《表2 特征的P值和r系数》

  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

《基于超声影像组学的原发性肝细胞癌分级预测》

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

采用单变量分析筛选得到与HCC分级高度相关的6个纹理特征，其中5个特征为原始图像经过小波变换后提取得到，分别为wavelet.HLL＿glcm＿ClusterProminence（wavelet.HLL＿glcm＿CP）、wavelet.HLL＿glrlm＿-LongRunLowGrayLevelEmphasis（wavelet.HLL＿glrlmHLL＿glrlm＿LRLGLE）、wavelet.HLL＿ngtdm＿Busyness、wavelet.HLL＿ngtdm＿Strength、wavelet.HLH＿firstorder-＿Minimum，其中HLL、HLH代表小波变换的3个方向，例如HLL表示在x方向作高通滤波，在y、z方向作低通滤波。另一个特征logarithm＿glszm＿SmallAreaHighGrayLevelEmphasis（logarithm＿glszm＿SAHGLE）是通过对原始图像作对数变换提取得到，与HCC分级的相关性最高。上述6个特征经Wilcoxon秩和检验所得P值及箱线图如图3所示。箱线图显示特征的最大值、最小值、中位数及上下四分位数，能分别体现6个特征在Ⅱ级和Ⅲ级间的分布差异。例如，特征wavelet.HLL＿glcm＿CP，wavelet.HLL＿ngtdm＿Strength及logarithm＿glszm＿SAH-GLE在Ⅱ级的分布值普遍高于Ⅲ级，而剩余3个特征呈相反状态。为了更直观地体现差异性，计算Ⅱ级和Ⅲ级所对应6个特征的均值与标准差，结果如表1所示。为了描述每个特征与HCC分级的正负相关性和依赖性，对特征作Spearman分析，得到其相应的P值和r系数如表2所示。其中r系数的大小代表特征与HCC分级的相关程度强弱，从表2可得与HCC分级相关度最高的特征是logarithm＿glszm＿SAHGLE。所建影像组学预测模型对HCC分级的预测性能AUC为0.757(95%CI:0.612，0.901），ACC为0.605，灵敏度为0.563，特异度为0.630。模型的ROC曲线如图4所示。