基于人工神经网络技术的肿瘤标志群在肝癌辅助诊断中的应用

摘要

背景与目的
　　 肝癌是世界上最常见的恶性肿瘤之一,我国一直是肝炎和肝癌的高发区,其死亡率仅次于肺癌,位居第二,近年来其发病率和死亡率呈逐年上升趋势。由于肝癌早期缺乏典型症状,一般不易引起注意,且容易和其他消化道疾病相混淆,因此在其早期一般不易诊断。当肝癌出现了典型症状,往往已经是中晚期,这就造成了我国肝癌的治疗成本高且预后较差的局面。目前临床上使用了血清甲胎蛋白检测结合超声显像实现对高危人群的监测,使部分肝癌患者在亚临床阶段即可初步筛查,早期切除的可能性增大。因此只有做到早发现、早诊断、早治疗,才能有效地降低肝癌的死亡率,但是现在的肝癌诊断过多地依赖影像学检查,而常用的AFP诊断肝癌灵敏度不高,超声检查亦存在缺陷性,不能很好地早期检测患者。因此对肝癌早期灵敏而特异的诊断指标的研究就显得尤为重要,人们试图寻找有助于肝癌早期诊断的新的标志或联合诊断,以提高灵敏度和临床应用性。人工神经网络是近年来迅速发展起来的一种新型信息处理系统,特别适合于医学模式分类与判断。
　　 该研究拟采用化学发光免疫分析法和分光光度法分别测定血清中的甲胎蛋白(a-fetoprotein;AFP)、癌胚抗原(Carcinoembryonic Antigen;CEA)、糖类抗原125(Carbohydrate Antigen125；CA125)、唾液酸(Sialic Acid;SA)及钙(Ca)水平,并以此联合检测以期实现对肝癌进行快速诊断；在此基础上拟采用人工神经网络技术抽取可用于肝癌诊断的有效特征,构造一种适合的神经网络模型,探讨是否有助于提高肝癌诊断的正确率及其联合检测对肝癌辅助诊断的意义,以期提高肝癌的阳性诊断率。
　　 材料与方法
　　 1.收集肝癌患者血清50例；肝良性疾病患者血清40例；正常人血清50例。
　　 2.用化学发光免疫分析试剂盒测量血清中AFP、CA125、CEA；用可见分光光度法测定血清中的唾液酸；用钙离子测定试剂盒(偶氮砷Ⅲ终点法)测定血清中的Ca。
　　 3.将每组样本随机分为训练集和测试集,用反向传播神经网络算法(Back-Propagation,BP算法)对训练集进行训练建立模型,后用测试集样本验证模型的优劣。将分组随机选取的35例肝癌、30例肝良性疾病、35例正常人的5种肿瘤标志实验数据作为训练集置于BP神经网络进行训练,建立肝癌-肝良性疾病-正常人的人工神经网络模型。网络参数设置输入层5个节点,隐含层15个节点,输出层1个节点。目标误差为0.001,学习速率为0.7,动量因子0.95。然后用训练好的模型对相应的测试集进行盲法预测。
　　 结果：
　　 1.人工神经网络模型的建立及其判别结果
　　 采用反向传播神经网络算法(BP算法),人工神经网络经反复训练达到预期目标后训练停止。
　　 本研究建立的人工神经网络模型对对3组样本判别的灵敏度为96.0％,特异度为98.9％,准确度为94.3％,阳性预测值为98.0％,阴性预测值为97.8％。
　　 2.判别分析模型对肝癌-肝良性疾病-正常人分类结果
　　 判别分析模型对3组样本判别的灵敏度为46.0％,特异度为98.9％,准确度为79.3％,总的阳性预测值为95.8％,总的阴性预测值为76.7％。
　　 3.人工神经网络与判别分析模型的比较
　　 人工神经网络模型的灵敏度、准确度、总阴性预测值均大于判别分析的结果,而且其ROC曲线下面积(0.986)大于判别分析模型(0.842),其差异具有统计学意义(P<0.05)。
　　 结论：
　　 1.人工神经网络联合5种肿瘤标志建立模型对肝癌的预测准确性优于单个或多个肿瘤标志联合检测,并且可以很好地区分肝癌和良性及正常。
　　 2.多个肿瘤标志联合人工神经网络建立的肝癌诊断模型对肝癌的预测优于传统统计方法,比常规的统计学方法更适合于临床数据的分析。

目录

文摘

英文文摘

图和附表清单

英文缩略词表

1 引言

2 材料与方法

2.1 材料

2.2 方法

3 结果

3.1 血清肿瘤标志测定结果

3.2 判别分析建立的基本模型及其结果

3.3 人工神经网络训练及预测结果

3.4 人工神经网络与判别分析模型的比较

4 讨论

4.1 肿瘤标志对肝癌诊断的临床价值

4.2 ANN模型对肝癌的预测

4.3 ANN模型和判别分析模型的比较

4.4 展望

5 结论

6 参考文献

综述：肿瘤标志与肝癌诊断

1 肝癌的常用肿瘤标志及临床应用

2 肿瘤标志的联合检测及其临床意义

3 参考文献

个人简历、在学期间发表的学术论文及研究成果

致谢