论文部分内容阅读
[摘要] 目的 基于智能算法建立卵巢恶性肿瘤标记物组模型，并评价其检验效能。 方法 以经确诊的143例卵巢恶性肿瘤患者和98例卵巢良性肿瘤患者以及120例健康妇女为研究对象，以CA125、HE4、TSGF、TNF-α、VEGF、CA153、CA199、IL-6 8种血清标记物的水平为自变量，以病理分型结果（恶性肿瘤、良性肿瘤、健康）为因变量，应用支持向量机算法建立卵巢恶性肿瘤标记物组模型，并通过60例测试集评价其效果。 结果 成功建立了基于支持向量机的卵巢恶性肿瘤标记物组模型，支持向量机模型的诊断准确度为95%。 结论 支持向量机模型的诊断准确率较高，对卵巢肿瘤的鉴别诊断有重要的参考价值，可做为临床医生的辅助诊断工具。
[关键词] 卵巢恶性肿瘤；标记物组模型；智能算法；支持向量机
[中图分类号] R730.2 [文献标识码] B [文章编号] 2095-0616（2015）18-210-03
[Abstract] Objective To establish the ovarian cancer marker group model based on intelligent algorithm， to evaluate the power of test. Methods 143 patients diagnosed with ovarian malignant tumors，98 patients diagnosed with benign ovarian tumor，and 120 healthy women were selected as research objects.To setablish ovarian cancer marker group model by the application of support vector machine algorithm，with the independent variables of the serum markers level of 8 kinds of CA125，HE4，TSGF，TNF-α，VEGF，CA153，CA199，IL-6，with the dependent variable by the pathological type results of ovarian malignant tumors，benign ovarian tumor，and healthy，to evaluate the effect through the 60 test suites. Results Ovarian cancer marker group model based on intelligent algorithm has successfully established with the diagnostic accuracy of support vector machine model of 95%. Conclusion Support vector machine model has higher diagnostic accuracy，has important reference value on the differential diagnosis of ovarian neoplasms，is the auxiliary diagnostic tool for clinical doctors.
[Key words] Ovarian cancer；Marker group model；Intelligent algorithm；Support vector machine
近年来，全球妇科肿瘤的发病率逐年上升，严重危害女性的健康，其中，卵巢恶性肿瘤的发病率在妇科恶性肿瘤中位列第三，其死亡率更是居于首位[1]。卵巢恶性肿瘤的早发现、早治疗是医生和患者的共同心愿。利用单一血清标记物作为诊断治疗依据往往具有局限性，容易误诊，本文利用八种血清标记物联合建立支持向量机算法模型对卵巢恶性肿瘤、良性肿瘤和健康妇女进行分类，旨在提高卵巢恶性肿瘤的早期预测、诊断准确率，从而及时制定有效的治疗方案，提高患者生存率。
1 资料与方法
1.1 一般资料
2012年6月～2015年1月在郑州人民医院医院妇科行手术治疗的并经病理学确诊的卵巢恶性肿瘤患者143例，卵巢良性肿瘤患者98例和同期来医院体检的健康妇女120例。卵巢恶性肿瘤组年龄21～70岁，平均（48.5±10.4）岁，卵巢良性肿瘤组年龄20～69岁，平均（49.7±9.9）岁，健康妇女组年龄19～72岁，平均（46.3±11.2）岁，三组年龄无统计学差异（P>0.05）。其中，健康妇女为经超声检查证实无卵巢肿瘤或子宫肌瘤等妇科疾病。
