基于人工神經(jīng)網(wǎng)絡(luò)的熒光光譜和腫瘤標(biāo)志聯(lián)合檢測在肺癌診斷中的應(yīng)用.pdf

1、背景與目的：肺癌是嚴重威脅人類生命和健康的疾病之一,在西方發(fā)達國家,肺癌的發(fā)病率和死亡率均排在各種癌癥的首位。在中國的大中城市和農(nóng)村,肺癌的死亡率分居各類惡性腫瘤的一、二位。肺癌發(fā)病隱蔽且發(fā)展、轉(zhuǎn)移快,患者一旦出現(xiàn)臨床癥狀大多已進入中晚期而錯失治療時機,預(yù)后極差。因此,早期發(fā)現(xiàn)、早期診斷和早期治療是提高肺癌患者生存機會和改善預(yù)后的關(guān)鍵。目前用于肺癌早期診斷的技術(shù)主要有:影像學(xué)技術(shù)、組織細胞學(xué)技術(shù)和纖維支氣管鏡技術(shù)。但這些技術(shù)都存在著一些

2、自身的不足和缺陷。血清學(xué)檢測(熒光光譜和腫瘤標(biāo)志)由于取材相對無創(chuàng)、檢測快速、靈敏、易被患者接受而受到國內(nèi)外研究者的重視,從而成為肺癌早期發(fā)現(xiàn)和早期診斷的一條重要途徑。血清熒光光譜可以反映血清中癌細胞在代謝過程中發(fā)生的異常改變而導(dǎo)致的血清中熒光物質(zhì)的成分、含量及微環(huán)境的變化,因此分析血清熒光光譜可為腫瘤的診斷提供新的手段。血清(血漿)腫瘤標(biāo)志在腫瘤的普查、診斷、判斷預(yù)后和轉(zhuǎn)歸、評價療效和隨診等方面占有越來越重要的位置,腫瘤標(biāo)志對于腫瘤尤

3、其是肺癌的輔助診斷作用已得到大家的公認。然而,無論是熒光光譜還是腫瘤標(biāo)志或是二者的聯(lián)合,其中都包含有大量的研究參數(shù),一般的統(tǒng)計學(xué)分析方法難以對多參數(shù)問題做出正確的判斷。人工神經(jīng)網(wǎng)絡(luò)(Artificial neural network,ANN)是一門涉及生物、電子、計算機、數(shù)學(xué)和物理學(xué)的新興的邊緣交叉學(xué)科,它作為一種嶄新的信息處理技術(shù)平臺,在解決非線性、多輸入、不確定復(fù)雜問題時具有明顯的優(yōu)勢。人工神經(jīng)網(wǎng)絡(luò)是一種模糊信息處理系統(tǒng),不需知道系

4、統(tǒng)的詳細機理,同時網(wǎng)絡(luò)具有良好的自適應(yīng)、自組織以及很好的學(xué)習(xí)、聯(lián)想和容錯能力,通過對實際數(shù)據(jù)記錄的訓(xùn)練之后,可相當(dāng)準確的模擬和預(yù)測系統(tǒng)行為。
　　近年來,基于人工神經(jīng)網(wǎng)絡(luò)模型進行的模式識別、判別和預(yù)測已廣泛應(yīng)用于生物醫(yī)藥領(lǐng)域。人工神經(jīng)網(wǎng)絡(luò)在腫瘤臨床預(yù)后、計算機輔助診斷及生存分析方面也有廣泛的應(yīng)用。國內(nèi)外學(xué)者已通過建立ANN模型而實現(xiàn)了對肺癌的計算機輔助診斷,并獲得了良好的效果。本研究利用ANN技術(shù)平臺,將熒光光譜、腫瘤標(biāo)志聯(lián)合起來

5、,建立一個基于ANN的肺癌智能診斷模型,探討其在肺癌臨床輔助診斷中的價值,以期達到臨床輔助診斷肺癌的目的。
　　材料與方法：1.標(biāo)本129例患者血清及對應(yīng)血漿(其中肺癌患者42例,肺良性疾病患者42例,正常人45例)。
　　2.程序軟件Matlab7.0,SPSS12.0。
　　3.血清熒光光譜檢測以405nm為激發(fā)光波長,對血清進行熒光光譜掃描。在熒光發(fā)射波長450nm~700nm之間每5nm選取1處熒光相對強度參數(shù)

