《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》

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

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）。