1.2 方法
卵巢恶性肿瘤和良性肿瘤患者均在术前3d内，取清晨空腹肘静脉血5mL，健康妇女组于同期空腹抽取静脉血5mL。2min内行3000r/min离心20min，取上清液，于-20℃冰箱保存。
采用酶联免疫吸附法（ELISA）法测定血清中HE4、TSGF、TNF-α、VEGF 、IL-6的水平。其中，仪器为BIORAD 550型酶标仪（美国），试剂盒购自R&D Systems公司。血清CA125、CA153和CA199水平测定采用全自动电化学发光免疫分析法，仪器为瑞士罗氏公司的Cobas601，试剂盒为其配套的试剂盒。操作步骤严格按照说明书进行。
1.3 统计学分析
采用SPSS19.0进行统计学分析，计量资料以（）表示，组间比较采用方差分析，P<0.05为差异有统计学意义。
1.4 支持向量机
运用支持向量机算法建立卵巢肿瘤良恶性判断的辅助诊断模型，将结果分为健康妇女、卵巢良性肿瘤和卵巢恶性肿瘤三类，分别为0、1、2，随后对每个类别分为两组，重新组合数据，一组作为训练集，另一组作为测试集。使用MATLAB软件构建SVM0、SVM1、SVM2三个分类器，以血清标记物特征向量作为输入向量，以病理分型结果作为输出变量。 2 结果
2.1 三组临床资料和血清标记物测定检测结果
恶性肿瘤组、良性肿瘤组及健康组血清CA125、HE4、TSGF、TNF-α、VEGF、CA153、CA199、IL-6的测定结果比较见表1，由表1可知，恶性肿瘤组及良性肿瘤组IL-6水平与健康组相比，差异均显著；而恶性肿瘤组、良性肿瘤组及健康组的其他指标水平两两相比，均具有统计学差异。见表1。
2.2 支持向量机模型
随机选取123例卵巢恶性肿瘤患者、78例卵巢良性肿瘤患者以及100例健康妇女作为训练组，用训练组数据建立SVM模型，将剩余60例（20例卵巢恶性肿瘤患者、20例卵巢良性肿瘤患者以及20例健康妇女）测试样本输入到SVM模型进行训练及仿真。仿真结果见图1。图中，横坐标为测试样本，纵坐标为模型输出结果，“0”表示健康妇女，“1”表示卵巢良性肿瘤患者，“2”表示卵巢恶性肿瘤患者，空心圆圈表示目标输出，“*”为SVM的实际仿真输出。可以看出，支持向量机模型仿真测试病理结果和实际病理结果拟合程度较高，效果较理想。
对支持向量机建立的数学诊断模型的诊断准确率进行检测，结果显示支持向量机的诊断准确率则为95%（57/60），模型准确率较高。
3 讨论
由于卵巢恶性肿瘤种类繁多、组织类型复杂，且发病隐匿、预后性差，造成早期诊断困难，大部分卵巢恶性肿瘤患者发现时已经发展为晚期，能否早期诊断、尽早治疗是提高患者生存率的关键。
支持向量机在解决小样本、非线性和高维模式识别问题中表现出许多特有的优势，并在很大程度上克服了“维数灾难”和“过学习”等问题[2]。支持向量机是机器学习中较为先进的学习方法，在肿瘤图像处理和图像分类方向应用较多[3-5]，但在结合血清标记物进行癌症诊断方面应用还很少。
CA125是目前临床上诊断卵巢恶性肿瘤最常用的肿瘤标记物，但是它的特异性比较低，常采用和其他标记物一起联合诊断[6-7]。HE4在卵巢恶性肿瘤患者血清中高水平表达，相比CA125它的敏感度更高，特异度更强，特别是在疾病初期阶段，对卵巢恶性肿瘤的诊断意义重大[7-9]。TSGF是由肿瘤细胞产生的一种独立的特殊物质，黄文成等[10]的研究结果显示，TSGF在妇科恶性肿瘤中高水平表达，对卵巢癌等恶性肿瘤的诊断有一定的价值。TNF-α做为肿瘤标记物近年来已得到了广泛的应用，可作为鉴别诊断卵巢肿瘤的一个标准。VEGF与卵巢恶性肿瘤的侵袭性行为有关，生成旺盛的肿瘤组织需氧量大，缺氧是引起VEGF 表达上调的原因之一，因此，在恶性肿瘤患者中，VEGF往往高表达[11]。许多学者认为CA153 的变化对于卵巢癌患者的诊断也存在着一定的影响[12]，但具体机制仍有待于进一步的研究。CA199在卵巢恶性肿瘤中有着较高的阳性率，常和CA125一起联合检测，可提高对卵巢恶性肿瘤诊断的准确率[13]。IL-6在免疫调节、血细胞生成、炎症和肿瘤的发生方面的重要作用，已发展成为抗肿瘤治疗中的重要细胞因子之一[14]。
支持向量机作为一种辅助诊断工具，属于计算机辅助诊断的范畴，尚不能完全代替临床医师的诊断[15]。我们利用这8种血清标记物和分组结果建立的卵巢恶性肿瘤标记物组模型，模型的准确率可以达到95%，结果较好，可作为临床医生的辅助工具，虽然不能完全代替医生的诊断，但在卵巢癌的预测方面具有重要的意义。
[参考文献]
[1] 刘芳.应用Logistic回归模型评价超声在鉴别卵巢肿瘤良恶性中的价值[J].现代肿瘤医学，2015，23（2）：264-266.
