本文關(guān)鍵詞：基于腫瘤標志群的不同判別模型在肺癌輔助診斷中的應(yīng)用，，由筆耕文化傳播整理發(fā)布。

【摘要】：目的隨著肺癌發(fā)病率及死亡率逐年增長,肺癌已成為嚴重威脅人類健康的惡性腫瘤,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)問題的優(yōu)勢使其在醫(yī)學(xué)領(lǐng)域得到廣泛研究。課題組近年來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)、銅鋅比值(Cu/Zn)、血清鈣離子、DNA甲基轉(zhuǎn)移酶1(DNA methyltransferase 1,DNMT1)、DNA甲基轉(zhuǎn)移酶3A(DNA methyltransferase 3A,DNMT3A)、DNA甲基轉(zhuǎn)移酶3B(DNA methyltransferase 3B,DNMT3B)和組蛋白去乙�；�1(histone deacetylase,HDAC1)等10余種肺癌生物標志,但這些生物標志如何有效地組成腫瘤標志物群用于肺癌輔助診斷還有待于進一步研究。該論文依據(jù)前期篩選的10項肺癌生物標志,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項指標對輔助診斷的預(yù)測效果;同時重建人工神經(jīng)網(wǎng)絡(luò)(artificial neural network,ANN)模型,并與決策樹(decision tree,DT)C5.0模型、支持向量機(support vector rmachine,SVM)模型及判別分析模型比較;篩選出優(yōu)化的預(yù)測模型為后續(xù)研究打下基礎(chǔ),以期提高腫瘤標志對肺癌輔助診斷價值,達到對肺癌輔助診斷和鑒別診斷的目的。對象與方法1.研究對象: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)細胞學(xué)或組織病理學(xué)診斷。2.實驗方法:采用放射免疫法檢測血清中CEA、NSE和胃泌素水平,ICP-MS檢測血清銅、血清鋅的濃度,運用改進的間苯二酚顯色法測定唾液酸濃度,利用全自動化分析儀測定血清鈣濃度,采用ELISA測定DNMT1、DNMT3A、DNMT3B和HDAC1含量。3.數(shù)據(jù)挖掘:樣本按3:1的比例隨機分成訓(xùn)練集和預(yù)測集,運用ANN技術(shù)、C5.0技術(shù)、Fsher判別分析和SVM建模,然后對樣本進行預(yù)測,應(yīng)用ROC曲線對這4種模型的預(yù)測結(jié)果進行比較,4模型均采用Clementine 12.0軟件實現(xiàn)。4.運用SPSS21.0軟件進行統(tǒng)計學(xué)分析。根據(jù)定量資料分布類型選擇表示方法及統(tǒng)計學(xué)檢驗方法,定性資料組間比較用χ2檢驗;檢驗水準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)計學(xué)意義(P0.05),其中肺癌組腫瘤標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項臨床與影像資料可以有效地提高輔助診斷模型的準確率。3.輔助診斷模型最好的是優(yōu)化全部指標的ANN模型;ROC曲線下面積(AUC)較高的有六種模型,但差異無統(tǒng)計學(xué)意義(P0.05)。結(jié)論綜合運用流行病學(xué)特征(性別、年齡、吸煙史)及臨床癥狀(咳痰、痰中帶血、發(fā)熱出汗及肺部感染)與腫瘤標志(DNMT3B、DNMT1、HDAC1、NSE、胃泌素和CEA)建立的人工神經(jīng)網(wǎng)絡(luò)模型對肺癌輔助診斷效果較好,有望用于臨床肺癌輔助診斷和鑒別診斷。
【關(guān)鍵詞】：腫瘤標志 肺癌 數(shù)據(jù)挖掘 DNMT 輔助診斷
【學(xué)位授予單位】：鄭州大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：R734.2
【目錄】：

