人工神經(jīng)網(wǎng)絡聯(lián)合腫瘤標志對肺癌和大腸癌的預警.pdf

1、背景與目的：
　　 在全世界范圍內(nèi)，占據(jù)癌癥死亡率首位的是肺癌。肺癌的預后極差，其中非小細胞肺癌的5年生存率只有5％～7％。盡管從治療效果來看，外科手術已經(jīng)成為最理想的選擇，Ⅰ期、Ⅱ期和部分Ⅲ期的患者都可以接受手術治療，有些甚至可以通過手術完全治愈。但是晚期肺癌的總體5年生存率還不到14％，而早期肺癌的5年生存率可以達到70％。肺癌的早期發(fā)現(xiàn)、早期診斷可以使患者獲得及時有效的治療，是提高其生存率的關鍵。目前傳統(tǒng)的檢測方法，例如對

2、人群進行定期的X線普查，使肺癌的早期診斷成為可能，但是仍然存在漏檢率高且有一定的假陽性率的問題，而且醫(yī)生自身的知識水平和閱片中不可避免的主觀因素，都會對臨床判斷產(chǎn)生影響。腫瘤標志現(xiàn)在越來越多的被人們用來輔助檢測癌癥，其對于腫瘤的診斷、判斷預后和轉(zhuǎn)歸、療效評價有著重要的意義。但是腫瘤標志的組織特異性不高，單項檢測的靈敏度和特異度都不理想，眾多學者研究表明多種腫瘤標志聯(lián)合檢測可以提高檢出率。人工神經(jīng)網(wǎng)絡是近年來國內(nèi)外各個領域廣泛應用研究的課

3、題。在醫(yī)學領域，人們開始探討在臨床疾病診斷方面利用人工神經(jīng)網(wǎng)絡解決非線性、多輸入、不確定復雜問題的特點，提高臨床疾病診斷的準確性。
　　 研究將6種腫瘤標志和人工神經(jīng)網(wǎng)絡聯(lián)合檢測建立肺癌預警模型、大腸癌預警模型和肺癌-大腸癌預警模型，以期實現(xiàn)肺癌、大腸癌的早期預警，為早期手術、提高5年生存率打下基礎。
　　 材料與方法：
　　 1.2007年9月～2008年7月在鄭州大學第一附屬醫(yī)院呼吸實驗室收集肺癌患者血清67

4、例、肺良性疾病患者血清53例；在消化實驗室收集大腸癌患者血清50例、大腸良性疾病患者血清50例；在體檢中心收集正常人血清61例。
　　 2.用放射免疫分析試劑盒測定血清中的NSE、CEA、GAs；用鈣離子測定試劑盒（偶氮砷Ⅲ終點法）測定血清中的Ca；用紫外分光光度法測定血清中的唾液酸；采用石墨爐原子吸收分光光度法和火焰原子吸收分光光度法測定血清中的銅和鋅。
　　 3.隨機將每組樣本分為訓練集和測試集，用反向傳播算法對訓練

5、集進行檢測。（1）將隨機選取的54例肺癌、42例肺良性疾病、49例正常人的實驗數(shù)據(jù)作為訓練集放入BP網(wǎng)絡進行訓練，建立肺癌-肺良性疾病-正常人的人工神經(jīng)網(wǎng)絡模型。網(wǎng)絡參數(shù)設置輸入層6個節(jié)點，隱含層15個節(jié)點，輸出層1個節(jié)點。目標誤差為1.0×10-5，學習速率為0.7，動量因子0.95。（2）將隨機選取的40例大腸癌、40例大腸良性疾病、49例正常人的實驗數(shù)據(jù)作為訓練集放入BP網(wǎng)絡進行訓練，建立大腸癌.腸良性疾病-正常人的人工神經(jīng)網(wǎng)絡模

6、型。網(wǎng)絡參數(shù)設置輸入層6個節(jié)點，隱含層15個節(jié)點，輸出層1個節(jié)點。目標誤差為1.0×10-5，學習速率為0.7，動量因子0.95。（3）將隨機選取的54例肺癌、40例大腸癌的實驗數(shù)據(jù)作為訓練集放入BP網(wǎng)絡進行訓練，建立肺癌-大腸癌的人工神經(jīng)網(wǎng)絡模型。網(wǎng)絡參數(shù)設置輸入層6個節(jié)點，隱含層15個節(jié)點，輸出層1個節(jié)點。目標誤差為1.0×10-5，學習速率為0.7，動量因子0.95。（4）合并課題組以前檢測的實驗數(shù)據(jù)，隨機選取其中的92例肺癌，6

