选择擅长的领域继续答题？
{@each tagList as item}
${item.tagName}
{@/each}
手机回答更方便，互动更有趣，下载APP
提交成功是否继续回答问题？
手机回答更方便，互动更有趣，下载APP
来自全国各地，涵盖了不同的投资水平和年龄段，其中不乏有从零开始的新手投资者。针对不同需求的用户，平台提供了多种投资选择和策略，包括股票、基金、期货、外汇等。用户可以根据自己的风险承受能力和投资目标，选择适合自己的投资品种和策略。

选择擅长的领域继续答题？
{@each tagList as item}
${item.tagName}
{@/each}
手机回答更方便，互动更有趣，下载APP
提交成功是否继续回答问题？
手机回答更方便，互动更有趣，下载APP
展开全部一般是网络连接不上的问题。解决方法如下：1.首先进入手机设置页面，找到设置上的无限局域网。2.点击打开无限局域网，找到连接的无限网络，点击后面的感叹号。3.将DNS更改为8.8.8.8，如下图所示，然后再查看问题是否解决。4.若没有解决，可以打开时间与日期设置 ，将时间与日期的自动设置关闭。看问题是否解决。5.还可以在还原菜单栏选择还原网络设置。这样也可以将问题解决。已赞过已踩过你对这个回答的评价是？评论
收起
展开全部1、如您无法上网请尝试关机开机重启；请检查是否已达本月流量封顶阀值；请检查手机设置移动数据是否已打开；手机设置流动数据选项APN及名称是否设置为3gnet。
2、如仍无法上网，建议您可通过以下方式进行排障：
【1】确认是否有网络，建议您可在信号强的地方使用；
【2】检查帐户是否还有话费，如果余额不足则需充值后才能使用；
【3】确认是否已设置好手机参数；
【4】检查USIM卡是否有插好，如果已插好但还是无法使用，则建议您到营业厅检查USIM卡是否有故障，或换卡测试；
【5】检查手机是否有问题，建议您可换机测试；
【6】如遇流量封顶也会导致无法上网；
【7】号码未实名登记，逾期未补办实名登记，被暂停服务；
【8】请尝试关机后重新开机搜索网络。
3、如果不是上述情形，详情建议您可联系归属地联通人工客服咨询，实际情况以当地政策为准。
在线客服
官方服务
官方网站秒懂联通客户俱乐部
行家主页
联通知乎
展开全部苹果手机连接不上app store的原因是网络连接不上，可以通过将网络设置还原来解决此问题。具体方法如下：一、打开手机，在桌面上找到“设置”一项，点击进入。二、进入设置后，找到“通用”一栏，点击进入。三、进入通用后，找到“还原”一项，点击进入。四、进入还原后，找到”还原网络设置“，点击即可将网络设置还原。
本回答被网友采纳
展开全部如果你是指iPhone手机出现无法连接App Store的情况，建议你可通过以下方式排障：1、使用手机数据上网，可以查看手机是否可正常打开其他网页或应用。2、如使用WIFI上网，你可查看该WIFI网络是否能正常连接并访问其他网页。你可重启无线路由器，然后进入iPhone手机设置删除该WIFI，再重新加入WIFI。3、如还无法使用，你可还原网络设置尝试，路径：“设置” –> “通用” –> “还原” –> “还原网络设置”，设备便会重启。4、如果是手机设置了访问限制，你可重置访问限制尝试，路径：“设置”–> “通用” –> “访问限制”，开启访问限制5秒，然后再关闭访问限制。
在线客服
官方服务
官方网站秒懂联通客户俱乐部
行家主页
联通知乎
收起
更多回答（24）
推荐律师服务：
若未解决您的问题，请您详细描述您的问题，通过百度律临进行免费专业咨询
为你推荐：
下载百度知道APP，抢鲜体验使用百度知道APP，立即抢鲜体验。你的手机镜头里或许有别人想知道的答案。扫描二维码下载
×个人、企业类侵权投诉
违法有害信息,请在下方选择后提交
类别色情低俗
涉嫌违法犯罪
时政信息不实
垃圾广告
低质灌水
我们会通过消息、邮箱等方式尽快将举报结果通知您。说明
做任务开宝箱累计完成0
个任务
10任务
50任务
100任务
200任务
任务列表加载中...

