R语言-影像组学数据处理

dr_yingli

已于 2024-12-25 19:14:17 修改

阅读量4.8k

点赞数 6

分类专栏：生信R语言文章标签： r语言 python 开发语言

于 2021-08-12 20:13:27 首次发布

本文链接：https://blog.youkuaiyun.com/dr_yingli/article/details/119652743

版权

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。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

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