收藏本站
收藏 | 论文排版

人工神经网络技术联合多肿瘤标志在肺癌预警中的应用

聂广金  
【摘要】:背景与目的 据卫生部统计显示,2007年我国城市和农村恶性肿瘤死亡率占疾病总死因构成的28.84%和24.8%,居各种死因首位。而位于前五位的分别是肺癌、肝癌、胃癌、食管癌和结直肠癌,因此肺癌和消化道肿瘤成为危害我国国民健康的主要杀手。虽然在防治肿瘤方面做了大量工作,但肿瘤的发病率和死亡率仍然居高不下。其原因可能是一方面在肿瘤一级预防和二级预防上投入不够,缺乏行之有效的社区预防干预措施;另一方面目前仍然缺乏肿瘤早期诊断技术。很多肿瘤患者临床确诊时已是中晚期,此时治疗效果和预后差,这是导致肿瘤死亡率居高不下的主要原因。因此早期发现、早期诊断和早期治疗仍然是提高肿瘤患者生存率,降低死亡率,改善预后的主要措施。 目前肿瘤诊断的主要方法有影像学诊断、血清免疫学诊断和细胞学与组织病理学诊断。但由于活检人员和病理医生的主观因素、活检的创伤性以及活检时病人的合作意愿等因素的影响,造成肿瘤患者的漏诊、误诊等现象时有发生。肿瘤标志的出现为人们早期发现肿瘤带来了曙光,然而随着实践的不断深入,发现单个肿瘤标志仍然无法承担起早期诊断肿瘤的重任。于是人们将希望寄于多种肿瘤标志的联合检测,并不断更新肿瘤标志的检测技术。这种努力使得肿瘤诊断率有所提高,也使得肿瘤早期发现成为可能。近几年人们从统计学角度上做了大量研究,希望能建立一种基于多肿瘤标志检测数据的较大样本量的智能诊断模型,来克服一些人为主观因素和个体因素的影响,进一步提高肿瘤诊断率。 人工神经网络(artificial neural network,ANN)是模拟人脑的组织结构和运行机制的一种非线性信息处理工程系统,它具有大规模并行处理能力和分布式信息存储能力,并具有良好的自适应性、自组织性以及很强的自学习功能、联想功能和容错功能。目前已广泛应用于疾病智能诊断系统构建、疾病危险因素的筛查、疾病风险评估以及基因识别和蛋白质结构分析等领域。近几年,将ANN技术联合多肿瘤标志用于构建肿瘤智能诊断系统成为研究的热点。 本课题组前期研究筛选出了对肺癌具有较高特异性的血清癌胚抗原(Carcinoembryonic antigen,CEA)、神经元特异性烯醇化酶(Neuron-specific enolase,NSE)、胃泌素(Gastrin)、唾液酸(sialic acid,SA)、铜锌比值(Cu/Zn)和血清钙离子浓度等6种肺癌肿瘤标志组成肺癌最佳肿瘤标志组合,并应用ANN技术建立了肺癌智能诊断系统。该研究在上述基础上,扩大样本量检测这6种肿瘤标志,并构建ANN联合6种肺癌肿瘤标志的肺癌诊断系统,以考察本课题组前期建立的肺癌智能诊断系统的可靠性和稳定性以及结果的重现性,为肺癌的临床辅助诊断和社区肺癌高危人群筛检提供更加坚实的理论依据。同时考察ANN联合6种肺癌肿瘤标志对胃癌的鉴别诊断能力,以评估ANN联合6种肺癌肿瘤标志应用于其他肿瘤鉴别诊断的可行性。 材料与方法 收集61例正常人、53例肺部良性疾病患者、67例肺癌患者、55例胃部良性疾病患者和47例胃癌患者的血清标本。采用放射免疫法测定血清癌胚抗原(CEA)、神经元特异性烯醇化酶(NSE)和胃泌素的表达水平;采用偶氮砷Ⅲ终点法钙离子测定试剂盒测定血清的钙离子浓度;采用原子吸收分光光度法(石墨炉法和火焰法)测定血清铜离子和锌离子含量,并计算铜锌比值(Cu/Zn);采用改良的间苯二酚法测定血清唾液酸浓度。 对测得的5组283例患者的基本资料和6种肿瘤标志数据进行整理,利用SPSS12.0做描述性统计分析、卡方检验以及方差分析。将上述数据归一化处理,并将各组随机的分为训练集和测试集。利用训练集分别在Matlab7.0和SPSS12.0平台上构建ANN诊断模型和logistic回归诊断模型,并对相应的测试集进行预测诊断。利用受试者工作特征曲线(Receiver Operating Characteristic,ROC)分析比较纳入基本资料前后和数据合并前后ANN模型与相应的logistic回归模型在鉴别诊断肺癌以及胃癌能力方面的优劣。 结果 1.