6、,對選取的熒光相對強度參數(shù)進行主成分分析,提取相應(yīng)的主成分。
　　4.血清(血漿)腫瘤標(biāo)志檢測分別采用試劑盒檢測血清中腫瘤標(biāo)志CEA、NSE、SCC-Ag和CYFRA21-1;采用甲基化特異性PCR(MSP)檢測血漿中p16甲基化情況。
　　5.ANN模型的構(gòu)建分別從肺癌組中隨機抽取27例,肺良性疾病組中隨機抽取27例,正常組中隨機抽取29例,共83例樣本作為訓(xùn)練集,剩余46例樣本(肺癌15例、肺良性疾病15例、正常16例)

7、作為預(yù)測集。分別以3個熒光光譜參數(shù)(熒光光譜主成分)和5個腫瘤標(biāo)志參數(shù)(CEA,NSE,SCC-Ag,CYFRA21-1和p16)作為輸入神經(jīng)元構(gòu)建熒光光譜聯(lián)合腫瘤標(biāo)志ANN模型;以3個熒光光譜參數(shù)作為輸入神經(jīng)元構(gòu)建熒光光譜ANN模型;以5個腫瘤標(biāo)志參數(shù)作為輸入神經(jīng)元構(gòu)建腫瘤標(biāo)志ANN模型。采用反向傳播神經(jīng)網(wǎng)絡(luò)算法(BP)對網(wǎng)絡(luò)進行訓(xùn)練,并對3種ANN模型進行盲法測試。
　　6.結(jié)合ROC分別比較3種ANN模型對預(yù)測集的預(yù)測結(jié)果、

8、熒光光譜聯(lián)合腫瘤標(biāo)志ANN模型與Fisher線性判別分析對全部樣本的判別結(jié)果,以及本研究建立的熒光光譜聯(lián)合腫瘤標(biāo)志ANN模型與本課題組前期研究所建立的ANN模型的預(yù)測結(jié)果。
　　結(jié)果：1.熒光光譜主成分分析結(jié)果根據(jù)主成分對應(yīng)的特征值大于1的原則,確定主成分個數(shù)為3。
　　2.ANN模型訓(xùn)練結(jié)果熒光光譜聯(lián)合腫瘤標(biāo)志ANN模型、熒光光譜ANN模型和腫瘤標(biāo)志ANN模型的隱含層神經(jīng)元節(jié)點數(shù)根據(jù)經(jīng)驗和嘗試分別確定為8、3和4,網(wǎng)絡(luò)經(jīng)反

9、復(fù)訓(xùn)練達到預(yù)期目標(biāo)后停止訓(xùn)練。3種ANN模型對83例訓(xùn)練集樣本的預(yù)測準確度均為100％。
　　3.3種ANN模型對預(yù)測集的預(yù)測結(jié)果比較熒光光譜聯(lián)合腫瘤標(biāo)志ANN模型、熒光光譜ANN模型和腫瘤標(biāo)志ANN模型對預(yù)測集肺癌預(yù)測的靈敏度分別為86.7％、60.0％和66.7％;特異度分別為96.8％、80.6％和83.9％;準確度分別為89.1％、67.4％和69.6％;陽性預(yù)測值分別為92.9％、60.0％和62.5％;陰性預(yù)測值分別為

10、93.8％、80.6％和80.0％;ROC曲線下面積分別為0.972、0.759和0.852,P<0.05。
　　4.熒光光譜聯(lián)合腫瘤標(biāo)志ANN模型與Fisher線性判別分析對全部樣本的判別結(jié)果比較熒光光譜聯(lián)合腫瘤標(biāo)志ANN模型與Fisher線性判別分析對全部樣本的判別的靈敏度分別為92.9％和62.9％;特異度分別為98.9％和92.0％;準確度分別為96.1％和76.7％;陽性預(yù)測值分別為97.6％和78.8％;陰性預(yù)測值分別

11、為97.7％和75.5％;ROC曲線下面積分別為0.996和0.787,P<0.05。
　　5.本研究建立ANN模型與本課題組前期研究所建立的ANN模型的預(yù)測結(jié)果比較2種ANN模型對肺癌輔助診斷靈敏度分別為92.9％和100％,特異度分別為98.9％和98.5％,準確度分別為96.1％和96.9％,陽性預(yù)測值分別為97.6％和97.9％,陰性預(yù)測值分別為97.7％和100％。
　　結(jié)論：1.熒光光譜聯(lián)合腫瘤標(biāo)志ANN模型的預(yù)