对一篇影像组学的的论文（《Development and validation of an MRI-based radiomics nomogram for distinguishing Warthin’s tumour from pleomorphic adenomas of the parotid gland》）中方法进行复现。完整地跑通影像组学全流程，对临床+影像组学特征进行建模并绘制Lasso回归图和ROC曲线、诺模图、校准曲线、决策曲线等。需要完整代码到这里https://aistudio.baidu.com/aistudio/projectdetail/3270880 fork项目之后下载glioma.7z压缩包，然后用RStudio的RMarkdown进行运行2012年荷兰学者提出影像组学(radiomics）概念：借助计算机，从医学影像中挖掘海量定量影像特征，使用统计学/机器学习方法，筛选出最有价值的影像学特征，用来解析临床信息。可以说影像组学是人工智能在医学领域的一种特定研究方式。做影像组学一般会经过以下步骤1.收集数据，2.标注数据，3.特征提取，4.特征工程，5.模型设计，6.结果分析和绘图。1.1 项目目的而对于大多数医学专业的朋友来说，毕竟学医的对写代码不一定擅长，或者第一次接触影像组学。因此想打算写一个影像组学相关的项目，对某篇组学论文方法进行复现。通用这个项目的代码希望可以稍微帮助到他们，可以让他们把时间更多花在疾病的分析上，而不是解决某个bug花大量的时间。1.2 项目大概情况这个项目主要是对《Development and validation of an MRI-based radiomics nomogram for distinguishing Warthin’s tumour from pleomorphic adenomas of the parotid gland》这篇影像组学论文中的方法进行复现，完整的跑一个影像组学流程。包括：1.对临床特征进行建模2.提取影像组学特征，通过LassoCv进行特征筛选再建模3.结合影像组学特征+age临床特征进行建模4.绘制三个模型的ROC曲线进行对比5.对组合模型绘制诺模图+决策曲线+校准曲线1.3运行环境由于有些图例，例如诺模图(列线图)需要用到R语言来绘制，但是提取特征用到python语言的Pyradiomics库，所以这个项目是一个混合编程语言的项目。刚好RMarkdown可以同时运行Python和R语言，所以请有需要运行项目的请离线安装RMarkdown来运行。虽然不能通过在线BML运行项目，但是可以展示复现论文方法的代码，主要可以容易复制粘贴代码~~~ 。注：对于如何安装python和安装R语言和如何使用RMarkdown不是这篇项目的范围，自己通过百度自学学习。注：这个项目也是我在学习影像组学中做下的笔记，如有错误请纠正和谅解虽然是论文复现，但是论文中涉及的腮腺MR数据是不公开的，无法和论文实验数据一致，不过这个项目主要是为了实现论文中大部分方法。因此采用了一个公开分割比赛的数据集作为这个项目的数据。在数据上用到的是一个公开的胶质瘤数据集–【BraTS2019】。是一个两分类的数据集，Hgg是高级别胶质瘤，Lgg是低级别的胶质瘤，数量上分别是240和76。每个病例有四个模态的磁共振图像。Hgg患者是带有age的年龄数据，但是lgg的患者是没有的。为了不影响临床+影像组学的建模。在（25到55）之间随机生成一个随机数赋予个Lgg患者作为他的年龄。所以Lgg患者的年龄是虚拟数据。提取影像组学的特征只用到T1增强的模态。因为原始的数据集Hgg和Lgg的比例差不多达到3比1，所以为了搭到数据均衡一点，把Hgg删掉一部分，剩下101例。Lgg为76例。因此在实际运用到自己的数据的时候，收集病例尽量做到数据均衡一点。不然有点自己坑自己的感觉。《Development and validation of an MRI-based radiomics nomogram for distinguishing Warthin’s tumour from pleomorphic adenomas of the parotid gland》3.1论文地址3.2论文大概内容这篇论文主要对腮腺肿瘤（Warthin和多形性腺瘤）的磁共振图像使用计算机提取大量高通量的特征，通过对特征进行筛选和建立模型来鉴别MR图像是Warthin还是多形性腺瘤。两种腺瘤的治疗方法和预后不同，建立一个良好的分类模型对临床来说至关重要。论文通过建立三种不同特征的模型，分别是1.单纯临床特征模型，2.单纯影像组学特征模型，3.影像组学特征+年龄模型。经过实验得到模型3的auc最好。并根据模型3构建影像组学列线图（如下图），使预测模型的结果更具有可读性，让模型更加方便运用实际临床决策之中。3.2论文中的方法流程：4.1目录结构和数据准备重要的一点就是临床特征的index列需要和每一例病例文件夹要一一对应4.2 特征提取特征提取是采用pyradiomics库进行提取，可以通过配置文件来设置提取那些特征，例如设置提取特征前是否重采样，设置滤波核的大小等等。如下图可以到pyradiomics官网查看"""
经过一两个小时提取后会生成HGG.csv和LGG.csv文件,
生成的csv文件每一行都有接近一千个特征，数量会根据不同yaml文件设置不同而不同
"""
#导入相关的库
import sys
import pandas as pd
import os
import random
import shutil
import numpy as np
import radiomics
from radiomics import featureextractor
import SimpleITK as sitk
kinds = ['HGG','LGG']
#这个是特征处理配置文件，具体可以参考pyradiomics官网
para_path = 'yaml/MR_1mm.yaml'
extractor = featureextractor.RadiomicsFeatureExtractor(para_path)
dir = 'data/MyData/'
for kind in kinds:
print("{}:开始提取特征".format(kind))
features_dict = dict()
df = pd.DataFrame()
path =
dir + kind
# 使用配置文件初始化特征抽取器
for index, folder in enumerate( os.listdir(path)):
for f in os.listdir(os.path.join(path, folder)):
if 't1ce' in f:
ori_path = os.path.join(path,folder, f)
break
lab_path = ori_path.replace('t1ce','seg')
features = extractor.execute(ori_path,lab_path)
#抽取特征
#新增一列用来保存病例文件夹名字
features_dict['index'] = folder
for key, value in features.items():
#输出特征
features_dict[key] = value
df = df.append(pd.DataFrame.from_dict(features_dict.values()).T,ignore_index=True)
print(index)
df.columns = features_dict.keys()
df.to_csv('csv/' +'{}.csv'.format(kind),index=0)
print('Done')
print("完成")
"""
再对HGG.csv和LGG.csv文件进行处理,去掉字符串特征，插入label标签。
HGG标签为1，LGG标签为0
"""