[2] 丁世飞.支持向量机理论与算法研究综述[J].电子科技大学学报，2011，40（1）：2-10.
[3] 张海燕，蓝集明.基于粗糙集和支持向量机的肿瘤图像识别[J].四川理工学院学报，2014，27（6）：38-42.
[4] 周涛，陆惠玲，陈志强，等.基于两阶段集成支持向量机的前列腺肿瘤识别[J].光学精密工程，2013，21（8）：2137-2145.
[5] 王晓春，黄靖，杨丰，等.基于SVM模型参数优化的多模态MRI图像肿瘤分割方法[J].南方医科大学学报，2014（5）：641-645.
[6] 高玉香，刘诚明.血清肿瘤标志物CA125、CA724在卵巢癌诊断中的应用[J].中国妇幼保健，2009，24（20）：2881.
[7] Park Y，Lee JH，Hong DJ，et al.Diagnostic performances of HE4 and CA125 for the detection of ovarian cancer from patients with vaarious gynecologic and non-gynecologic diseaases[J].Clin Biochem，2011，44（10）：884-888.
[8] 陈静波.人附睾蛋白4在卵巢癌中的应用研究进展[J].国际检验医学杂志，2012，33（18）：2233-2235.
[9] 禹夜，林仲秋.人附睾分泌蛋白4在妇科肿瘤中的研究进展[J].国际妇产科学杂志，2013，40（3）：251-254.
[10] 黄文成，黄玲莎，王英，等.CA125和TSGF联合检测在妇科肿瘤诊断中的应用价值[J].现代肿瘤医学，2005，13（5）：621-623.
[11] 蒋钦，潘斌，何鹏飞.血清血管内皮细胞生长因子、HE4、CA153 与CA125联合检测对卵巢肿瘤的诊断价值[J].医药前沿，2014，5：183-184.
[12] 张辉，韩波.检测CA125、CA153和CA72-4对卵巢癌诊断及疗效观察的临床价值[J].临床和实验医学杂志，2010， 9（8）：568-569.
[13] 周晓，陈红舟，施晓.癌抗原125、癌抗原199联合检测对卵巢恶性肿瘤的诊断价值[J].中国基层医药，2011，18（4）：555-556.
[14] Grivennikov S，Karin M.Autocrine IL-6 signaling：a key event in tumorigenesis[J].Cancer Cell，2008，13（1）：7-9.
[15] Harders SW.LUCIS：lung cancer imaging studies[J].Dan Med J，2012，59（11）：B4542.
（收稿日期：2015-06-03）
[关键词] 卵巢恶性肿瘤；标记物组模型；智能算法；支持向量机
[中图分类号] R730.2 [文献标识码] B [文章编号] 2095-0616（2015）18-210-03
[Abstract] Objective To establish the ovarian cancer marker group model based on intelligent algorithm， to evaluate the power of test. Methods 143 patients diagnosed with ovarian malignant tumors，98 patients diagnosed with benign ovarian tumor，and 120 healthy women were selected as research objects.To setablish ovarian cancer marker group model by the application of support vector machine algorithm，with the independent variables of the serum markers level of 8 kinds of CA125，HE4，TSGF，TNF-α，VEGF，CA153，CA199，IL-6，with the dependent variable by the pathological type results of ovarian malignant tumors，benign ovarian tumor，and healthy，to evaluate the effect through the 60 test suites. Results Ovarian cancer marker group model based on intelligent algorithm has successfully established with the diagnostic accuracy of support vector machine model of 95%. Conclusion Support vector machine model has higher diagnostic accuracy，has important reference value on the differential diagnosis of ovarian neoplasms，is the auxiliary diagnostic tool for clinical doctors.
