《表3 机器学习模型验证集ROC分析结果》
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MR图像纹理特征建立机器学习模型在脑胶质瘤分级中的应用》
12个预测模型在训练集和验证集中的AUC、敏感度及特异度见表2,3。对于同一组图像,RF、SVM模型的AUC值高于LDA、LR模型。对于相同模型算法,基于T1CE图像建立的模型的AUC值高于另外2组图像。通过T1CE图像建立的4种机器学习模型在训练集和验证集上均表现出良好的诊断效能(AUC≥0.7),其中RF模型训练集中AUC为0.91,验证集中AUC为0.86,表现最好;SVM模型训练集中AUC为0.89,验证集中AUC为0.82,表现仅次于RF模型。进一步比较发现,验证集中表现最好的RF模型的AUC值与LR模型的AUC值差异具有统计学意义(Z=2.35,P=0.02),与SVM、LDA模型的AUC值差异不具有统计学意义(Z=0.61、1.92,P=0.54、0.055)。
图表编号 | XD00202631100 严禁用于非法目的 |
---|---|
绘制时间 | 2020.12.20 |
作者 | 黄栎有、高先聪、王延花 |
绘制单位 | 徐州医科大学附属宿迁医院南京鼓楼医院集团宿迁市人民医院、徐州医科大学附属宿迁医院南京鼓楼医院集团宿迁市人民医院、徐州医科大学附属宿迁医院南京鼓楼医院集团宿迁市人民医院 |
更多格式 | 高清、无水印(增值服务) |