import matplotlib.pyplot as plt
import seaborn as sns
hgg_data = pd.read_csv('csv/HGG.csv')
lgg_data = pd.read_csv('csv/LGG.csv')
hgg_data.insert(1,'label', 1) #插入标签
lgg_data.insert(1,'label', 0) #插入标签
#因为有些特征是字符串，直接删掉
cols=[x for i,x in enumerate(hgg_data.columns) if type(hgg_data.iat[1,i]) == str]
cols.remove('index')
hgg_data=hgg_data.drop(cols,axis=1)
cols=[x for i,x in enumerate(lgg_data.columns) if type(lgg_data.iat[1,i]) == str]
cols.remove('index')
lgg_data=lgg_data.drop(cols,axis=1)
#再合并成一个新的csv文件。
total_data = pd.concat([hgg_data, lgg_data])
total_data.to_csv('csv/TotalOMICS.csv',index=False)
#简单查看数据的分布
fig, ax = plt.subplots()
sns.set()
ax = sns.countplot(x='label',hue='label',data=total_data)
plt.show()
print(total_data['label'].value_counts())
4.3划分数据对影像组学数据集进行划分训练集合测试集。比例为8:2。同样把临床特征也进行同样的划分（顺序和影响组学特征是一致的）。#导入常用R包
library(glmnet)
library(rms)
library(foreign)
library(ggplot2)
library(pROC)
#设置种子为了保证每次结果都一样
set.seed(888)
data <- read.csv("csv/TotalOMICS.csv")
nn=0.8
print(paste('总样本数:',length(data[,1])))
sub<-sample(1:nrow(data),round(nrow(data)*nn))
trainOmics<-data[sub,]#取0.8的数据做训练集
testOmics<-data[-sub,]#取0.2的数据做测试集
print(paste('训练集样本数:',length(trainOmics[,1])))
print(paste('测试集样本数:',length(testOmics[,1])))
write.csv(trainOmics,"csv/trainOmics.csv",row.names = FALSE )
write.csv(testOmics,"csv/testOmics.csv",row.names = FALSE )
"""
R语言输出结果
[1] "总样本数: 177"
[1] "训练集样本数: 142"
[1] "测试集样本数: 35"
"""
"""
根据上面对影像组学TotalOMICS.csv的数据划分，对TotalClinic.csv同样的顺序划分
"""
import pandas as pd
def compare(data1,
data2,filename):
# 读取两个表
dt1 = pd.read_csv(data1,encoding='utf-8')
dt2 = pd.read_csv(data2,encoding='gb18030')
dt2.head()
df = pd.DataFrame()
dt1_name = dt1['index'].values.tolist()
dt2_name = dt2['index'].values.tolist()
for i in dt1_name:
if i in dt2_name:
dt2_row = dt2.loc[dt2['index'] == i]
df = df.append(dt2_row)
df.to_csv('./csv/'+filename+'.csv',header=True,index=False,encoding="utf_8_sig")
data_train= "./csv/trainOmics.csv"
data_test = "./csv/testOmics.csv"
data_clinic= "./csv/TotalClinic.csv"
compare(data_train,data_clinic,"trainClinic")
compare(data_test,data_clinic,"testClinic")
4.4对单纯临床特征进行建模因为这个数据集只有age这个临床特征，所以没有做进一步的特征分析和筛选，直接用age进行建模4.4.1处理临床数据#读取临床数据trainClinic.csv
trainClinic<-read.csv("./csv/trainClinic.csv",fileEncoding = "UTF-8-BOM")
trainClinic<- data.frame(trainClinic)
#把age变量转换成数值型。
trainClinic$Age <- as.numeric(trainClinic$Age)
#打印临床特征名
names(trainClinic)
"""
R语言输出结果
[1] "index" "Age"
"Label"
"""
4.4.2 使用逻辑回归对临床特征进行建模#建模，使用逻辑回归
model.Clinic<-glm(Label~Age,data = trainClinic,family=binomial(link='logit'))
summary(model.Clinic)
"""
R语言输出结果
Call:
glm(formula = Label ~ Age, family = binomial(link = "logit"),
data = trainClinic)
Deviance Residuals:
Min
1Q
Median
3Q
Max
-1.7106
-0.6673
0.1870
0.6294
2.6505
Coefficients:
Estimate Std. Error z value Pr(>|z|)
(Intercept)
-6.6037
1.1252
-5.869 4.39e-09 ***
Age
0.1419
0.0233
6.090 1.13e-09 ***
---
Signif. codes:
0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
(Dispersion parameter for binomial family taken to be 1)
Null deviance: 194.57
on 141
degrees of freedom
Residual deviance: 121.48
on 140
degrees of freedom
AIC: 125.48
Number of Fisher Scoring iterations: 5
"""
4.4.2查看模型在训练集的验证情况probClinicTrain<-predict.glm(object =model.Clinic,newdata=trainClinic,type = "response")
predClinicTrain<-ifelse(probClinicTrain>=0.5,1,0)
#计算模型精度
error=predClinicTrain-trainClinic$Label
#accuracy:判断正确的数量占总数的比例
