李尊税，魏小玲，何其栋，张红巧，吴拥军#

1)郑州大学公共卫生学院卫生毒理学教研室 郑州 450001 2)济南市儿童医院感染科 济南 250022 3)郑州大学第五附属医院肿瘤科 郑州 450052

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*

李尊税1)，魏小玲2)，何其栋1)，张红巧3)，吴拥军1)#

1)郑州大学公共卫生学院卫生毒理学教研室 郑州 450001 2)济南市儿童医院感染科 济南 250022 3)郑州大学第五附属医院肿瘤科 郑州 450052

#通讯作者，男，1968年1月生，博士，教授，研究方向：生物化学与分子毒理学，E-mail:wuyongjun@zzu.edu.cn

肺癌；肿瘤标志；人工神经网络；Fisher 判别分析；辅助诊断

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。

肺癌严重威胁着人类健康，病死率较高，临床上迫切需要开发新的生物标志对肺癌进行诊断[1-2]。以往的数据处理方式对临床数据要求过高，而实际临床数据往往达不到要求。数据挖掘技术对临床数据要求并不十分严格，且该技术应用于肺癌判别诊断可以提高肺癌的检出率[3]。当使用多种肿瘤标志联合检测时，一些肿瘤标志假阳性率低,不仅不利于检测，而且还会带来大量的参数，增加诊断的成本。……