基于肿瘤标志群的人工神经网络模型对肺癌辅助诊断的价值

目的:应用人工神经网络(ANN)技术联合肿瘤标志蛋白芯片建立人工智能辅助诊断模型,探讨其对肺癌诊断的价值。方法:采用蛋白芯片(化学发光法)测定201例肺良性疾病患者、202例肺癌患者血清中9项血清肿瘤标志(CA199、Ferritin、AFP、CA153、CEA、NSE、CA242、CA125、HGH)的水平,logistic回归筛选,建立ANN和Fisher判别分析肺癌诊断模型。结果:4项肿瘤标志(CEA、NSE、Ferritin、CA153)建立的ANN模型的ROC曲线下面积(0.850)高于4项Fisher、6项(CEA、NSE、Ferritin、CA153、AFP、CA125)Fisher和6项ANN的ROC曲线下面积(0.793、0.767和0.825)。结论:基于4种肿瘤标志的ANN模型判别诊断肺癌的效果优于Fisher判别分析,优于6种肿瘤标志建立的ANN模型;ANN模型诊断效果优于Fisher判别分析。

基于10项肿瘤标志的决策树模型在肺癌诊断中的应用

目的:联合6项肿瘤标志及4项表观遗传学指标构建决策树C5. 0模型对肺癌进行判别,以寻找诊断肺癌的最优模型。方法:在180例肺癌患者及243例肺良性疾病患者中,采用放射免疫法应用血清癌胚抗原(CEA)试剂盒和胃泌素试剂盒测定患者CEA及胃泌素;采用双抗体夹心法应用神经元特异性烯醇化酶(NSE)测定试剂盒测定NSE;采用邻甲酚酞络合酮比色法应用钙(Ca)测定试剂盒测定血清Ca的浓度;采用分光光度法通过改进的对比色法测定唾液酸(SA)的浓度;采用原子吸收分光光度法(ABS)测定血清铜(Cu)、锌(Zn)的浓度;采用酶联免疫吸附试验(ELISA)测定血清样本中DNA甲基转移酶1(DNA methyltransferase 1,DNMT1)、DNA甲基转移酶3A(DNA methyltransferase 3A,DNMT3A)、DNA甲基转移酶3B(DNA methyltransferase 3B,DNMT3B)、组蛋白去乙酰化酶1(histone deacetylase,HDAC1)的含量,并构建诊断模型。结果:决策树C5. 0模型在纳入6项肿瘤标志、4项表观遗传学指标、10项肿瘤标志的灵敏度分别是0. 383、0. 378、0. 944,特异度分别为0. 905、0. 864、0. 934,准确度分别为0. 683、0. 657、0. 939,ROC曲线下面积(AUC)分别为0. 644、0. 621、0. 939。其中纳入10项肿瘤标志的决策树C5. 0模型的灵敏度、特异度、准确度及AUC均在90%以上,且优于只纳入6项肿瘤标志、4项表观遗传学指标,各组数据的差异均有统计学意义(P <0. 05)。结论:基于10项肿瘤标志的肺癌判别模型优于纳入6项生物肿瘤标志及4项表观遗传学标志的模型,提高了肺癌诊断率。

基于肿瘤标志群的支持向量机模型在肺癌辅助诊断中的价值

目的:探讨支持向量机模型结合肿瘤标志物联合检测在肺癌辅助诊断中的价值。方法:选择肺癌患者180例、肺良性疾病患者243例,采用放射免疫法检测血清中癌胚抗原(CEA)、神经元特异性烯醇化酶(NSE)和胃泌素的含量;采用改良的间苯二酚显色法测定血清中唾液酸含量;采用电感耦合等离子体质谱法测定血清中铜、锌的含量;采用邻甲酚酞络合酮比色法测定血清钙含量;采用酶联免疫吸附法测定DNA甲基转移酶(DNMT) 1、DNMT3A、DNMT3B和组蛋白去乙酰化酶1(HDAC1)含量。从全部样本中随机抽取75%作为训练集(肺癌135例,肺良性疾病182例),以全部样本作为测试集,基于上述肿瘤标志物运用支持向量机建模。结果:肺癌组血清CEA、NSE、DNMT3A和DNMT3B含量均高于肺良性疾病组(P <0. 05)。联合10项血清指标建立的支持向量机模型的准确度为90. 3%,AUC为0. 901(0. 758～0. 836),而Fisher判别模型则为79. 7%和0. 799(0. 868～0. 927)。结论:基于多项肿瘤标志物建立的支持向量机模型对肺癌预测效果较佳,应用到临床诊断更有价值。