accuracy=(nrow(trainClinic)-sum(abs(error)))/nrow(trainClinic)
#precision:真实值预测值全为1 / 预测值全为1 --- 提取出的正确信息条数/提取出的信息条数
precision=sum(trainClinic$Label & predClinicTrain)/sum(predClinicTrain)
#recall:真实值预测值全为1 / 真实值全为1 --- 提取出的正确信息条数 /样本中的信息条数
recall=sum(predClinicTrain & trainClinic$Label)/sum(trainClinic$Label)
#P和R指标有时候会出现的矛盾的情况，这样就需要综合考虑他们，最常见的方法就是F-Measure（又称为F-Score）
#F-Measure是Precision和Recall加权调和平均，是一个综合评价指标
F_measure=2*precision*recall/(precision+recall)
#输出以上各结果
#精确率和召回率和F_measure是预测Hgg的值
#可以模型预测HGG的能力比较强，但是预测Lgg的能力比较弱
print(paste('准确率accuracy:',accuracy))
print(paste('精确率precision:',precision))
print(paste('召回率recall:',recall))
print(paste('F_measure:',F_measure))
table(trainClinic$Label,predClinicTrain)
"""
R语言输出结果
[1] "准确率accuracy: 0.78169014084507"
[1] "精确率precision: 0.795180722891566"
[1] "召回率recall: 0.825"
[1] "F_measure: 0.809815950920245"
predClinicTrain
0
1
0 45 17
1 14 66
"""
4.4.3 查看模型在测试集的验证情况testClinic<-read.csv("./csv/testClinic.csv",fileEncoding = "UTF-8-BOM")
testClinic$Age <- as.numeric(testClinic$Age)
probClinicTest<-predict.glm(object =model.Clinic,newdata=testClinic,type = "response")
predClinicTest<-ifelse(probClinicTest>=0.5,1,0)
error=predClinicTest-testClinic$Label
accuracy=(nrow(testClinic)-sum(abs(error)))/nrow(testClinic)
precision=sum(testClinic$Label & predClinicTest)/sum(predClinicTest)
recall=sum(predClinicTest & testClinic$Label)/sum(testClinic$Label)
F_measure=2*precision*recall/(precision+recall)
print(paste('准确率accuracy:',accuracy))
print(paste('精确率precision:',precision))
print(paste('召回率recall:',recall))
print(paste('F_measure:',F_measure))
table(testClinic$Label,predClinicTest)
"""
R语言输出结果
[1] "准确率accuracy: 0.828571428571429"
[1] "精确率precision: 0.857142857142857"
[1] "召回率recall: 0.857142857142857"
[1] "F_measure: 0.857142857142857"
predClinicTest
0
1
0 11
3
1
3 18
"""
4.5 对单纯影像组学进行建模先对影像组学特征进行T检验筛选一部分特征，然后用lasso回归进一步筛选特征，最后剩下5个特征用来建立逻辑回归方程4.5.1先做T检验筛选一部分特征"""
用python做T检验,筛选后剩下的特征数：562个
"""
from scipy.stats import levene, ttest_ind
tData = pd.read_csv('./csv/trainOmics.csv')
classinformation = tData["label"].unique()
for temp_classinformation in classinformation:
temp_data = tData[tData['label'].isin([temp_classinformation])]
exec("df%s=temp_data"%temp_classinformation)
counts = 0
columns_index =[]
for column_name in tData.columns[2:]:
if levene(df1[column_name], df0[column_name])[1] > 0.05:
if ttest_ind(df1[column_name],df0[column_name],equal_var=True)[1] < 0.05:
columns_index.append(column_name)
else:
if ttest_ind(df1[column_name],df0[column_name],equal_var=False)[1] < 0.05:
columns_index.append(column_name)
print("筛选后剩下的特征数：{}个".format(len(columns_index)))
#print(columns_index)
#数据只保留从T检验筛选出的特征数据，重新组合成data
if
not 'label' in columns_index:
columns_index = ['label'] + columns_index
if not 'index' in columns_index:
columns_index = ['index'] + columns_index
df1 = df1[columns_index]
df0 = df0[columns_index]
tData = pd.concat([df1, df0])
tData.to_csv('./csv/tData_train.csv',header=True,index=False,encoding="utf_8_sig")
4.5.2再用lasso回归进一步筛选特征tData_train <- read.csv("csv/tData_train.csv",fileEncoding = "UTF-8-BOM")
dim(tData_train)
Y <-as.data.frame(tData_train$label)
#[,-1]是为了去掉截距
Y <- model.matrix(~.,data=Y)[,-1]
#除去因变量，提取自变量
yavars<-names(tData_train) %in% c("label","index")
X <- as.data.frame(tData_train[!yavars])
X <- model.matrix(~.,data=X)[,-1]
#Lasso回归
fit <- glmnet(X,Y, alpha=1, family = "binomial")
plot(fit, xvar="lambda", label=TRUE)
