肿瘤标志物人工神经网络模型对结直肠癌的诊断价值

1、肿瘤标志物人工神经网络模型对结直肠癌的诊断价值【摘要】 目的 探讨肿瘤标志物人工神经网络模型对结直肠癌的诊断价值。方法 对7项肿瘤标志物联合检测，利用人工神经网络(ANN)技术建立结直肠肿瘤标志物智能诊断模型。结果 结直肠肿瘤标志物的ANN诊断模型对测试组结直肠癌进行识别的敏感性为0.914，特异性为0.964，准确性为0.939，均显著高于任意单项检验预测结果(P=0.000)。结论 与单一肿瘤标志物相比，利用ANN建立的多种血清肿瘤标志物诊断模型能提高诊断大肠癌的敏感性、特异性和准确性，对结直肠癌的早期诊断具有较高价值。 【关键词】 人工神经网络;肿瘤标志物;结直肠癌;诊断Abstract

2、 Objective To investigate the value of an artificial neural network (ANN) model based on tumor marker in serum for diagnosing colorectal carcinoma. Methods A diagnostic model for colorectal carcinoma based on 7 tumor markers which were assayed combinedly was constructed with ANN. Results The sensiti

3、vity of the ANN diagnostic model for colorectal carcinoma was 0.914, the specificity was 0.964, and its accuracy was 0.939. All the above three indexes were higher than that of any single tumor marker (P=0.000). Conclusion Compared with a single tumor marker, the ANN model based on multiple tumor ma

4、rkers in serum can markedly increase the sensitivity, specificity and accuracy for detecting colorectal carcinoma. It has a higher value in early diagnosing colorectal carcinoma.Key words Artificial neural network (ANN); Tumor marker; Colorectal carcinoma; Diagnosis肿瘤标志物是诊断结直肠癌的常用检测方法之一。但是，目前作为肿瘤标志物

5、的肿瘤抗原多为非特异性相关抗原，单项检查阳性率低、敏感性差，因而其临床应用效果很不理想。本研究应用人工神经网络(artificial neural network，ANN)建立7种肿瘤标志物诊断模型，以提高结直肠癌的血清学诊断效率，现报告如下。1 资料与方法1.1 对象 结直肠癌患者85例，包括右半结肠癌30例、左半结肠癌39例、直肠癌16例，年龄3864(中位51)岁，为经临床和病理确诊的住院患者。结直肠良性病变78例，包括溃疡性结肠炎37例、克罗恩病15例、结肠息肉14例、肠结核12例，年龄1865(中位 45)岁，为经过临床和病理确诊的患者。所有患者于治疗前空腹采集静脉血3 mL离心后测

6、定CEA、AFP、CA50、CA125、CA199、CA242和CA724含量。1.2 检测方法 采用日立(罗氏)2010电化学发光仪，试剂盒为仪器配套试剂，由罗氏公司提供，严格按照说明书操作步骤进行检验。正常参考值设定：CEA<5.0 ng/mL，AFP<10.9ng/mL，CA50<20 KU/L，CA125<35 U/mL，CA199<30 U/mL，CA242<20 KU/L，CA724<8. 2 U/mL。1.3 ANN模型的结构 结直肠癌ANN模型的建立采用MATLAB7.0中的神经网

7、络工具箱(NeuralNetworkToolbox)编程实现。采用反向传播(BP)算法，即反向传播模型。此模型包括输入层、隐含层和输出层。输入层包括7个输入神经元;隐含层为1个，包括7个神经元;输出层包括1个输出神经元。将结直肠良性病变和结直肠癌患者的期望输出值分别设为0和1，以0.5为判别界点，00.5为结直肠良性病变患者，0.61为结直肠癌患者。1.4 ANN模型的建立 将结直肠癌和良性病变患者随机分为训练组和盲法测试组，训练组包括结直肠癌和良性病变患者各50例，用于建立模型。盲法测试组包括结直肠癌患者35例和结直肠良性病变患者28例，用于检验模型。1.5 统计学方法 ANN分析应用Mat

8、h Works公司产品MATLAB7.0中的神经网络工具箱(NeuralNetworkToolbox)。采用SPSS13.0统计软件包进行统计分析，两组完全随机化设计的计量资料比较采用t检验，两组离散性分类计数资料比率的比较采用列联表资料分析。对二分类判别效果进行分析与评价采用ROC曲线。P<0.05为差异有统计学意义。2 结 果2.1 结直肠癌和结直肠良性病变患者血清肿瘤标志物的检测结果比较 结直肠癌病人7种血清肿瘤标志物的浓度均显著高于结直肠良性病变者(P<0.05,见表1)。2.2 肿瘤标志物单项检测预测结直肠癌效果比较 以试剂推荐的正常参考值上限为诊断界点，

