《表2 良、恶性GGN影像征象Logistic多因素回归分析》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《应用Logistic回归分析方法研究肺部良、恶性磨玻璃结节的HRCT影像特征》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

3．良性GGN Logistic回归分析:本文根据单因素分析结果及样本量大小，共选取了分叶征、毛刺征、界面征（模糊、清楚光整、清楚毛糙）、囊状透亮影及密度等5种影像征象进行回归分析，最后一步共筛选出3个自变量，其中分叶征、清楚但毛糙的边界及毛刺征是恶性GGN的危险因素（表2），回归方程:Logistic（P）=-2.494+1.987×分叶征+（2.664×边界清楚但毛糙+0.759×边界清楚光整）+1.444×毛刺征；上述Logistic回归方程经Hosmer and Lemeshow Test进行拟合度检验，χ2=1.704，γ=7，P=0.974，表明方程的拟合有统计学意义，并可以正确分类85.40%的研究对象，即该模型的敏感度P代表诊断恶性的概率，若P≥0.5预报为恶性，P<0.5预报为良性，则预报的准确度高达85.40%，且其特异性为81.80%、敏感度为88.50%，阳性和阴性预测值分别为85.19%、85.71%。