Logistic回归和人工神经网络在鉴别诊断肺癌性胸腔积液中的应用研究

目的应用Logistic回归分析方法和人工神经网络(artificial neural network,ANN)技术,评估血清(serum,S-)和胸腔积液(pleural effusion,P-)中的癌胚抗原(CEA)、铁蛋白(FRT)、神经元特异性稀醇化酶(NSE)、鳞状细胞癌相关抗原(SCC)、糖类抗原50(CA50)、糖类抗原125(CA125)和细胞角蛋白19片段(CY21-1)在鉴别肺癌性胸腔积液(malignant pleural effusion of lung cancer,LC-MPE)与良性胸腔积液(benign pleural effusion,BPE)中的应用价值,建立通过肿瘤标志物诊断LC-MPE的诊断模型。方法对临床初诊的LC-MPE和BPE患者的血清和胸腔积液肿瘤标志物结果进行分析,应用Logistic回归分析和ANN技术分别建立诊断LC-MPE的诊断模型。结果S-NSE、S-CY21-1、P-CEA和P-NSE4项指标被筛选出并用于建模,研究建立的诊断LC-MPE的Logistic回归模型的灵敏度为93.23%,特异度为97.46%,ROC曲线下面积为0.992。建立的ANN模型的灵敏度为95.35%,特异度为97.22%,ROC曲线下面积为0.990(P<0.05)。结论在通过肿瘤标志物诊断LCMPE方面,建立的Logistic回归模型和ANN模型均有较好的诊断性能,上述2个模型均可辅助临床医生提高诊断准确率。