9、7种肿瘤标志物对结直肠癌诊断敏感性以CEA较高，特异性以AFP和CA50较高，准确性以CEA较高(见图1、表2)。2.3 ANN模型检验结果 用BP法建立结直肠癌血清肿瘤标志物的ANN模型，对训练组内的样本都能识别，对盲法测试组35例结直肠癌患者中有32例被识别，28例结直肠良性病变患者中27例被识别。ANN对测试组结直肠癌进行识别的敏感性为0.914，特异性为0.964，准确性为0.939，均显著高于任意单项检验预测结果(P=0.000, 见图2)。表1 结直肠癌和结直肠良性病变患者血清肿瘤标志物的检测结果比较表2 肿瘤标志物单项检测预测结直肠癌效果比较3 讨 论结直肠癌包括结肠癌和直肠癌，

10、是常见的恶性肿瘤，它起病隐匿，常因没有特异性症状而被临床忽视，从而延误治疗1。对早期癌变患者，影像学检查常难以发现;结肠镜检查对结直肠癌有确诊价值，但不适于普查。作为结直肠癌辅助诊断的手段，血清肿瘤标志物检测具有简单、方便、快捷的特点，适于对疑诊患者进行结直肠癌筛查，为其早期诊断带来希望。近年来的研究发现，尽管结直肠癌相关的肿瘤标志物较多，但这些标志物都缺乏较高的敏感性和特异性，尤其是对于结直肠癌的早期诊断和筛选不够理想2，3。因此，临床上多同时选用几种指标联合检测以达到相互补充的作用，从而提高其敏感性和准确性4，5。但是也存在这样一些缺陷，即如果同时检测几种肿瘤标志物，只要有一个阳性即认为有

11、肿瘤存在，则在敏感性提高的同时假阳性率也随之提高，增加误诊率;如果以所有肿瘤标志物阳性时才认为有肿瘤存在，则在提高特异性的同时，降低了敏感性，增加漏诊率。ANN是在对人脑组织结构和运行机智的认识理解基础上模拟其机构和智能行为的一种工程系统，能对复杂的数据进行有效分析。本文采用的BP神经网络算法(误差反传算法)主要思想是把学习过程分为两个阶段：第一阶段(正向传播过程)，给出输入信息，通过输入层，经隐含层逐层处理，并计算每个单元的实际输出值;第二阶段(反向传播过程)，若在输出层未能得到期望的输出值，则逐层递归地计算实际输出与期望输出之差值(即误差)，以便根据此差值调节权值。网络的学习过程由正向和反

12、向传播两部分组成，在正向传播过程中，每一层神经元的状态只影响下一层神经元网络。如果输出层不能得到期望输出，即实际输出值与期望输出值之间有误差，那么转入反向传播过程，将误差信号沿原来的连接通路返回，通过修改各层神经元的权值，逐次地向输入层传播去进行计算，再经过正向传播过程。通过这两个过程的反复运用，使得误差信号最小6。目前，已有学者成功地将ANN用于肿瘤标志物的检测以识别恶性肿瘤7，8。本文采用CEA、AFP、CA50、CA125、CA199、CA242和CA724都是目前临床上常用的血清消化道肿瘤标志物，利用ANN建立的这7种肿瘤标志物的结直肠癌诊断模型对所收集的患者进行诊断时，其敏感性为0.

13、914，特异性为0.964，准确性为0.939，均显著高于任何一个单项检验预测结果。因此，与单一肿瘤标志物相比，利用ANN建立的结直肠癌多种血清肿瘤标志物诊断模型，在提高诊断敏感性的同时，还能保证较高的特异性和准确性，对结直肠癌的早期诊断具有较高价值。【参考文献】 1叶任高,陆再英主编.内科学M,第6版.北京:人民卫生出版社,2005:417419.2刘志肖,窦亚玲,唐艳萍.肿瘤标志物联合检测提高消化道肿瘤的诊断阳性率J.医学研究通讯,2005,34(3):1639.3王双双,范玉晶.大肠癌相关的肿瘤标志物J.临床消化杂志,2006,18(2): 115116.4胜利,安利锋,史霖,等.结肠癌

14、患者外周血DcR3与CEA联合测定的临床价值J.西安交通大学学报(医学版),2007,28(2):205207.5王桂娟.肿瘤标志物联合检测对消化道肿瘤的诊断意义J.医学检验与临床,2007,18(2): 6369.6马玉霞,谢月玉,王式功,等.人工神经网络方法在气象因素预测高血压发病中的应用J.环境与健康杂志,2007,24(3): 139142.7Bicciato S.Artificial neural network technologies to identify biomarkers for therapeutic intervention J.Curr Opin Mol Ther,2004, 6(6):616623.8Xiang Guo,Sumei Cao,Jiekai Yu,et al.Distinct serumal proteomic patterns between as