Logistic回归在乳腺癌综合分析诊断中的应用

摘要

目的：应用logistic回归方法,对乳腺肿块患者的基本情况、症状和体征、钼靶x线、彩超影像学检查四类资料进行综合分析,建立logistic回归辅助诊断模型。尝试通过综合多种资料创立的乳腺癌诊断模型对乳腺肿块进行良恶性的预测，对临床上乳腺良恶性疾病的鉴别提供帮助，以提高乳腺疾病的诊断准确率。
　　方法：收集附属南华医院及附一医院2009-2011年的乳腺疾病患者。病例入选要求：病例必须经病理活检证实；基本情况、临床、钼靶、彩超影像学资料均齐全；对病例数据的收集要保持客观、准确、无误。资料录入：将收集的病例数据先输入Microsoft Excel2003，然后导入到SPSS17.0软件。以下数据分析均在SPSS17.0软件进行。单因素分析：对各指标进行单因素分析，初步筛选出有统计学意义的变量。多因素分析：参考单因素分析的结果，将有统计学意义的指标代入 logistic回归方程，进行多因素分析，得到最终建模的指标。建立三个诊断模型：以不同的资料作为变量建立三个诊断模型，以基本情况（B）+症状体征(S)+钼靶x线(M)+彩超(U)为变量代入多因素logistic回归方程，得到BSMU-logistic模型；以基本情况（B）+症状体征（S）+钼靶x线(M)为变量得到BSM-logistic模型；以基本情况（B）+症状体征(S)+彩超(U)为变量，得到BSU-logistic模型。模型组间比较：对三个诊断模型进行统计学分析，绘制ROC曲线，运用medcal软件对比ROC曲线下面积，以比较三个模型的诊断性能。最优模型及其最佳诊断截断点的选取：根据ROC曲线下面积，得到最优模型，并选取该模型的最佳诊断截断点作为乳腺癌的诊断标准。
　　结果：⑴单因素分析结果显示：年龄、职业、病灶质地、病灶边界、病灶形态、表面光滑度、活动度、患者腋窝淋巴结肿大、钼靶边缘、钼靶形态、微钙化、结构紊乱、厚皮征、漏斗征、超声边缘、超声形态、内部回声、微钙化、周边及内部血流信号、血流信号分级（CDFI）、超声腋窝淋巴结肿大这21个指标在病例组和对照组中有显著性差异（p<0.05）。⑵多因素结果分析：将所有有显著性差异的指标代入logistic多因素回归方程，得到综合所有资料的最终建模指标：病灶质地、病灶边界、钼靶边缘、漏斗征、超声形态、周边及内部血流信号、血流信号分级、超声腋窝淋巴结肿大。⑶三个模型的诊断结果：模型一、模型二、模型三的诊断准确率分别为93.4％、85.6%、87.4%，特异度分别为88.0%、74.0%、70.0%，敏感度分别为95.7%、90.6%、94.9%。⑷模型组间比较：三个模型的ROC曲线下面积（AUC1、AUC2、AUC3）分别为0.964、0.924、0.920。组间比较结果显示：AUC1与AUC2差异有统计学意义，AUC1与AUC3差异有统计学意义，AUC2与AUC3差异无统计学意义。⑸最优模型及其最佳诊断截断点：模型一的ROC曲线下面积最大，提示模型一的诊断性能最优。模型一的回归方程Logit（P）=-48.335+2.227*X1+1.033*X2+2.684*X3+21.633*X4+2.417*X5+8.101*X6-2.826*X7+2.527*X8。该模型乳腺癌的最佳临床诊断截断值为0.501，其对应的敏感度为95.7%，特异度为88.0%。
　　结论：①利用多种资料建立的logistic回归乳腺癌诊断模型可提高乳腺癌的诊断准确率。②钼靶logistic回归模型和彩超logistic回归模型对乳腺癌诊断的准确率无明显差异性。

目录

封面

声明

目录

英文缩略词表（Abbreviation）

中文摘要

英文摘要

前言

1.方法

1.1 病例收集

1.2 病例数据的分析

2.结果

2.1 收集病例的基本情况

2.2 单因素分析结果

2.3 多因素分析结果

2.4 不同变量建立的三个诊断模型

2.5 绘制ROC曲线

2.6 ROC曲线下面积的比较

2.7最佳截断点的选取

3.讨论

4.结论

参考文献

附录1：乳腺疾病患者病例资料收集及变量定义表

综述：数学挖掘与乳腺癌诊断的研究进展

攻读硕士学位期间完成、发表论文情况

致谢