R语言-影像组学数据处理

原创

已于 2024-12-25 19:14:17 修改 · 5.2k 阅读

收录于

当前文章被以下社区和专栏收录：

于 2021-08-12 20:13:27 首次发布

该博客展示了如何利用R语言的caret, glmnet和pROC库对影像组学数据进行预处理、特征选择和模型构建。通过glmnet包进行Lasso回归，筛选出27个关键特征，包括T2和DWI原始图像的纹理和第一阶统计特征，以及ADC图像的相关指标。最终模型的AUC达到0.9974，显示出优秀的诊断性能。

使用R语言对影像组学数据进行处理

测试数据

library(caret);library(glmnet);library(pROC)
set.seed(123456)
data <- read.csv("data.csv", header = T)
p.data <- preProcess(data[,-1],method = c("center","scale","corr")) 
P.data <- predict(p.data,newdata = data[,-1])
lasso.x <- as.matrix(P.data);lasso.y <- as.matrix(data[,1])
lasso.cv <- cv.glmnet(x = lasso.x,y = lasso.y,family = "binomial",type.measure = "auc")  
lasso <- glmnet(x = lasso.x,y = lasso.y,family = "binomial")
number <- which(coef(lasso,s = lasso.cv$lambda.min) != 0)   
signature <- colnames(P.data[number - 1])
print(signature)
rad.model <- glm(y~.,data = data.frame(y = data[,1], data[signature]))
radscore <- predict(rad.model) 
roc(data[,1],radscore)

运行结果：筛选出27个特征，总体诊断性能0.9974