메뉴 건너뛰기
.. 내서재 .. 알림
소속 기관/학교 인증
인증하면 논문, 학술자료 등을  무료로 열람할 수 있어요.
한국대학교, 누리자동차, 시립도서관 등 나의 기관을 확인해보세요
(국내 대학 90% 이상 구독 중)
로그인 회원가입 고객센터 ENG
주제분류
인문학
인문학 일반 역사학 철학 종교학 어문학 기타 인문학
사회과학
사회과학 일반 경영학 관광학 교육학 군사학 문헌정보학 법학 사회학 신문방송학 심리과학 정치외교학 지리학 행정학 경제학 무역학 인류학 기타 사회과학
자연과학
자연과학 일반 물리학 생물학 생활과학 수학·통계학 천문학 지구과학 화학 기타 자연과학
공학
공학 일반 건축공학 기계공학 산업공학 재료·에너지공학 전기전자공학 조선해양공학 화학공학 컴퓨터학 기타공학
의약학
의학 일반 간호학 수의학 약학 한의학 기초의학 임상의학 기타 의약학
농수해양학
농수해양학 일반 농학 수산학 식품과학 임학 축산학 해상운송학 기타 농수해양학
예술체육학
예술 일반 디자인 미술 미용 사진 음악학 의상 체육 공연매체예술 기타 예술체육학
복합학
학제간연구 과학기술학 뇌인지과학 기술정책 기타 복합학

ENG

추천
검색

논문 기본 정보

자료유형
학술저널
저자정보
배소희 (국민건강보험 일산병원) 최윤성 (연세대학교) 손범석 (연세대학교) 안성수 (연세대학교) 이승구 (연세대학교) 양재문 (연세대학교) 김진아 (연세대학교)
저널정보
연세대학교 의과대학 Yonsei Medical Journal Yonsei Medical Journal 제61권 제10호
발행연도
2020.1
수록면
895 - 900 (6page)

이용수

표지
📌
연구주제
📖
연구배경
🔬
연구방법
🏆
연구결과
AI에게 요청하기
추천
검색

초록· 키워드

오류제보하기
The purpose of this study was to evaluate the diagnostic performance of magnetic resonance (MR) radiomics-based machine learning algorithms in differentiating squamous cell carcinoma (SCC) from lymphoma in the oropharynx. MR images from 87 patients with oropharyngeal SCC (n=68) and lymphoma (n=19) were reviewed retrospectively. Tumors were semi-automatically segmented on contrast-enhanced T1-weighted images registered to T2-weighted images, and radiomic features (n=202) were extracted from contrast-enhanced T1- and T2-weighted images. The radiomics classifier was built using elastic-net regularized generalized linear model analyses with nested five-fold cross-validation. The diagnostic abilities of the radiomics classifier and visual assessment by two head and neck radiologists were evaluated using receiver operating characteristic (ROC) analyses for distinguishing SCC from lymphoma. Nineteen radiomics features were selected at least twice during the five-fold cross-validation. The mean area under the ROC curve (AUC) of the radiomics classifier was 0.750 [95% confidence interval (CI), 0.613?0.887], with a sensitivity of 84.2%, specificity of 60.3%, and an accuracy of 65.5%. Two human readers yielded AUCs of 0.613 (95% CI, 0.467?0.759) and 0.663 (95% CI, 0.531?0.795), respectively. The radiomics-based machine learning model can be useful for differentiating SCCfrom lymphoma of the oropharynx.
#Radiomics #oropharynx #squamous cell carcinoma #lymphoma #magnetic resonance imaging

목차

등록된 정보가 없습니다.

참고문헌 (23)

참고문헌 신청
Harnsberger HR / 1987 / Non-Hodgkin’s lymphoma of the head and neck : CT evaluation of nodal and extranodal sites / AJR Am J Roentgenol 149:785~791 google schola Ichikawa Y / 2012 / Efficacy of diffusion-weighted imaging for the differentiation between lymphomas and carcinomas of the nasopharynx and oropharynx : correlations of apparent diffusion coefficients and histologic features / AJNR Am J Neuroradiol 33:761~766 google schola Maeda M / 2005 / Usefulness of the apparent diffusion coefficient in line scan diffusion-weighted imaging for distinguishing between squamous cell carcinomas and malignant lymphomas of the head and neck / AJNR Am J Neuroradiol 26:1186~1192 google schola Sumi M / 2007 / Diagnostic ability of apparent diffusion coefficients for lymphomas and carcinomas in the pharynx / Eur Radiol 17:2631~2637 google schola Abdel Razek AAK / 2018 / Arterial spin labelling and diffusion-weighted magnetic resonance imaging in differentiation of recurrent head and neck cancer from post-radiation changes / J Laryngol Otol 132:923~928 google schola

함께 읽어보면 좋을 논문

논문 유사도에 따라 DBpia 가 추천하는 논문입니다. 함께 보면 좋을 연관 논문을 확인해보세요!

이 논문의 저자 정보

최근 본 자료

전체보기

댓글(0)

0