[00833502]神经网络技术在肝、肺癌辅助诊断中的作用

人们对于癌症的共识是早发现、早诊断、早治疗，而早期诊断和及时治疗是提高肝、肺癌患者生存率的关键。临床应用较多的是血清学指标，通常认为其含量大于正常高限时，提示可能有癌的存在，但其诊断灵敏性和特异性有限。而影像检查和术前病理穿刺等检测技术在临床上对于肝、肺癌的早期诊断能力也有限，且大多数会对患者身体造成一定创伤，迫切需要开发新的生物标志或方法对肝、肺癌进行诊断。主要技术内容：1、以诊断灵敏度、特异度、准确度、阳性预测值和阴性预测值作为评价指标，以甲胎蛋白(AFP)、癌胚抗原(CEA)、糖类抗原125(CA125)、唾液酸(SA)的的钙(Ca) 5种肿瘤标志作为判别变量，根据已知观测量分类和表明观测量的变量特征推导出判别函数，并把各观测量的自变量回代到判别函数中，根据判别函数对观测量所属类别进行判别，对比原始数据的分类和按判别函数所判的分类，得出正确率。在挑选模型变量中选择系统默认的全模型方法，并选择Fisher功能系数。2、运用反向传播神经网络算法(BP)，将分组随机选取的肝癌、肝良性疾病、正常人的上述5种肿瘤标志实验数据作为训练集，然后用训练好的模型对相应的测试集进行盲法预测。3、收集有肿瘤标志蛋白芯片检测记录的肺癌和肺良性疾病患者。利用人工神经网络技术，对CEA、CA-19-9、NSE、CA242、CA153、CA125、AF、铁蛋白(SF)、HGH 9项指标进行联合检测，建立基于人工神经网络的肿瘤标志蛋白芯片智能诊断模型。4、对CEA、CA199、NS、CA242、CA15、CA125、AFP、Ferritin、HGH9项肿瘤标志的血清水平和人口学特征先进行Kruskal-Wallis检验，再采用Logistic逐步回归进行分析，随机选择样本中75%病例作为训练集，将部分样本作为预测集，来测试已建立模型的预测准确度。5、根据胸腔积液及血清中的CEA、CA125、CA-19-9及肿瘤特异性生长因子(TSGF)检测水平，根据建立肿瘤标志物ANN模型，并验证该ANN模型对肺癌与肺良性疾病的鉴别诊断价值。技术经济指标：通过神经网络技术在肝、肺癌辅助诊断中的作用的研究，在肝癌患者辅助诊断中对肝癌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%。对肺癌的诊断灵敏度(100％)和特异度(93.3%)，总体诊断准确率达到97.8%。推广应用情况：该项目创立的《神经网络技术在肝、肺癌辅助诊断中的作用》的肝、肺癌辅助诊断方法，通过驻马店市中心医院、解放军第152医院等5家单位对327例肝癌和330例肺癌患者辅助诊断中的应用，对肝、肺癌预测的敏感度、特异性、准确度均较高。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、肺癌和良性及正常。证明该项目具有良好的推广应用前景。