• 摘要4-6
• Abstract6-15
• 英文縮略詞表15-16
• 1 引言16-18
• 2 材料與方法18-27
• 2.1 材料18-20
• 2.1.1 血清樣本收集保存18
• 2.1.2 臨床與影像資料18-19
• 2.1.3 主要試劑與儀器19-20
• 2.1.3.1 主要實驗試劑19-20
• 2.1.3.2 主要實驗儀器20
• 2.2 實驗方法20-24
• 2.2.1 CEA測定20-21
• 2.2.2 NSE測定21-22
• 2.2.3 胃泌素測定22
• 2.2.4 血清鈣的測定22-23
• 2.2.5 唾液酸的測定23
• 2.2.6 血清銅、鋅的測定23
• 2.2.7 DNMT1測定23
• 2.2.8 DNMT3A測定23
• 2.2.9 DNMT3B測定23-24
• 2.2.10 HDAC1測定24
• 2.3 質(zhì)量控制24
• 2.4 數(shù)據(jù)挖掘模型的建立24-25
• 2.4.1 數(shù)據(jù)歸一化處理24-25
• 2.4.2 ANN模型25
• 2.4.3 決策樹C5.0 模型25
• 2.4.4 支持向量機模型（SVM）25
• 2.4.5 模型評價25
• 2.5 統(tǒng)計學(xué)方法25-27
• 3 結(jié)果27-63
• 3.1 人群流行病學(xué)資料及臨床與影像資料27-28
• 3.2 10項腫瘤標志物檢測結(jié)果28-40
• 3.2.1 血清腫瘤標志物標準曲線的繪制28-30
• 3.2.2 肺癌組和肺良性疾病組10項血清腫瘤標志物的檢測結(jié)果30-37
• 3.2.2.1 肺癌組和肺良性疾病組血清10種腫瘤標志物的比較30-31
• 3.2.2.2 年齡、性別、飲酒和吸煙與10項腫瘤標志水平的關(guān)系31-37
• 3.2.3 三組Logistic回歸分析結(jié)果37-40
• 3.3 神經(jīng)網(wǎng)絡(luò)、決策樹、支持向量機和Fisher判別分析的結(jié)果40-63
• 3.3.1 ANN結(jié)果40-44
• 3.3.2 決策樹結(jié)果44-48
• 3.3.3 SVM模型的預(yù)測結(jié)果48-52
• 3.3.4 判別分析模型的預(yù)測結(jié)果52-55
• 3.3.5 神經(jīng)網(wǎng)絡(luò)、決策樹、SVM和Fisher判別分析預(yù)測結(jié)果的比較55-61
• 3.3.6 模型的調(diào)整61-62
• 3.3.7 模型的應(yīng)用62-63
• 4 討論63-69
• 4.1 腫瘤標志物在肺癌組以及肺良性疾病組的表達水平63-64
• 4.2 數(shù)據(jù)挖掘模型的預(yù)測評價64-68
• 4.3 研究的局限性68-69
• 5 結(jié)論69-70
• 參考文獻70-73
• 基于數(shù)據(jù)挖掘技術(shù)的優(yōu)化指標群對肺癌的輔助診斷研究73-81
• 1 數(shù)據(jù)挖掘技術(shù)在肺癌早期輔助診斷中的應(yīng)用研究73-76
• 1.1 人工神經(jīng)網(wǎng)絡(luò)與肺癌相關(guān)研究74-75
• 1.2 決策樹技術(shù)與肺癌相關(guān)研究75-76
• 1.3 支持向量機(SVM)與肺癌相關(guān)研究76
• 2 結(jié)束語76-77
• 參考文獻77-81
• 個人簡歷在學(xué)期間發(fā)表的學(xué)術(shù)論文與研究成果81-82
• 致謝82

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 韋懷新,蔡紹曦;醫(yī)學(xué)生輔助診斷能力的培養(yǎng)[J];中國醫(yī)學(xué)倫理學(xué);2005年01期

