基于机器学习的放射组学预测胶质瘤分级和多种病理生物标记物表达( 二 )
结果：RF算法在所有任务中的稳定性和一致性均优于Logistic回归和支持向量机 。 RF神经胶质瘤分级分类器具有较好的预测性(AUC：0.79 ， 准确率：0.81) 。 RF分类器对Ki67表达也取得了预测性能(AUC：0.85 ， 准确度：0.80) 。 GFAP分类器的AUC和准确度得分分别为0.72和0.81 。 S100表达水平的AUC和准确性分数分别为0.60和0.91 。
结论：基于机器学习的放射组学方法可以提供一种术前无创预测胶质瘤分级和多种病理标志物表达水平的方法 ， 具有良好的预测准确性和稳定性 。
推荐阅读
- 唐山四维智能科技有限公司：双臂机器人引领人机协作新纪元
- 计算机专业大一下学期，该选择学习Java还是Python
- 华硕基于WRX80的主板现身 为AMD Ryzen Threadripper Pro打造
- 大众展示EV公共充电新解决方案：移动充电机器人
- 普渡机器人获最佳商用服务机器人奖
- 翻译|机器翻译能达60个语种3000个方向，近日又夺全球五冠，这家牛企是谁？
- 假期弯道超车 国美学习“神器”助孩子变身“学霸”
- 想自学Python来开发爬虫，需要按照哪几个阶段制定学习计划
- 未来想进入AI领域，该学习Python还是Java大数据开发
- Google AI建立了一个能够分析烘焙食谱的机器学习模型