正常人组,肺良性疾病组和肺癌组在现病史和家族史,生活习惯以及居住环境等基本资料方面,除了烹调方式外,在3组中的分布差异有统计学意义(P<0.05),说明这些因素与肿瘤的发生密切相关,并可作为肺癌发生的危险因素,收集这些资料并进行分析有助于肺癌的诊断以及判断肺癌高危人群和肺癌早期预警。 2.方差分析表明:正常组-肺良性疾病组-肺癌组6种肿瘤标志的表达水平差异均有统计学意义(P<0.05),两两比较结果显示6种肿瘤标志在上述3组之间的表达水平差异也均有统计学意义(P<0.05);在正常组-胃良性疾病组-胃癌组6种肿瘤标志的表达水平差异同样具有统计学意义(P<0.05),两两比较结果显示除了正常组和胃良性疾病组CEA和胃泌素的表达水平差异无统计学意义(P>0.05)外,其他各组两两比较水平差异均有统计学意义(P<0.05) 3.根据正常人组-肺良性疾病组-肺癌组6种肿瘤标志表达数据建立ANN肺癌预诊断模型,在纳入基本资料前后对总样本预测肺癌的灵敏度、特异度和准确度分别为92.5%、96.5%、95.5%和95.5%、99.1%、97.8%,而对测试集预测肺癌的灵敏度、特异度和准确度分别为75.0%、85.3%、81.5%和85.0%、97.1%、92.6%;将本次实验数据与课题组先前的研究数据合并后,重新建立ANN肺癌预测模型,对总样本的灵敏度、特异度和准确度分别为94.0%、90.4%和91.7%,对测试集的灵敏度、特异度和准确度分别为92.0%、98.1%和87.3%。根据正常人组-胃良性疾病组-胃癌组6种肿瘤标志表达数据建立ANN联合6种肿瘤标志的胃癌诊断模型,预测胃癌的灵敏度、特异度和准确度分别为88.9%、95.7%和93.8%;根据胃癌和肺癌组建立ANN胃癌-肺癌鉴别诊断模型,预测肺癌的灵敏度和特异度分别为100%和83.3%,预测胃癌的灵敏度和特异度分别为83.3%和100%,总的准确度为93.5%。 4.ROC曲线分析表明纳入基本资料前后ANN模型对总样本鉴别诊断肺癌的ROC曲线下面积(Area Under the ROC,AUC)分别为0.96和0.97,均大于纳入基本资料前后logistic回归模型ROC曲线下面积AUC的0.93和0.93,但二者比较差异无统计学意义(P>0.05);而对测试集,纳入基本资料前后ANN模型鉴别诊断肺癌的AUC分别为0.88和1.0,均大于纳入基本资料前后Logistic回归模型诊断肺癌的AUC的0.82和0.9,但纳入前后AUC相比较差异均无统计学意义(P>0.05);与本课题组先前的研究数据合并扩大样本量后,对于总样本而言,ANN模型预测肺癌的AUC为1.0,Logistic回归模型为1.0,两者比较差异无统计学意义(P>0.05),而对测试集而言,ANN模型预测肺癌的AUC为0.95,Logistic回归模型预测肺癌的AUC为0.85,两者比较差异有统计学意义(P<0.05);ANN联合6种肿瘤标志鉴别诊断正常人-胃良性疾病组-胃癌组的AUC为0.94,小于Logistic回归模型(AUC=1.0),但二者相比较差异无统计学意义(P>0.05);ANN模型鉴别诊断肺癌与胃癌的AUC为0.92,Logistic回归模型鉴别诊断肺癌和胃癌的AUC为0.89,二者比较差异无统计学意义(P>0.05)。 结论 1.ANN联合6种肿瘤标志的肺癌诊断预测模型具有较高的灵敏度和特异度,证实了本课题组先前建立的ANN肺癌预测模型具有良好的重现性和稳定性;肺癌患者基本临床资料如现病史,肿瘤家族史以及居住环境等基础资料对提高ANN联合肿瘤标志诊断肺癌的灵敏度和特异度有重要意义。 2.ANN联合6种肿瘤标志不仅能鉴别肺癌,肺良性疾病和正常人,对胃癌患者、胃良性疾病患者同样具有良好的鉴别能力,而且还可区分肺癌和胃癌患者。 3.ANN联合6种肿瘤标志的肿瘤诊断模型在小样本量时与传统的统计分类方法logistic回归分析具有相同的分类预测能力。而在处理大样本量、非线性的数据时ANN模型在鉴别肺癌时更具有优势。


知网文化
【相似文献】
中国期刊全文数据库 前20条
