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-卫生毒理专业论文.docxVIP

摘要摘要 摘要 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CAl99、NSE、CEA、CA242、SF、 AFP、CAl25、HGH和CAl53 9项肿瘤标志作为本研究的研究指标。阳性判别 标准为：CEA5“g／L，CAl9-935U／rnl，NSE13I．tg／L，CA242U／ml， CAI 5335U／ml，CAl2535U／ml，AFP201．tg／L，Ferritin322I-tg／L(男)， 摘要21999／L(女)，HGH7．5pg／L。 摘要 21999／L(女)，HGH7．5pg／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SPSSl2．0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，检验，检验水准o．05。 结果 1．血清肿瘤标志测定9种肿瘤标志中，血清AFP、CAl25、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(P0．05)；CAl25、 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．o．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．O％、70．O％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(O．878)要高于判别分析模型的RUC(0．676)，差 异具有统计学意义(PO．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。 关键词：人工神经网络肿瘤标志蛋白芯片肺癌辅助诊断 II AbstractA Abstract A bstract objecfive Lung cancer is one of the malignant tumors，which threats to people’S health．Its incidence and mortality rates are lligh．1．2 million new cases are diagnosed as lung cancer every year．The most common symptoms of lung cancer are cough and dyspnea,SO it’S often confused、析血benign pulmonary diseases．There is no sp