这个图显示随着lambda变化，特征数量的变化#采用k折交叉验证进行lasso回归
cv.fit <- cv.glmnet(X,Y, alpha=1,nfolds = 10,family="binomial")
plot(cv.fit)
abline(v=log(c(cv.fit$lambda.min, cv.fit$lambda.lse)), lty=2)
#把lambda取1倍标准误时的值绘制到图中
plot(cv.fit$glmnet.fit,xvar="lambda")
abline(v=log(cv.fit$lambda.1se), lty=2,)
这个图显示随着lambda增大，MSE的变化，右边的垂直虚线是1倍标准误时lambda的取值。4.5.3经过lasso回归筛选抽出5个特征分别是[2] “wavelet.LHL_glcm_Imc2”[3] “wavelet.LHL_glszm_ZoneEntropy”[4] “wavelet.HLL_glszm_ZoneEntropy”[5] “wavelet.LLL_firstorder_90Percentile”[6] “wavelet.LLL_firstorder_RootMeanSquared”#如果取1倍标准误时,获取筛选后的特征
lambda = cv.fit$lambda.1se
Coefficients <- coef(fit, s = lambda)
Active.Index <- which(Coefficients != 0)
Active.Coefficients <- Coefficients[Active.Index]
Active.Index
Active.Coefficients
row.names(Coefficients)[Active.Index]
"""
R语言输出结果
[1]
1 273 300 396 507 518
[1] -1.135967e+01
5.551516e+00
5.053583e-01
4.978627e-01
4.710207e-04
[6]
1.236226e-03
[1] "(Intercept)"
[2] "wavelet.LHL_glcm_Imc2"
[3] "wavelet.LHL_glszm_ZoneEntropy"
[4] "wavelet.HLL_glszm_ZoneEntropy"
[5] "wavelet.LLL_firstorder_90Percentile"
[6] "wavelet.LLL_firstorder_RootMeanSquared"
"""
4.6 对5个影像组学特征建立逻辑回归#建立公式
formulalse <-as.formula(label ~wavelet.LHL_glcm_Imc2+wavelet.LHL_glszm_ZoneEntropy+wavelet.HLL_glszm_ZoneEntropy+wavelet.LLL_firstorder_90Percentile+wavelet.LLL_firstorder_RootMeanSquared)
#逻辑回归
model.Omics <- glm(formula=formulalse,data=tData_train,family=binomial(link="logit"))
#查看结果
summary(model.Omics)
"""
R语言输出结果
Call:
glm(formula = formulalse, family = binomial(link = "logit"),
data = tData_train)
Deviance Residuals:
Min
1Q
Median
3Q
Max
-3.8353
-0.3845
0.1660
0.3471
2.3193
Coefficients:
Estimate Std. Error z value
(Intercept)
-31.638928
7.898076
-4.006
wavelet.LHL_glcm_Imc2
14.026526
5.980053
2.346
wavelet.LHL_glszm_ZoneEntropy
0.428890
1.381598
0.310
wavelet.HLL_glszm_ZoneEntropy
2.143145
1.333109
1.608
wavelet.LLL_firstorder_90Percentile
0.002704
0.003126
0.865
wavelet.LLL_firstorder_RootMeanSquared
0.004004
0.004434
0.903
Pr(>|z|)
(Intercept)
6.18e-05 ***
wavelet.LHL_glcm_Imc2
0.019 *
wavelet.LHL_glszm_ZoneEntropy
0.756
wavelet.HLL_glszm_ZoneEntropy
0.108
wavelet.LLL_firstorder_90Percentile
0.387
wavelet.LLL_firstorder_RootMeanSquared
0.367
---
Signif. codes:
0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
(Dispersion parameter for binomial family taken to be 1)
Null deviance: 194.566
on 141
degrees of freedom
Residual deviance:
84.983
on 136
degrees of freedom
AIC: 96.983
Number of Fisher Scoring iterations: 6
"""
4.6.1 查看在训练集的情况probOmicsTrain<-predict.glm(object =model.Omics,newdata=tData_train,type = "response")
predOmicsTrain<-ifelse(probOmicsTrain>=0.5,1,0)
error=predOmicsTrain-tData_train$label
accuracy=(nrow(tData_train)-sum(abs(error)))/nrow(tData_train)
precision=sum(tData_train$label & predOmicsTrain)/sum(predOmicsTrain)
recall=sum(predOmicsTrain & tData_train$label)/sum(tData_train$label)
F_measure=2*precision*recall/(precision+recall)
print(paste('准确率accuracy:',accuracy))
print(paste('精确率precision:',precision))
print(paste('召回率recall:',recall))
print(paste('F_measure:',F_measure))
table(tData_train$label,predOmicsTrain)
"""
R语言输出结果
[1] "准确率accuracy: 0.908450704225352"
[1] "精确率precision: 0.935064935064935"
[1] "召回率recall: 0.9"
[1] "F_measure: 0.917197452229299"
predOmicsTrain
0
1
0 57
5
1
8 72
"""
4.6.2 查看模型在测试集的结果tData_test <- read.csv("csv/testOmics.csv",fileEncoding = "UTF-8-BOM")
