[01248184]人工神经网络技术在肺癌辅助诊断中的应用

ANN用于医学影像诊断研究已有大量报道。Falchini报道基于CAD联用神经网络技术提高了对肿瘤的早期检查准确率可达98%。

Nakamura利用ANN建立了计算机辅助诊断方案，帮助放射科医生鉴别良、恶性肿瘤，极大地提高了诊断的准确性。

结果都表明ANN作为临床辅助诊断工具帮助放射医师提高了鉴别诊断准确度，有很高的潜在实用价值。

肿瘤标志在肿瘤的普查、诊断、判断预后和转归、评价疗效和随诊等方面占有越来越重要的位置。

应用传统统计方法往往不能在肿瘤标志诊断的灵敏度和特异度之间找到一个平衡。

国内郑树教授从已知的血清肿瘤标志中筛选出用于大肠癌诊断的最优化肿瘤标志组合建立基于ANN的大肠癌智能诊断模型；并用蛋白质芯片技术检测血清蛋白质，探讨人工神经网络的血清蛋白质质谱模型在大肠癌诊断中的应用价值。

课题组自1998年就开始人工神经网络技术在肺癌早期诊断中的应用研究，已初步建立基于人工神经网络的肺癌预测模型，通过临床多数病例验证，本系统能显著提高肺癌诊断的准确率，且在区别良性疾病和正常人总的准确率均在90％以上，而且还用于肺癌分期、分型及智能化诊断。

本研究利用人工神经网络技术平台，结合前期研究筛选出的血清癌胚抗原(CEA)、神经元特异性烯醇化酶(NSE)、胃泌素（GA）、唾液酸（SA）、铜锌比值（Cu/Zn）和血清钙离子浓度等组成肺癌最佳肿瘤标志群，建立基于人工神经网络联合多种肿瘤标志在肺癌预警中的应用模型，不仅具有较高准确率，而且具有良好的重现性和稳定性。

该模型不仅能鉴别肺癌，肺良性疾病和正常人，对胃癌患者、胃良性疾病及大肠癌与肠良性患者同样具有良好的鉴别能力，而且还可区分肺癌、胃癌、大肠癌患者。

通过主成分分析对肺癌患者血清自体荧光光谱的数据压缩，选取全光谱的前三个主成分，并与肺癌患者血清中5种肿瘤标志（CEA、NSE、SCC-Ag、CYFRA21-1及p16甲基化）联合检测，建立基于人工神经网络的肺癌智能诊断模型，对全部样本预测的准确度为96.1%，表明本研究选取的10个指标组合建立的荧光光谱联合肿瘤标志ANN模型对肺癌有较高的临床辅助诊断价值。

尝试将神经网络技术联合肿瘤标志应用到纤维支气管镜检察诊断肺癌中，运用纤维支气管镜采集其肺部病变图像，提取其图像特征进行量化，并结合血清肿瘤标志CEA、NSE、SCC-Ag、CYFRA21-1，建立肿瘤标志联合纤维支气管镜图像资料的BP网络模型以诊断肺癌诊断灵敏度为88%，特异度为93%，诊断肺癌和肺良性疾病患者的总准确度为90%。

针对肺癌CT片表现的复杂性和其他不确定因素，提取与判别肺CT肿瘤的良恶性有密切联系的21项肺CT影像学特征和5项临床参数作为输入。首次在肺癌诊断中结合模糊理论与神经网络中的BP算法，采用三层模糊神经网络对 117 例病例进行诊断，取得较好效果。BP网络诊断正确率为86%；而模糊神经网络诊断正确率为91%。且模糊神经网络敏感性明显比BP神经网络强，这两项表明用模糊神经网络诊断肺癌的方法是比较好的。

本项目的实施在基础理论上依据目前肺癌发展趋势，将肿瘤标志的最新研究成果及影像学先进灵敏的检测技术融合在一起，并结合现代生物信息学处理技术，建立了肺癌智能化辅助诊断系统。

该系统研制依托于郑州大学公共卫生学院多年来的研究基础，同时结合郑州大学第一附属医院多年来临床资料和经验，取长补短，优势互补。

肺癌肿瘤标志的组合是最佳的，人工神经网络系统是创新的，智能化诊断技术性能是先进的，它为可探及的早期肺癌提供了一种全新有效的诊断方法，具有重要的临床应用价值。

我省每年大约有3万人患肺癌，每年约有6000人死于肺癌。该项目应用于临床诊断与治疗，将明显提高疗效，降低死亡率，增加肺癌患者门诊检查及住院率，可为医院创收数千万元。

由此产生的社会效益更巨大，估计将有1/3患者因发现及时实现早期治疗而根治，每人每年可节省手术、化疗费用（2万）元，每年为患者节省2亿元；1/3患者因早期发现早期治疗，可明显改善预后，延长寿命，提高5年生存率，每人每年可为社会创造经济价值约4万元，每年共4亿元，社会效益可观，有很好的社会效益前景。