7、5例肺良性疾病，85例正常人作為訓練集放入BP網(wǎng)絡進行訓練，建立總的肺癌.肺良性疾病-正常人的人工神經(jīng)網(wǎng)絡模型。網(wǎng)絡參數(shù)設置輸入層6個節(jié)點，隱含層15個節(jié)點，輸出層1個節(jié)點。目標誤差為1.0×10-5，學習速率為0.6，動量因子0.9。再用訓練好的模型對相應的測試組（即剩下的12例正常人、11例肺良性疾病、13例肺癌、10例大腸良性疾病和10例大腸癌）進行盲法預測。
　　 4.用Logistic回歸分析處理數(shù)據(jù)，對應以上4個人工

8、神經(jīng)網(wǎng)絡模型建立相應的Logistic回歸模型。
　　 5.用ROC曲線比較人工神經(jīng)網(wǎng)絡與Logistic回歸對預測集樣本的預測效果。
　　 結果：
　　 1.人工神經(jīng)網(wǎng)絡訓練結果采用反向傳播（Back-Propagation，BP）算法，人工神經(jīng)網(wǎng)絡經(jīng)反復訓練達到預期目標后訓練停止。上述4種人工神經(jīng)網(wǎng)絡模型對相應測試集樣本的預測準確度為88.9％、81.8％、87.0％、87.3％。
　　 2.建立的4

9、個ANN模型對測試集預測結果肺癌胡市良性疾病-正常人組的ANN模型對13例肺癌的預測結果其靈敏度為76.9％、特異度為95.7％、陽性預測值為90.9％、陰性預測值為88.0％，此模型對測試集預測結果的準確度為88.9％；大腸癌.大腸良性疾病-正常人組的ANN模型對10例大腸癌的預測結果其靈敏度為80.0％、特異度為91.3％、陽性預測值為80.0％、陰性預測值為91.3％，此模型對測試集預測結果的準確度為81.8％；肺癌-大腸癌組的A

10、NN模型對13例肺癌的預測結果其靈敏度為76.9％、特異度為100.0％、陽性預測值為100.0％、陰性預測值為76.9％，此模型對測試集預測結果的準確度為87.0％；對10例大腸癌的預測結果其靈敏度為100.0％、特異度為76.9％、陽性預測值為76.9％、陰性預測值為100.0％，此模型對測試集預測結果的準確度為87.0％；總的肺癌.肺良性疾病-正常人組的ANN模型對13例肺癌的預測結果其靈敏度為92.0％、特異度為98.1％、陽性

11、預測值為95.8％、陰性預測值為96.4％，此模型對測試集預測結果的準確度為87.3％。
　　 3.4個Logistics回歸模型對測試集預測結果肺癌-肺良性疾病-正常人組的Logistics回歸模型對13例肺癌的預測結果其靈敏度為84.6％、特異度為91.3％、陽性預測值為84.6％、陰性預測值為91.3％，此模型對測試集預測結果的準確度為88.9％；大腸癌-大腸良性疾病-正常人組的Logistics回歸模型對10例大腸癌的預

12、測結果其靈敏度為80.0％、特異度為100.0％、陽性預測值為100.0％、陰性預測值為92.0％，此模型對測試集預測結果的準確度為93.9％；肺癌-大腸癌組的Logistics回歸模型對13例肺癌的預測結果其靈敏度為84.6％、特異度為100.0％、陽性預測值為100.0％、陰性預測值為83.3％，對10例大腸癌的預測結果其靈敏度為100.0％、特異度為84.6％、陽性預測值為83.3％、陰性預測值為100.0％，此模型對測試集預測結

13、果的準確度為91.3％；總的肺癌.肺良性疾病-正常人組的Logistics回歸模型對13例肺癌的預測結果其靈敏度為96.0％、特異度為94.4％、陽性預測值為88.9％、陰性預測值為98.1％，此模型對測試集預測結果的準確度為74.7％。
　　 4.ANN模型和Logistics回歸模型對測試集預測結果的比較4種ANN模型的ROC曲線下面積分別為0.938（95％CI：0.802-0.989）、0.869（95％CI：0.663

14、-0.971）、0.835（95％CI：0.622-0.954）、0.951（95％CI：0.877-0.986），對應的4種Logistics回歸模型的ROC曲線下面積分別為0.880（95％CI：0.728-0.963）、1.000（95％CI：0.850-1.000）、0.923（95％CI：0.733-0.989）、0.952（95％CI：0.879-0.987）。由以上結果表明，ANN模型和Logistics回歸模型對測試集的