probOmicsTest<-predict.glm(object =model.Omics,newdata=tData_test,type = "response")
predOmicsTest<-ifelse(probOmicsTest>=0.5,1,0)
error=predOmicsTest-tData_test$label
accuracy=(nrow(tData_test)-sum(abs(error)))/nrow(tData_test)
precision=sum(tData_test$label & predOmicsTest)/sum(predOmicsTest)
recall=sum(predOmicsTest & tData_test$label)/sum(tData_test$label)
F_measure=2*precision*recall/(precision+recall)
print(paste('准确率accuracy:',accuracy))
print(paste('精确率precision:',precision))
print(paste('召回率recall:',recall))
print(paste('F_measure:',F_measure))
table(tData_test$label,predOmicsTest)
"""
R语言输出结果
[1] "准确率accuracy: 0.857142857142857"
[1] "精确率precision: 0.863636363636364"
[1] "召回率recall: 0.904761904761905"
[1] "F_measure: 0.883720930232558"
predOmicsTest
0
1
0 11
3
1
2 19
"""
4.7结合临床特征和影像组学特征进行建模先处理数据，把临床特征的age赋值到影像组学中新增age一列。然后根据lasso模型计算每个病例的得分。把这个得分和age作为新的特征建立逻辑回归模型。4.7.1处理数据#读取经过T检验筛选后的影像组学训练集文件
tData_train2 <- read.csv("csv/tData_train.csv",fileEncoding = "UTF-8-BOM")
#把临床特征的Age放到影像组学中作为新的一列
#放的时候是根据病例名一一对应的
tData_train2$Age <- trainClinic$Age
for (i in trainClinic$index){
if(tData_train2[tData_train2$index == i,]$index == i){
Age <- trainClinic[trainClinic$index == i,]$Age
tData_train2[tData_train2$index == i,]$Age <- Age
}
}
#对测试集也这样处理
tData_test2 <- read.csv("csv/testOmics.csv",fileEncoding = "UTF-8-BOM")
testClinic2<-read.csv("./csv/testClinic.csv",fileEncoding = "UTF-8-BOM")
testClinic2<- data.frame(testClinic2)
testClinic2$Age <- as.numeric(testClinic2$Age)
columns <- colnames(tData_train2)[1:564]#经过T检验筛选后的562个特征+index+label
tData_test2 <- as.data.frame(tData_test2[,columns])
tData_test2$Age <- testClinic2$Age
for (i in testClinic2$index){
if(tData_test2[tData_test2$index == i,]$index == i){
Age <- testClinic2[testClinic2$index == i,]$Age
tData_test2[tData_test2$index == i,]$Age <- Age
}
}
4.7.2根据lasso模型计算得分#分别计算影像组学得分（RS）
y_vad <-as.data.frame(tData_test2$label)
y_vad <- model.matrix(~.,data=y_vad)[,-1]
#除去因变量，提取自变量
yavars<-names(tData_test2) %in% c("label")
x_vad <- as.data.frame(tData_test2[!yavars])
columns <- colnames(tData_train2)[3:564]#T检验筛选后的564个特征不要index+label
x_vad <- as.data.frame(tData_test2[,columns])
x_vad <- model.matrix(~.,data=x_vad)[,-1]
x_dev <- X
y_dev <- Y
#fit是lassoCV模型
tData_train2$RS <-predict(fit,type="link",
newx=x_dev,newy=y_dev,s=cv.fit$lambda.1se)#训练集的RS
tData_test2$RS<-predict(fit,type="link",
newx=x_vad,newy=y_vad,cv.fit$lambda.1se)#测试集的RS
4.7.3建立逻辑回归模型#因为后续要绘制诺模图，所以用rms这包建立逻辑回归
#通过下列例子，发现两种的逻辑回归结果是一样的
tData_train2$RS <- as.numeric(tData_train2$RS)
model.and1 = glm(label ~ RS+Age,data=tData_train2,binomial(link='logit'))
print(model.and1$coef)
print("#####")
model.and2 <- lrm(label ~ RS+Age,data=tData_train2,x=TRUE,y=TRUE)
print(model.and2$coef)
"""
R语言输出结果
(Intercept)
RS
Age
-5.8730358
2.4543423
0.1192463
[1] "#####"
Intercept
RS
Age
-5.8730331
2.4543415
0.1192462
"""
4.7.4查看模型在临床结合影像组学的训练集的情况probOmicsTrainAnd<-predict.glm(object =model.and1,newdata=tData_train2,type = "response")
predOmicsTrainAnd<-ifelse(probOmicsTrainAnd>=0.5,1,0)
error=predOmicsTrainAnd-tData_train2$label
accuracy=(nrow(tData_train2)-sum(abs(error)))/nrow(tData_train2)
precision=sum(tData_train2$label & predOmicsTrainAnd)/sum(predOmicsTrainAnd)
recall=sum(predOmicsTrainAnd & tData_train2$label)/sum(tData_train2$label)
F_measure=2*precision*recall/(precision+recall)
print(paste('准确率accuracy:',accuracy))
print(paste('精确率precision:',precision))
print(paste('召回率recall:',recall))
