《表1 AI对胶质瘤分级诊断的研究及其诊断效能》

  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

《基于影像组学的人工智能在脑胶质瘤MRI诊断中的应用》

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

在图像分割和特征提取之后，应将上述结果推入数学或统计模型输出最终分类结果。机器学习（machine learning，ML）是实现分类器功能的重要方法，分为监督学习（原理见图2）和无监督学习。监督学习的主要模型有随机森林（random forest，RF）、人工神经网络（artificial neural networks，ANN）、支持向量机（support vector machine，SVM）、逻辑回归（logistic regression，LR）等。ANN是受生物神经网络启发而开发的一种经典的机器学习方法，由输入层、隐藏层和输出层构成，当隐藏层发展到多层时便称之为深度学习（deep learning，DL）。近年来基于DL的AI技术在胶质瘤诊断中的应用发展迅速，其中卷积神经网络（convolutional neural networks，CNN）应用较为广泛。SVM特别适合用于处理分类问题，基于不同的图像特征建立的SVM模型可实现多种分类目的，是目前胶质瘤分级诊断中应用最广泛的分类器，多项研究证明SVM分类性能优于其他分类器（见表1）。