基于腫瘤標(biāo)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(zhǎng)，肺癌已成為嚴(yán)重威脅人類(lèi)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(wèn)題的優(yōu)勢(shì)使其在醫(yī)學(xué)領(lǐng)域得到廣泛研究。課題組近年來(lái)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）和組蛋白去乙酰化酶1(histone deacetylase, HDAC1)等10余種肺癌生物標(biāo)志，但這些生物標(biāo)志如何有效地組成腫瘤標(biāo)志物群用于肺癌

3、輔助診斷還有待于進(jìn)一步研究。該論文依據(jù)前期篩選的10項(xiàng)肺癌生物標(biāo)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(xiàng)指標(biāo)對(duì)輔助診斷的預(yù)測(cè)效果；同時(shí)重建人工神經(jīng)網(wǎng)絡(luò)（artificial neural network, ANN）模型，并與決策樹(shù)（decision tree，DT）C5.0模型、支持向量機(jī)（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(cè)模型為后續(xù)研究打下基礎(chǔ)，以期提高腫瘤標(biāo)志對(duì)肺癌輔助診斷價(jià)值，達(dá)到對(duì)肺癌輔助診斷和鑒別診斷的目的。
　　方法:
　　1.研究對(duì)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(xì)胞學(xué)或組織病理學(xué)診斷。
　　2.實(shí)驗(yàn)方法：采用放射免疫法檢測(cè)血清中CEA、NSE和胃泌素水平，ICP-MS檢測(cè)血清銅、血清鋅的濃度，運(yùn)用改

5、進(jìn)的間苯二酚顯色法測(cè)定唾液酸濃度，利用全自動(dòng)化分析儀測(cè)定血清鈣濃度，采用 ELISA測(cè)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(jī)分成訓(xùn)練集和預(yù)測(cè)集，運(yùn)用ANN技術(shù)、C5.0技術(shù)、Fsher判別分析和SVM建模，然后對(duì)樣本進(jìn)行預(yù)測(cè)，應(yīng)用ROC曲線對(duì)這4種模型的預(yù)測(cè)結(jié)果進(jìn)行比較，4模型均采用Clementine12.0軟件實(shí)現(xiàn)。
　　4.運(yùn)用SPSS21.0軟件進(jìn)行統(tǒng)計(jì)

6、學(xué)分析。根據(jù)定量資料分布類(lèi)型選擇表示方法及統(tǒng)計(jì)學(xué)檢驗(yàn)方法，定性資料組間比較用χ2檢驗(yàn)；檢驗(yàn)水準(zhǔn)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(jì)學(xué)意義(P<0.05），其中肺癌組腫瘤標(biāo)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(xiàng)臨床與影像資料可以有效地提高輔助診斷模型的準(zhǔn)確率。
　　3.輔助診