您的账号已在其他设备登录，您当前账号已强迫下线， 如非您本人操作，建议您在会员中心进行密码修改
目的:利用深度学习算法对增强CT检查后发生对比剂肾病(CIN)的风险因素进行分析,并构建CIN的预测模型.方法:从RIS系统中回顾性搜集增强CT检查并建立CIN数据库.检索数据库资料,导出基本信息、基础病史、对比剂注射信息共计 18 项指标,对患者资料进行筛选、预处理后,建立二分类模型研究队列.经数据处理后利用深度学习方法在整理好的 CIN 数据集上进行开发和训练.结果:CIN二分类模型对测试集数据预测结果显示 CIN 阴性分类的精确度、召回率和 F1-分数分别为0.982、0.752 和 0.852,CIN阳性分类的精确度、召回率和F1-分数分别为 0.229、0.842 和 0.359.该模型ROC曲线下面积均为 0.89.结论:本研究使用深度学习算法构建了CIN的预测模型,模型对CIN阳性的患者有较高敏感性,但是特异性有待提高.
作者：赵凯；吴静云；张保翠；罗健；张晓东；王霄英
来源：放射学实践 2023 年 38卷 6期
临床诊疗知识库该平台旨在解决临床医护人员在学习、工作中对医学信息的需求，方便快速、便捷的获取实用的医学信息，辅助临床决策参考。该库包含疾病、药品、检查、指南规范、病例文献及循证文献等多种丰富权威的临床资源。
知识库介绍
临床诊疗知识库现支持机构用户及个人包时用户开通服务。如需开通机构账号，请机构管理员联系我们，联系电话：010-58882667；个人包时开通请直接点击“个人包时订购”，开通后即可使用。
相似文献
