期刊文献+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到2篇文章
< 1 >
每页显示 20 50 100
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
结肠镜肠道准备失败风险预测模型及Web应用程序的构建与验证
1
作者 王甘红 陈健 +3 位作者 夏开建 汤洪 奚美娟 周燕婷 《中国数字医学》 2025年第3期11-20,共10页
目的:利用机器学习算法,开发一款预测结肠镜检查前肠道准备失败风险的模型及应用程序。方法:回顾性收集拟行结肠镜检查的患者数据,纳入21个潜在预测变量,构建和内部验证传统的逻辑回归(LR)模型、机器学习(ML)模型。以受试者工作特征(ROC... 目的:利用机器学习算法,开发一款预测结肠镜检查前肠道准备失败风险的模型及应用程序。方法:回顾性收集拟行结肠镜检查的患者数据,纳入21个潜在预测变量,构建和内部验证传统的逻辑回归(LR)模型、机器学习(ML)模型。以受试者工作特征(ROC)曲线、校准曲线、敏感度、特异度和准确率等指标评估模型性能,并通过特征重要性图、LIME图、力图等进行可视化解释。然后,利用Python环境中的Dash库和性能最佳的模型构建Web应用程序,并在前瞻性收集的外部测试集上进行验证。结果:共纳入429例患者,其中141例(32.87%)存在肠道准备失败(BBPS评分≤5分)。基于XGBoost算法的ML模型,敏感度为0.864、特异度为0.930、准确率为0.911;在验证集中AUC值达0.910,在测试集中为0.820,性能优于传统Lasso回归模型。ML模型和逻辑回归模型共同识别的肠道准备失败变量包括便秘病史、服完泻药至检查间隔时间、术前积极运动、家属陪同、钙通道阻滞剂服用史、糖尿病、抗抑郁药服用史、年龄。结论:基于XGBoost机器学习算法构建的Web应用程序,在早期预测结肠镜肠道准备失败风险方面具有明显的临床实用性。 展开更多
关键词 肠道准备 结肠镜 机器学习 预测模型 应用程序
在线阅读 下载PDF
基于YOLO神经网络和迁移学习的结直肠息肉内镜图像分割
2
作者 陈健 王甘红 +3 位作者 夏开建 汤洪 徐晓丹 刘罗杰 《现代消化及介入诊疗》 2024年第5期599-604,共6页
目的基于YOLOv8神经网络开发针对结直肠息肉内镜图像的语义分割模型。方法收集2018年6月至2024年2月期间的结直肠息肉内镜数据,包括静态图像和视频。所有样本均经过病理学验证,分为锯齿状病变和腺瘤性息肉两类。使用LabelMe工具进行了... 目的基于YOLOv8神经网络开发针对结直肠息肉内镜图像的语义分割模型。方法收集2018年6月至2024年2月期间的结直肠息肉内镜数据,包括静态图像和视频。所有样本均经过病理学验证,分为锯齿状病变和腺瘤性息肉两类。使用LabelMe工具进行了图像的多边形标注,并转换为YOLO模型兼容的格式。利用这些数据,进行了不同规模的YOLO神经网络模型的迁移学习和微调训练。模型的性能在验证集和测试集上进行了评估,包括精确率(Precision)、检测速度、准确率(ACC)、平均交并比(mIoU)等指标。结果本研究开发了5种不同版本大小的YOLOv8语义分割模型,包括v8n、v8s、v8m、v8l、v8x。其中YOLOv8l在速度(107.5帧/s)和精确率(94.50%)达到了最佳平衡,在内部验证集中YOLOv8l的准确率达0.924,mIoU达83.06%,Dice系数达0.941。在外部测试集中,准确率为0.902,mIoU为80.08%,Dice系数为0.923。结论基于YOLOv8l构建的结直肠息肉语义分割模型具有良好地预测性能,能够自动对息肉进行定位和分类,并精确描述息肉的像素级轮廓。 展开更多
关键词 结直肠息肉 深度学习 语义分割 YOLO 人工智能
在线阅读 下载PDF
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 下一页 到第 页
使用帮助 返回顶部