基于人工神經網絡的腫瘤標志蛋白芯片在肺癌輔助診斷中的應用.pdf

1、肺癌是嚴重危脅人類健康的惡性腫瘤之一，其發(fā)病率及死亡率均呈居高不下的狀態(tài)，全世界每年新增病例約120萬。肺癌的起病比較隱匿，常見的臨床癥狀是咳嗽和呼吸困難等，一般不易引起人注意，且容易和肺良性疾病相混淆，因此，肺癌早期臨床癥狀不易察覺，當出現(xiàn)典型癥狀時往往已到中晚期，這就造成了目前肺癌的治療成本高預后差的局面，而提高肺癌患者生存率的關鍵在于早期診斷和及時治療。檢測血清中腫瘤標志具有高效、方便、創(chuàng)傷小及標本易獲得等優(yōu)點，因此，如何篩選、鑒

2、定及檢測血清腫瘤標志是近年來肺癌臨床輔助診斷研究的熱點。目前尚未發(fā)現(xiàn)肺癌的特異性生物標志，因此單一的腫瘤標志并非十分的理想，聯(lián)合檢測肺癌的腫瘤標志可顯著提高肺癌的診斷陽性率，更好地明確肺癌的病理分型。然而，腫瘤標志的聯(lián)合檢測在提高診斷陽性率的同時也會帶來大量的研究參數(shù)，一般的統(tǒng)計學方法很難對復雜的參數(shù)問題做出正確判斷。人工神經網絡(ANN)是近些年來發(fā)展非常迅速的一種新型智能化信息處理系統(tǒng)，非常適用于醫(yī)學中模式識別與分類。
　　

3、 此研究通過收集本院有腫瘤標志蛋白芯片檢測結果的肺癌和肺良性疾病患者的資料，聯(lián)合建立ANN模型和判別分析模型，以探討這兩種模型聯(lián)合腫瘤標志對肺癌的輔助診斷價值，并提高腫瘤標志對肺癌輔助診斷和鑒別診斷價值，以期達到對肺癌輔助診斷和鑒別診斷的目的。
　　 對象與方法:
　　 1.樣本收集:鄭州大學第五附屬醫(yī)院2010年5月到2010年12月期間有腫瘤標志蛋白芯片檢測記錄的肺癌和肺良性疾病住院患者共102例，其中肺癌50例，肺

4、良性疾病52例。均經病理學或細胞學證實，兩組間的性別和年齡均有可比性。
　　 2.血清腫瘤標志的檢測:所有腫瘤標志的檢測均采用湖州數(shù)康生物科技有限公司的多腫瘤標志蛋白芯片檢測系統(tǒng)，選擇CA199、NSE、CEA、CA242、SF、AFP、CA125、HGH和CA1539項腫瘤標志作為本研究的研究指標。陽性判別標準為：CEA>5μg/L，CA19-9>35U/ml，NSE>13μg/L，CA242>U/ml，CA153>35U/m

5、l，CA125>35U/ml，AFP>20μg/L，F(xiàn)erritin>322μg/L(男)，>219μg/L(女)，HGH>7.5μg/L。
　　 3.把樣本按3:1的比例隨機分成訓練集(肺癌38例，肺良性疾病39例)和預測集(肺癌12例，肺良性疾病13例)，分別用判別分析和ANN建立模型，然后用訓練好的模型對預測集進行預測，并結合診斷試驗評價指標對這兩種模型的預測結果進行比較。
　　 4.統(tǒng)計學分析:采用SPSS12.

6、0和Matlab7.1軟件。根據(jù)定量資料分布類型選擇表示方法和組間統(tǒng)計學檢驗方法，定性資料組間比較用x2檢驗，檢驗水準0.05。
　　 結果:
　　 1.血清腫瘤標志測定9種腫瘤標志中，血清AFP、CA125、CEA、NSE和SF的水平肺癌組高于肺良性疾病組，差異有統(tǒng)計學意義；CA125、CEA和SF的表達陽性率在肺癌組和肺良性疾病組差異有統(tǒng)計學意義。
　　 2.判別分析結果判別分析對預測集分類的靈敏度、特異度、

7、準確度、陽性預測值和陰性預測值分別為58.3％、76.9％、68.0％、70.0％和66.7％。
　　 3.ANN模型的建立及預測結果 ANN模型對訓練集的輸出結果準確度為90.9％；對肺癌預測的靈敏度、特異度、準確度、陽性預測值和陰性預測值分別為83.3％、92.3％、88.0％、90.9％和85.7％。
　　 4.ANN模型的RUC(0.878)要高于判別分析模型的RUC(0.676)，差異具有統(tǒng)計學意義。