: Preoperative classification of primary and metastatic liver cancer via machine learning-based ultrasound radiomics )

B Mao J Ma S Duan Y Xia L Zhang

目的探讨基于机器学习的超声放射学在原发性肝癌和转移性肝癌术前分型中的应用。方法回顾性分析2018年1月至2019年11月连续114例经病理证实的肝癌患者的临床资料。所有患者在肝切除或细针活检前1周内均行肝脏超声检查。肝脏病灶由两位专家用ITK-SNAP软件手工分割。在热放射学平台上提取了7类放射学特征，包括一阶、二维形状、灰度共生矩阵、灰度游程矩阵、灰度大小区域矩阵、相邻灰度色调差矩阵和灰度相关性矩阵。对原始图像应用14个滤波器，得到派生图像。然后，采用最小绝对收缩选择算子(Lasso)方法对放射学特征进行降维。最后采用K-最近邻(KNN)、逻辑回归(LR)、多层感知器(MLP)、随机森林(RF)和支持向量机(SVM)四重交叉验证策略对原发性肝癌和转移性肝癌进行鉴别。结果从每个病人的原始图像和/或衍生图像中提取了149个放射学特征。上述五种机器学习分类器能够区分原发性肝癌和转移性肝癌。LR的准确率为0.843±0.078(AUC为0.816±0.088；灵敏度为0.768±0.232；特异性为0.880±0.117)。结论基于机器学习的超声放射学特征能够无创地区分原发性肝癌和转移性肝癌。采用多个基于机器学习的交叉验证算法提取基于机器学习的超声放射学特征。鉴别原发肿瘤和转移肿瘤的敏感性为0.768，特异性为0.880。

SciDown文献求助系统（解决99%问题） Public Download Springer ResearchGate