TY - JOUR A2 - Li, Tian AU - Wang, Yong AU - Zhang, Liang AU - Qi, Lin AU - Yi, Xiaoping AU - Li, Minghao AU - Zhou, Mao AU - Chen, Danlei AU - Xiao, Qiao AU - Wang, Cikui AU - Pang, Yingxian AU - Xu, Jiangyue AU - Deng, Hao AU - Liu, Longfei AU - Guan, Xiao PY - 2021 DA - 2021/10/11 TI - Machine Learning: Applications and Advanced Progresses of Radiomics in Endocrine Neoplasms SP - 8615450 VL - 2021 AB - Endocrine neoplasms remain a great threat to human health.最重要的是清晰诊断并及时处理内分泌肿瘤机器学习包括放射学,长期用于临床癌症研究放射性学指通过分析大量标准数据提取宝贵信息,高通量医学图像主要包括计算断层摄影法、正方射线反射法、磁共振成像和超声波通过量化成像分析建模,放射学可反映无法视觉评价的疾病的具体底层特征。近些年来,肿瘤学实践的放射学结果越来越有希望。放射学有可能补充传统成像分析并帮助向病人提供精度医学辐射学在过去十年内分泌肿瘤实践方面快速发展在这次审查中,我们将介绍放射性学总流并归纳近些年来内分泌肿瘤放射性学应用和开发还将讨论当前辐射学研究的局限性和未来开发方向SN-1687-8450UR-https://doi.org/101155/20218615450DO-10.1155/20218615450JF-Ocistic PB-HindawiKW-ER