print(paste('F_measure:',F_measure))
table(tData_train2$label,predOmicsTrainAnd)
"""
R语言输出结果
[1] "准确率accuracy: 0.929577464788732"
[1] "精确率precision: 0.948717948717949"
[1] "召回率recall: 0.925"
[1] "F_measure: 0.936708860759494"
predOmicsTrainAnd
0
1
0 58
4
1
6 74
"""
4.7.5 查看模型在临床结合影像组学的测试集的情况tData_test2$RS <- as.numeric(tData_test2$RS)
probOmicsTestAnd<-predict.glm(object =model.and1,newdata=tData_test2,type = "response")
predOmicsTestAnd<-ifelse(probOmicsTestAnd>=0.5,1,0)
error=predOmicsTestAnd-tData_test2$label
accuracy=(nrow(tData_test2)-sum(abs(error)))/nrow(tData_test2)
precision=sum(tData_test2$label & predOmicsTestAnd)/sum(predOmicsTestAnd)
recall=sum(predOmicsTestAnd & tData_test2$label)/sum(tData_test2$label)
F_measure=2*precision*recall/(precision+recall)
print(paste('准确率accuracy:',accuracy))
print(paste('精确率precision:',precision))
print(paste('召回率recall:',recall))
print(paste('F_measure:',F_measure))
table(tData_test2$label,predOmicsTestAnd)
"""
R语言输出结果
[1] "准确率accuracy: 0.857142857142857"
[1] "精确率precision: 0.9"
[1] "召回率recall: 0.857142857142857"
[1] "F_measure: 0.878048780487805"
predOmicsTestAnd
0
1
0 12
2
1
3 18
"""
4.8绘制ROC把三个模型都绘制到同一个ROC曲线里面，进行比较4.8.1绘制训练集的ROC曲线#计算roc和auc
rocClinic <- roc(trainClinic$Label, probClinicTrain)
rocOmics <- roc(tData_train$label, probOmicsTrain)
rocClinicAndOmics <-roc(tData_train2$label, probOmicsTrainAnd)
# 绘图
plot(rocClinic,
print.auc=TRUE, # 图像上输出AUC的值
print.auc.x=0.4, print.auc.y=0.6, # 设置AUC值坐标为（x，y）
auc.polygon=TRUE, # 将ROC曲线下面积转化为多边形
auc.polygon.col="#fff7f7",
# 设置ROC曲线下填充色
grid=FALSE,
print.thres=FALSE, # 图像上输出最佳截断值
main=" Train ROC curves",
# 添加图形标题
col="red",
# 设置ROC曲线颜色
legacy.axes=TRUE,# 使x轴从0到1，表示为1-特异度
xlim=c(1,0),
mgp=c(1.5, 1, 0),
lty=3)
# 再添加1条ROC曲线
plot.roc(rocOmics,
add=TRUE, # 增加曲线,
col="green", # 设置ROC曲线颜色
print.thres=FALSE, # 图像上输出最佳截断值
print.auc=TRUE,
# 图像上输出AUC
print.auc.x=0.4,print.auc.y=0.5,# AUC的坐标为（x，y）
lty=2)
# 再添加1条ROC曲线
plot.roc(rocClinicAndOmics,
add=TRUE, # 增加曲线,
col="blue", # 设置ROC曲线颜色
print.thres=FALSE, # 图像上输出最佳截断值
print.auc=TRUE,
# 图像上输出AUC
print.auc.x=0.4,print.auc.y=0.4,# AUC的坐标为（x，y）
lty=1)
# 添加图例
legend(0.45, 0.30,
# 图例位置x，y
bty = "n",
# 图例样式
legend=c("Clinical model","Radiomics signature","Clinical and Radiomics"),
# 添加分组
col=c("red","green","blue"),
# 颜色跟前面一致
lwd=1,
lty=c(3,2,1))
# 线条粗细
4.8.1绘制测试集的ROC曲线rocClinicTest <- roc(testClinic$Label, probClinicTest)
rocOmicsTest <- roc(tData_test$label, probOmicsTest)
rocClinicAndOmicsTest <-roc(tData_test2$label, probOmicsTestAnd)
plot(rocClinicTest,
print.auc=TRUE, # 图像上输出AUC的值
print.auc.x=0.4, print.auc.y=0.6, # 设置AUC值坐标为（x，y）
auc.polygon=TRUE, # 将ROC曲线下面积转化为多边形
auc.polygon.col="#fff7f7",
# 设置ROC曲线下填充色
grid=FALSE,
print.thres=FALSE, # 图像上输出最佳截断值
main=" Test ROC curves",
# 添加图形标题
col="red",
# 设置ROC曲线颜色
legacy.axes=TRUE,# 使x轴从0到1，表示为1-特异度
xlim=c(1,0),
mgp=c(1.5, 1, 0),
lty=3)
# 再添加1条ROC曲线
plot.roc(rocOmicsTest,
add=TRUE, # 增加曲线,
col="green", # 设置ROC曲线颜色
print.thres=FALSE, # 图像上输出最佳截断值
print.auc=TRUE,
# 图像上输出AUC
print.auc.x=0.4,print.auc.y=0.5,# AUC的坐标为（x，y）
lty=2)
# 再添加1条ROC曲线
plot.roc(rocClinicAndOmicsTest,
add=TRUE, # 增加曲线,
col="blue", # 设置ROC曲线颜色
print.thres=FALSE, # 图像上输出最佳截断值
print.auc=TRUE,
# 图像上输出AUC
print.auc.x=0.4,print.auc.y=0.4,# AUC的坐标为（x，y）
lty=1)
# 添加图例
legend(0.45, 0.30,
# 图例位置x，y
bty = "n",
# 图例样式
legend=c("Clinical model","Radiomics signature","Clinical and Radiomics"),
# 添加分组
col=c("red","green","blue"),
# 颜色跟前面一致
lwd=1,
lty=c(3,2,1))