1 刘文;王建东;朱月清;李忠佐;杨志坚;朱学恒;张庭卿;;血清特种蛋白作为肿瘤标志在肺癌诊断上的意义[J];实用肿瘤学杂志;1990年03期
2 大濑宽高他;ProGRP在小细胞肺癌诊断中的价值[J];日本医学介绍;1999年03期
3 孙高,周宝森,杨静宇,邬永革;基于人工神经网络的肺癌诊断研究[J];中国卫生统计;1999年03期
4 袁振铎;;第一届全国肿瘤标志学术会议在北京召开[J];生命的化学;1991年01期
5 ;2004亚太地区国际肿瘤生物学暨第21届国际肿瘤标志学术会议[J];肿瘤防治杂志;2004年01期
6 韩金祥;;肿瘤标志蛋白质组学研究及展望[J];中华肿瘤防治杂志;2008年20期
7 董明,王伟洪;癌胚抗原对肺癌诊断价值分析[J];浙江肿瘤;1999年02期
8 逄宝忠,刘彤,江旭;血清CYFRA21-1和NSE联检对肺癌诊断的临床价值[J];放射免疫学杂志;2000年01期
9 陈忠;刘云;刘莉;陆小鹏;张军;李建刚;朱自力;;六项肿瘤标志物RIA诊断肺癌的临床价值探讨[J];放射免疫学杂志;2006年04期
10 姜万荣;胡漫;孙新东;马莉;刘利胜;于金明;;~(18)F-FDGPET-CT与肿瘤标志检测对肺癌诊断价值的分析[J];中华肿瘤防治杂志;2009年12期
11 王东;周娟;刘敏;徐鸿绪;;肿瘤型M2丙酮酸激酶在肺癌诊断中的应用[J];中华检验医学杂志;2007年05期
12 孙倩昀,崔锐;血清CYFRA21-1在肺癌诊断中的临床价值探讨[J];放射免疫学杂志;1999年03期
13 赵明;季晓鹏;鹿洁;郑永胜;宋华;李会军;;肺癌诊断中肿瘤标志物CA199、CA125和CA153联检的意义[J];放射免疫学杂志;2006年03期
14 张敏艳;;恶性肿瘤特异性生长因子测定在肺癌诊断中的价值[J];临床医药实践杂志;2008年04期
15 赵冰;王群;赵辉;邵李海;王博;张鹏飞;;血清肿瘤标志物联合检测在肺癌诊断中的临床价值[J];中国冶金工业医学杂志;2010年05期
16 余春华;谭善娟;吴拥军;;多种肿瘤标志联合检测在肺癌诊断中的临床价值[J];河南科技大学学报(医学版);2011年01期
17 丰有吉;;卵巢癌的肿瘤标志[J];实用妇产科杂志;1995年03期
18 梅咏春;肺癌相关抗原检测在肺癌诊断上的应用[J];淮海医药;1997年04期
19 李春海;肿瘤标志的基础与临床应用(四)[J];中华医学信息导报;2004年20期
20 王建一,江淑芳;多项肿瘤标志联合检测在肿瘤诊断中的作用[J];解放军医学杂志;1987年01期
中国重要会议论文全文数据库 前10条
1 郝艳红;吴维超;吴拥军;吴逸明;;基于人工神经网络的荧光光谱和肿瘤标志联合检测在肺癌诊断中的应用[A];中国毒理学会生化与分子毒理专业委员会第六届全国学术会议、中国毒理学会遗传毒理专业委员会第五届全国学术会议、广东省预防医学会卫生毒理专业委员会学术会议、广东省环境诱变剂学会学术会议论文汇编[C];2008年
2 聂广金;倪然;冯斐斐;吴拥军;吴逸明;;人工神经网络技术联合肿瘤标志在肺癌预警中的应用[A];中国毒理学会第五次全国学术大会论文集[C];2009年
3 冯斐斐;吴拥军;聂广金;吴逸明;;基于“最优肿瘤标志群”建立的人工神经网络模型对肺癌辅助诊断的作用[A];中国环境诱变剂学会致癌专业委员会09年学术会议论文汇编[C];2009年
4 聂广金;冯斐斐;吴拥军;吴逸明;;不同分类技术联合肿瘤标志在诊断和预测肺癌方面的研究[A];中国毒理学会生化与分子毒理专业委员会第六届全国学术会议、中国毒理学会遗传毒理专业委员会第五届全国学术会议、广东省预防医学会卫生毒理专业委员会学术会议、广东省环境诱变剂学会学术会议论文汇编[C];2008年
5 冯玉强;黄梯云;;基于人工神经网络的人口发展模型的自动选择[A];管理科学与系统科学进展——全国青年管理科学与系统科学论文集(第3卷)[C];1995年
6 赵卿;曹晓岚;;人工神经网络及其在医学中的应用[A];第五次全国中西医结合神经科学术会议论文集[C];2004年