2 張浩良;;中草藥在輔助診斷方面的應(yīng)用[J];山東中醫(yī)學(xué)院學(xué)報;1980年03期

3 裴希軍;張莊林;趙順標;;急性腹痛610例病因及輔助診斷方法分析[J];現(xiàn)代中西醫(yī)結(jié)合雜志;2008年14期

4 任少平;劉中蘇;;急性蘭尾炎的現(xiàn)代輔助診斷方法[J];川北醫(yī)學(xué)院學(xué)報;1993年04期

5 史錫騰,周濤;最大似然法和醫(yī)療輔助診斷方法[J];數(shù)理醫(yī)藥學(xué)雜志;1999年02期

6 朱勇;張一芳;謝慧;;64排螺旋CT輔助診斷鎖骨下動脈盜血綜合征一例[J];實用醫(yī)技雜志;2010年12期

7 于江,李福勝;風(fēng)濕熱輔助診斷的初步分析[J];黔南民族醫(yī)專學(xué)報;1996年02期

8 朱學(xué)才;用紅外熱圖輔助診斷小兒炎癥性呼吸道疾病[J];紅外技術(shù);1997年06期

9 許申,吳藍朝;肺癌與肺結(jié)核實驗室輔助診斷的進展[J];臨床肺科雜志;2000年03期

10 李章勇,謝正祥;影像輔助診斷學(xué)習(xí)系統(tǒng)的設(shè)計[J];生物醫(yī)學(xué)工程學(xué)雜志;2004年04期

中國重要會議論文全文數(shù)據(jù)庫 前4條

1 劉峰;葛霽光;;基于共享信息發(fā)布體輔助診斷系統(tǒng)的有效規(guī)則增強方案[A];中國生物醫(yī)學(xué)工程學(xué)會第六次會員代表大會暨學(xué)術(shù)會議論文摘要匯編[C];2004年

2 侯銳;周宏志;秦瑞峰;丁宇翔;劉平;王力鋒;馬洋;莫靜珍;張述寅;胡開進;;采用CBCT輔助診斷嚴重拔牙并發(fā)癥22例[A];第10次全國口腔頜面醫(yī)學(xué)影像學(xué)專題研討會暨國家級口腔頜面醫(yī)學(xué)影像診斷學(xué)新進展學(xué)習(xí)班論文匯編[C];2012年

3 袁云娥;劉險峰;吳英杰;李洪娟;;應(yīng)用現(xiàn)代紅外影像技術(shù)開展中醫(yī)輔助診斷數(shù)字影像化的實踐與研究[A];全國第十二次中醫(yī)診斷學(xué)術(shù)年會論文集[C];2011年

4 謝青;夏宏杰;;B超輔助診斷痙攣性斜頸指導(dǎo)治療——附兩例分析[A];中國康復(fù)醫(yī)學(xué)會第三次康復(fù)治療學(xué)術(shù)大會論文匯編[C];2002年

中國重要報紙全文數(shù)據(jù)庫 前1條

1 首席記者 孫燕明;242個地級以上城市實行輔助診斷檢查互認制[N];中國消費者報;2007年

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前10條

1 周羿陽;基于Hadoop的醫(yī)療輔助診斷系統(tǒng)的設(shè)計與實現(xiàn)[D];東華大學(xué);2016年

2 李尊稅;基于腫瘤標志群的不同判別模型在肺癌輔助診斷中的應(yīng)用[D];鄭州大學(xué);2016年

3 李海鯤;計算機中醫(yī)輔助診斷和醫(yī)院信息管理系統(tǒng)的研究[D];合肥工業(yè)大學(xué);2005年

4 聶涅;基于Internet的遠程智能醫(yī)療輔助診斷系統(tǒng)[D];西安電子科技大學(xué);2001年

5 倪潔;基于3G的急救輔助診斷系統(tǒng)的設(shè)計與實現(xiàn)[D];哈爾濱工業(yè)大學(xué);2011年

6 佟勇;基于FPGA的輔助診斷系統(tǒng)[D];黑龍江大學(xué);2013年

7 劉斯頎;面向智能服裝的多信息融合醫(yī)學(xué)輔助診斷的應(yīng)用研究[D];東華大學(xué);2010年

8 車國海;基于ATMS的復(fù)合型脾虛證輔助診斷系統(tǒng)的設(shè)計和實現(xiàn)[D];暨南大學(xué);2006年

9 鐘春燕;經(jīng)食道超聲心動圖仿真輔助診斷系統(tǒng)的研制及臨床應(yīng)用[D];第三軍醫(yī)大學(xué);2012年

10 吳裕豪;SVM分類模型在癌癥突變輔助診斷中的應(yīng)用[D];重慶大學(xué);2014年

  本文關(guān)鍵詞：基于腫瘤標志群的不同判別模型在肺癌輔助診斷中的應(yīng)用，由筆耕文化傳播整理發(fā)布。

本文編號：433446