基于非局部先验的高维影像数据计算机辅助诊断与应用

发布时间：2021-06-27 13:11

　　目的探索基于胃肠道病变高维影像数据的计算机辅助诊断模型,特别为医疗资源匮乏地区提供胃肠腺瘤检测的机器学习技术。方法选取UCI Gastrointestinal数据集中76位增生或腺瘤患者的698维结肠镜的白光影像资料。采取非局部先验的贝叶斯变量选择方法进行变量筛选,与传统高维数据变量筛选Lasso方法比较,根据logistic回归模型预测结果计算正确率、Youden指数、灵敏度和特异度,运用该模型结果与医生个人和团队诊断结果比较上述评价指标。结果与Lasso结果比较显示,非局部先验的贝叶斯变量选择方法能够更为有效地筛选出预测变量,模型具有较强的泛化能力。与医生和其团队诊断结果比较发现,模型分类结果在正确率、Youden指数和特异度都具有最优效果,灵敏度也优于医生个人水平。结论基于非局部先验贝叶斯变量筛选的logistic回归模型,运用到计算机辅助诊断技术中,具有较好的预测性能,可为医疗诊断提供高效的决策支持。 

【文章来源】：中国卫生统计. 2020,37(03)北大核心CSCD

【文章页数】：4 页

【部分图文】：

Lasso法与非局部先验贝叶斯法的ROC曲线

【参考文献】：
期刊论文
[1]胃癌高危人群胃镜监测策略的卫生经济学评价[J]. 朱玫烨,薛佳殷,李萍,黄水平.  中国卫生统计. 2017(03)
[2]高维组学数据分析中的贝叶斯变量选择方法[J]. 董晓强,许树红,陶然,王彤.  中华流行病学杂志. 2017 (05)
[3]BP神经网络在高频彩超特征诊断乳腺癌中的应用[J]. 叶华容,杨怡,林萱,舒志成,朱长才,许珊丹.  中国卫生统计. 2016(01)
[4]虚拟结肠镜的计算机辅助诊断技术[J]. 张国鹏,廖琪梅,焦纯,李宝娟,刘洋,卢虹冰.  西安电子科技大学学报. 2015(02)
[5]Serrated adenoma of the stomach:Case report and literature review[J]. Carlos A Rubio,Jan Bjrk.  World Journal of Gastrointestinal Endoscopy. 2013(05)
[6]基于支持向量机的超声乳腺肿瘤图像计算机辅助诊断系统[J]. 李晓峰,沈毅.  光电子.激光. 2008(01)



本文编号：3252915