基于人工神经网络的肿瘤标志蛋白芯片在肺癌辅助诊断中的应用

论文摘要

目的肺癌是严重危胁人类健康的恶性肿瘤之一,其发病率及死亡率均呈居高不下的状态,全世界每年新增病例约120万。肺癌的起病比较隐匿,常见的临床症状是咳嗽和呼吸困难等,一般不易引起人注意,且容易和肺良性疾病相混淆,因此,肺癌早期临床症状不易察觉,当出现典型症状时往往已到中晚期,这就造成了目前肺癌的治疗成本高预后差的局面,而提高肺癌患者生存率的关键在于早期诊断和及时治疗。检测血清中肿瘤标志具有高效、方便、创伤小及标本易获得等优点,因此,如何筛选、鉴定及检测血清肿瘤标志是近年来肺癌临床辅助诊断研究的热点。目前尚未发现肺癌的特异性生物标志,因此单一的肿瘤标志并非十分的理想,联合检测肺癌的肿瘤标志可显著提高肺癌的诊断阳性率,更好地明确肺癌的病理分型。然而,肿瘤标志的联合检测在提高诊断阳性率的同时也会带来大量的研究参数,一般的统计学方法很难对复杂的参数问题做出正确判断。人工神经网络（ANN）是近些年来发展非常迅速的一种新型智能化信息处理系统,非常适用于医学中模式识别与分类。此研究通过收集本院有肿瘤标志蛋白芯片检测结果的肺癌和肺良性疾病患者的资料,联合建立ANN模型和判别分析模型,以探讨这两种模型联合肿瘤标志对肺癌的辅助诊断价值,并提高肿瘤标志对肺癌辅助诊断和鉴别诊断价值,以期达到对肺癌辅助诊断和鉴别诊断的目的。对象与方法1.样本收集郑州大学第五附属医院2010年5月到2010年12月期间有肿瘤标志蛋白芯片检测记录的肺癌和肺良性疾病住院患者共102例,其中肺癌50例,肺良性疾病52例。均经病理学或细胞学证实,两组间的性别和年龄均有可比性。2.血清肿瘤标志的检测所有肿瘤标志的检测均采用湖州数康生物科技有限公司的多肿瘤标志蛋白芯片检测系统,选择CA199、NSE、CEA、CA242、SF、AFP、CA125、HGH和CA1539项肿瘤标志作为本研究的研究指标。阳性判别标准为：CEA>5μg/L,CA19-9>35U/ml, NSE>13μg/L, CA242>U/ml, CA153>35U/ml, CA125>35U/ml, AFP>20μg/L, Ferritin>322μg/L（男）,>219μg/L（女）, HGH>7.5μg/L。3.把样本按3：1的比例随机分成训练集（肺癌38例,肺良性疾病39例）和预测集（肺癌12例,肺良性疾病13例）,分别用判别分析和ANN建立模型,然后用训练好的模型对预测集进行预测,并结合诊断试验评价指标对这两种模型的预测结果进行比较。4.统计学分析采用SPSS12.0和Matlab7.1软件。根据定量资料分布类型选择表示方法和组间统计学检验方法,定性资料组间比较用χ2检验,检验水准0.05。结果1.血清肿瘤标志测定9种肿瘤标志中,血清AFP、CA125、CEA、NSE和SF的水平肺癌组高于肺良性疾病组,差异有统计学意义（P<0.05）；CA125、CEA和SF的表达阳性率在肺癌组和肺良性疾病组差异有统计学意义（P<0.05）。2.判别分析结果判别分析对预测集分类的灵敏度、特异度、准确度、阳性预测值和阴性预测值分别为58.3%、76.9%、68.0%、70.0%和66.7%。3.ANN模型的建立及预测结果ANN模型对训练集的输出结果准确度为90.9%；对肺癌预测的灵敏度、特异度、准确度、阳性预测值和阴性预测值分别为83.3%、92.3%、88.0%、90.9%和85.7%。4.ANN模型的RUC（0.878）要高于判别分析模型的RUC（0.676）,差异具有统计学意义（P<0.05）结论1.ANN联合多肿瘤标志蛋白系统建立的模型可以区分肺癌和肺良性疾病。2.ANN模型对肺癌的诊断和鉴别诊断效果优于Fisher判别分析。

论文目录

• 摘要
• Abstract
• 图表索引
• 英文缩略词表
• 1 引言
• 2 材料与方法
• 2.1 材料
• 2.1.1 临床资料
• 2.1.2 主要试剂
• 2.2 方法
• 2.2.1 实验方法
• 2.2.2 数据的处理
• 3 结果
• 3.1 血清肿瘤生物标志的测定结果
• 3.2 判别分析结果
• 3.3 人工神经网络的训练和预测结果
• 3.3.1 肺癌-肺良性疾病的神经网络模型构建
• 3.3.2 测试样本的预测结果
• 3.4 ANN与判别分析模型预测效果的比较
• 4 讨论
• 4.1 瘤标志对肺癌诊断的临床价值
• 4.2 ANN模型对肺癌的预测
• 4.3 判别分析模型对肺癌的预测
• 4.4 ANN与判别分析模型的比较
• 5 结论
• 参考文献
• 综述 肺癌血清肿瘤标志的研究进展
• 参考文献
• 个人简历、在校期间发表的论文与研究成果
• 致谢