基于腫瘤標志群的不同判別模型在肺癌輔助診斷中的應(yīng)用.pdf

1、目的:
　　隨著肺癌發(fā)病率及死亡率逐年增長，肺癌已成為嚴重威脅人類健康的惡性腫瘤，目前成為亟待解決的公共衛(wèi)生難題。數(shù)據(jù)挖掘技術(shù)在解決大樣本和多參數(shù)問題的優(yōu)勢使其在醫(yī)學(xué)領(lǐng)域得到廣泛研究。課題組近年來一直致力于肺癌輔助診斷研究，篩選出癌胚抗原（carcinoembryonic antigen, CEA）、神經(jīng)元特異性烯醇化酶（neuron specific enolase, NSE）、胃泌素、唾液酸（sialic acid, SA）、

2、銅鋅比值（Cu/Zn）、血清鈣離子、DNA甲基轉(zhuǎn)移酶1（DNA methyltransferase1, DNMT1）、DNA甲基轉(zhuǎn)移酶3A(DNA methyltransferase3A, DNMT3A)、DNA甲基轉(zhuǎn)移酶3B（DNA methyltransferase3B, DNMT3B）和組蛋白去乙?；?(histone deacetylase, HDAC1)等10余種肺癌生物標志，但這些生物標志如何有效地組成腫瘤標志物群用于肺癌

3、輔助診斷還有待于進一步研究。該論文依據(jù)前期篩選的10項肺癌生物標志，聯(lián)合流行病學(xué)資料、臨床與影像資料，應(yīng)用人工神經(jīng)網(wǎng)絡(luò)（artificial neural network, ANN）技術(shù)建立了肺癌輔助診斷系統(tǒng)。此研究將探討這10項指標對輔助診斷的預(yù)測效果；同時重建人工神經(jīng)網(wǎng)絡(luò)（artificial neural network, ANN）模型，并與決策樹（decision tree，DT）C5.0模型、支持向量機（support vec

4、tor rmachine，SVM）模型及判別分析模型比較；篩選出優(yōu)化的預(yù)測模型為后續(xù)研究打下基礎(chǔ)，以期提高腫瘤標志對肺癌輔助診斷價值，達到對肺癌輔助診斷和鑒別診斷的目的。
　　方法:
　　1.研究對象：180例肺癌組和243例肺良性疾病組樣本均取自鄭州大學(xué)第一附屬醫(yī)院，所有樣本均經(jīng)細胞學(xué)或組織病理學(xué)診斷。
　　2.實驗方法：采用放射免疫法檢測血清中CEA、NSE和胃泌素水平，ICP-MS檢測血清銅、血清鋅的濃度，運用改

5、進的間苯二酚顯色法測定唾液酸濃度，利用全自動化分析儀測定血清鈣濃度，采用 ELISA測定 DNMT1、DNMT3A、DNMT3B和HDAC1含量。
　　3.數(shù)據(jù)挖掘：樣本按3:1的比例隨機分成訓(xùn)練集和預(yù)測集，運用ANN技術(shù)、C5.0技術(shù)、Fsher判別分析和SVM建模，然后對樣本進行預(yù)測，應(yīng)用ROC曲線對這4種模型的預(yù)測結(jié)果進行比較，4模型均采用Clementine12.0軟件實現(xiàn)。
　　4.運用SPSS21.0軟件進行統(tǒng)計

6、學(xué)分析。根據(jù)定量資料分布類型選擇表示方法及統(tǒng)計學(xué)檢驗方法，定性資料組間比較用χ2檢驗；檢驗水準α=0.05。
　　結(jié)果：
　　1.肺癌組和肺良性疾病組中 CEA、胃泌素、NSE、DNMT1、DNMT3A和DNMT3B差異有統(tǒng)計學(xué)意義(P<0.05），其中肺癌組腫瘤標志物水平高于肺良性疾病組。
　　2.增加發(fā)熱出汗、咳痰、痰中帶血、肺部感染及結(jié)節(jié)5項臨床與影像資料可以有效地提高輔助診斷模型的準確率。
　　3.輔助診