# 线条粗细
4.8绘制诺模图临床结合影像组学建立的逻辑回归模型整体来说比较良好。
把这个模型绘制成诺模图，使模型可视化。
library(rms)
formula <- as.formula(label ~ Age+RS)
#数据打包
dd = datadist(tData_train2)
options(datadist="dd")
fitnomogram <- lrm(formula,data=tData_train2, x=TRUE, y=TRUE)
nom1 <- nomogram(fitnomogram,#模型对象
fun=function(x)1/(1+exp(-x)),#保持不变，logistic固定
lp=F,#是否显示线性概率
fun.at=c(0.1,0.2,0.5,0.7,0.9),#预测结果坐标轴
funlabel="Risk")#坐标轴名称
#可以使用Cairo导出pdf
#library(Cairo)
#CairoPDF("nomogram.pdf",width=6,height=6)
plot(nom1)
诺模图怎样看？现在知道某个患者的age师多少岁，找到对应顶部Points的分数，同样知道患者的RS得分，也找到对应Points的得分，把两个等分加起来。在Total Points找到底部Risk得分，这个得分就是判断患者是HGG的概率。4.9绘制校准曲线cal1 <- calibrate(fitnomogram, cmethod="hare", method="boot", B=1000)
plot(cal1, xlim=c(0,1.0), ylim=c(0,1.0),
xlab = "Predicted Probability",
ylab = "Observed Probability",
legend = FALSE,subtitles = FALSE)
#abline对角线
abline(0,1,col = "black",lty = 2,lwd = 2)
#再画一条模型预测的实际曲线
lines(cal1[,c("predy","calibrated.orig")],
type = "l",lwd = 2,col="red",pch =16)
#再画一条模型Bias-corrected是校准曲线
lines(cal1[,c("predy","calibrated.corrected")],
type = "l",lwd = 2,col="green",pch =16)
legend(0.55,0.35,
c("Ideal","Apparent","Bias-corrected"),
lty = c(2,1,1),
lwd = c(2,1,1),
col = c("black","red","green"),
bty = "n") # "o"为加边框
彩色的曲线越接近点斜线，模型的性能就比较好4.10 绘制决策曲线把三个模型都绘制在同一个图中，进行比较library(rmda)
formulClinic<-as.formula(Label~Age)
formulaOmics <- as.formula(label ~wavelet.LHL_glcm_Imc2+wavelet.LHL_glszm_ZoneEntropy+wavelet.HLL_glszm_ZoneEntropy+wavelet.LLL_firstorder_90Percentile+wavelet.LLL_firstorder_RootMeanSquared)
formulaAnd <- as.formula(label~Age+RS)
model_Clinic <- decision_curve(formulClinic, data=trainClinic,
family=binomial(link='logit'),
thresholds=seq(0,1,by=0.01),
confidence.intervals=0.95,
study.design = 'case-control',
population.prevalence=0.3)
model_Omics <- decision_curve(formulaOmics, data=tData_train,
family=binomial(link='logit'),
thresholds=seq(0,1,by=0.01),
confidence.intervals=0.95,
study.design = 'case-control',
population.prevalence=0.3)
model_And <- decision_curve(formulaAnd, data=tData_train2,
family=binomial(link='logit'),
thresholds=seq(0,1,by=0.01),
confidence.intervals=0.95,
study.design = 'case-control',
population.prevalence=0.3)
model_all <- list(model_Clinic,model_Omics,model_And)
plot_decision_curve(model_all,curve.names=c('Clinical model','Radiomics signature','Clinical and Radiomics'),
xlim=c(0,0.8),
cost.benefit.axis=F,col=c('green','red','blue'),
confidence.intervals = F,
standardize = F,
ain2,
family=binomial(link='logit'),
thresholds=seq(0,1,by=0.01),
confidence.intervals=0.95,
study.design = 'case-control',
population.prevalence=0.3)
model_all <- list(model_Clinic,model_Omics,model_And)
plot_decision_curve(model_all,curve.names=c('Clinical model','Radiomics signature','Clinical and Radiomics'),
xlim=c(0,0.8),
cost.benefit.axis=F,col=c('green','red','blue'),
confidence.intervals = F,
standardize = F,
legend.position="bottomleft")
一般曲线越靠左上角的，模型的性能就比较好，可以看到蓝色曲线（临床结合影像组学)的模型是在最外面的，可见这个模型性能比较好。https://blog.csdn.net/weixin_42990106/article/details/122102397?ops_request_misc=%257B%2522request%255Fid%2522%253A%2522167634472316800215041801%2522%252C%2522scm%2522%253A%252220140713.130102334…%2522%257D&request_id=167634472316800215041801&biz_id=0&utm_medium=distribute.pc_search_result.none-task-blog-2blogsobaiduend~default-2-122102397-null-null.blog_rank_default&utm_term=python%E5%BD%B1%E5%83%8F%E7%BB%84%E5%AD%A6%E5%85%A8%E6%B5%81%E7%A8%8B&spm=1018.2226.3001.4450