专业的设计网站建设,wordpress群站,宁波网站建设公司信息查询,珠海网站制作首页Rad-score#xff08;全称 Radiomics score#xff0c;影像组学评分#xff09;是通过数学模型将影像组学提取的多个特征整合为一个综合性指标#xff0c;从而简化临床分析与决策。
前文已介绍影像组学的病灶分割、特征提取及筛选流程#xff0c;本节将重点阐述 Rad-scor…Rad-score全称 Radiomics score影像组学评分是通过数学模型将影像组学提取的多个特征整合为一个综合性指标从而简化临床分析与决策。
前文已介绍影像组学的病灶分割、特征提取及筛选流程本节将重点阐述 Rad-score 的计算方法。
一、Rad-score计算公式
Rad-score通过线性加权模型计算其公式为Rad-score β0 β1F1 β2F2 … βnFn
式中
β₀模型截距常数项
βᵢ第i个特征的回归系数
Fᵢ第i个特征的数值
计算过程
a. 将每个特征值Fᵢ与其对应系数βᵢ相乘
b. 对所有乘积结果求和
c. 加上常数项β₀
二、应用示例
在前面章节《影像组学4Python实现特征筛选——t检验和LASSO回归》中我们通过t检验结合LASSO回归方法最终筛选出8个最具预测价值的特征下图中只展示了部分代码完整实现代码参见《影像组学4Python实现特征筛选——t检验和LASSO回归》。 我们还可以如下图所示再添加一行代码输出模型的常数项 将上图中的特征系数及常数项代入Rad-score公式得到
Rad-score 0.4784172661870503
-0.032590*gradient_glcm_DifferenceEntropy
0.107120* gradient_glszm_GrayLevelNonUniformity
0.005718* logarithm_gldm_LargeDependenceEmphasis
0.015960*logarithm_gldm_LargeDependenceHighGrayLevelEmphasis
0.063160*wavelet-LHL_glrlm_RunVariance
0.095719*wavelet-LHH_glrlm_RunLengthNonUniformity
0.020206*wavelet-LHH_glszm_GrayLevelNonUniformity
-0.012184*wavelet-HHL_firstorder_Skewness
以前面章节《影像组学4Python实现特征筛选——t检验和LASSO回归》中使用的表格data1中的第一例患者为例。 将上述表格中第一例患者的特征数值代入上述公式计算结果如下
Rad-score 0.4784172661870503
-0.032590 * 1.4487039547061462
0.107120 * 71.92071611253196
0.005718 * 42.028418751518096
0.015960 * 15884.783823172213
0.063160 * 6.923302913661368
0.095719 * 243.70653654817067
0.020206 * 45.1219512195122
-0.012184 * (-0.9308634961123491) 286.58
注
Rad-score是针对每个样本即每位患者计算的每个患者都有一个唯一的Rad-score。由于篇幅限制这里仅以第一例患者为例进行说明其他样本的计算过程类似不再一一列举。