7 田国富;张国忠;张幼君;;人工神经网络在齿轮设计中的应用[A];全面建设小康社会:中国科技工作者的历史责任——中国科协2003年学术年会论文集(下)[C];2003年
8 汪学清;单仁亮;;人工神经网络在爆破块度预测中的应用研究[A];第二届中国水利水电岩土力学与工程学术讨论会论文集(一)[C];2008年
9 应义斌;景寒松;赵匀;;人工神经网络在黄花梨果形识别中的应用[A];面向21世纪的科技进步与社会经济发展(上册)[C];1999年
10 周保生;朱维申;;巷道围岩移近量的人工神经网络预测[A];第一届海峡两岸隧道与地下工程学术与技术研讨会论文集(下册)[C];1999年
中国博士学位论文全文数据库 前10条
1 吴建发;优选压裂井方法研究[D];西南石油学院;2005年
2 李军红;冷轧带肋钢筋工艺的现代优化方法及质量控制[D];南昌大学;2006年
3 Han Qiang;[D];山东大学;2005年
4 申金山;基于人工神经网络的化学发光法及光度法在多组分同时测定中的应用研究[D];四川大学;2005年
5 张治国;人工神经网络及其在地学中的应用研究[D];吉林大学;2006年
6 王海瑞;密闭式城市生活垃圾直接气化熔融焚烧过程控制策略研究[D];昆明理工大学;2007年
7 刘传文;仿生优化算法在数字图像处理中的应用研究[D];武汉理工大学;2008年
8 刘永阔;核动力装置故障诊断智能技术的研究[D];哈尔滨工程大学;2006年
9 蒲秀娟;胎儿心电信号提取研究[D];重庆大学;2009年
10 伭炜;基于人工神经网络的混合智能系统研究及应用[D];哈尔滨工程大学;2009年
中国硕士学位论文全文数据库 前10条
1 聂广金;人工神经网络技术联合多肿瘤标志在肺癌预警中的应用[D];郑州大学;2009年
2 吴维超;基于人工神经网络的荧光光谱和肿瘤标志联合检测在肺癌诊断中的应用[D];郑州大学;2008年
3 张红升;人工神经网络技术在肺癌CT诊断中的应用[D];郑州大学;2007年
4 张矗;人工神经网络技术联合肿瘤标志在纤维支气管镜诊断肺癌中的应用[D];郑州大学;2008年
5 刘永福;人工神经网络在上海股市趋势预测中的应用——与时间序列预测对比分析[D];东北财经大学;2003年
6 盛本云;人工神经网络在变电站综合自动化系统优化中的应用[D];南京理工大学;2003年
7 薛新华;人工神经网络在地基土液化判别中的作用[D];中国海洋大学;2004年
8 董添文;CO_2气体保护焊干扰因素计算机识别系统的研究与设计[D];内蒙古工业大学;2005年
9 金洪星;脑电图自动检测技术的研究和应用[D];南京工业大学;2005年
10 徐学明;基于人工神经网络的车辆跟驰模型研究[D];北京工业大学;2006年
中国重要报纸全文数据库 前10条
1 胡性慧 王唯赫 杨腾;人工神经网络拓宽版权贸易路径[N];中国知识产权报;2010年
2 元城;肺癌诊断技术取得新突破[N];中国高新技术产业导报;2001年
3 张东方;沙明;杨松松;人工神经网络在中药领域中的应用[N];中国医药报;2003年
4 本报记者 靖九江 采写;人工神经网络在临床上的应用[N];中国医药报;2005年
5 何进喜;肺癌诊断研究填补国内空白[N];中国医药报;2002年
6 苑希民(中国水利水电科学研究院决策支持技术研究室 主任) 李彦彬 徐建新(华北水利水电学院) 李鸿雁(北京理工大学管理与经济学院) 苑韶峰 吕军(浙江大学环境与资源学院);人工神经网络 灵感源于大脑[N];中国水利报;2005年
7 李春海;抽血能验癌吗?[N];科技日报;2006年
8 记者 周前进;人工神经网络可筛查糖尿病[N];健康报;2000年
9 通讯员 熊静 张智;肿瘤标志物检测发现早期肿瘤[N];湖北科技报;2006年
10 徐会川;延伸人类智力——人工神经网络[N];电脑报;2003年
 快捷付款方式  订购知网充值卡  订购热线  帮助中心
  • 400-819-9993
  • 010-62982499
  • 010-62783978