[Key words] Ovarian cancer；Marker group model；Intelligent algorithm；Support vector machine
近年来，全球妇科肿瘤的发病率逐年上升，严重危害女性的健康，其中，卵巢恶性肿瘤的发病率在妇科恶性肿瘤中位列第三，其死亡率更是居于首位[1]。卵巢恶性肿瘤的早发现、早治疗是医生和患者的共同心愿。利用单一血清标记物作为诊断治疗依据往往具有局限性，容易误诊，本文利用八种血清标记物联合建立支持向量机算法模型对卵巢恶性肿瘤、良性肿瘤和健康妇女进行分类，旨在提高卵巢恶性肿瘤的早期预测、诊断准确率，从而及时制定有效的治疗方案，提高患者生存率。
1 资料与方法
1.1 一般资料
2012年6月～2015年1月在郑州人民医院医院妇科行手术治疗的并经病理学确诊的卵巢恶性肿瘤患者143例，卵巢良性肿瘤患者98例和同期来医院体检的健康妇女120例。卵巢恶性肿瘤组年龄21～70岁，平均（48.5±10.4）岁，卵巢良性肿瘤组年龄20～69岁，平均（49.7±9.9）岁，健康妇女组年龄19～72岁，平均（46.3±11.2）岁，三组年龄无统计学差异（P>0.05）。其中，健康妇女为经超声检查证实无卵巢肿瘤或子宫肌瘤等妇科疾病。
1.2 方法
卵巢恶性肿瘤和良性肿瘤患者均在术前3d内，取清晨空腹肘静脉血5mL，健康妇女组于同期空腹抽取静脉血5mL。2min内行3000r/min离心20min，取上清液，于-20℃冰箱保存。
采用酶联免疫吸附法（ELISA）法测定血清中HE4、TSGF、TNF-α、VEGF 、IL-6的水平。其中，仪器为BIORAD 550型酶标仪（美国），试剂盒购自R&D Systems公司。血清CA125、CA153和CA199水平测定采用全自动电化学发光免疫分析法，仪器为瑞士罗氏公司的Cobas601，试剂盒为其配套的试剂盒。操作步骤严格按照说明书进行。
1.3 统计学分析
采用SPSS19.0进行统计学分析，计量资料以（）表示，组间比较采用方差分析，P<0.05为差异有统计学意义。
1.4 支持向量机
运用支持向量机算法建立卵巢肿瘤良恶性判断的辅助诊断模型，将结果分为健康妇女、卵巢良性肿瘤和卵巢恶性肿瘤三类，分别为0、1、2，随后对每个类别分为两组，重新组合数据，一组作为训练集，另一组作为测试集。使用MATLAB软件构建SVM0、SVM1、SVM2三个分类器，以血清标记物特征向量作为输入向量，以病理分型结果作为输出变量。 2 结果
2.1 三组临床资料和血清标记物测定检测结果
恶性肿瘤组、良性肿瘤组及健康组血清CA125、HE4、TSGF、TNF-α、VEGF、CA153、CA199、IL-6的测定结果比较见表1，由表1可知，恶性肿瘤组及良性肿瘤组IL-6水平与健康组相比，差异均显著；而恶性肿瘤组、良性肿瘤组及健康组的其他指标水平两两相比，均具有统计学差异。见表1。
2.2 支持向量机模型
随机选取123例卵巢恶性肿瘤患者、78例卵巢良性肿瘤患者以及100例健康妇女作为训练组，用训练组数据建立SVM模型，将剩余60例（20例卵巢恶性肿瘤患者、20例卵巢良性肿瘤患者以及20例健康妇女）测试样本输入到SVM模型进行训练及仿真。仿真结果见图1。图中，横坐标为测试样本，纵坐标为模型输出结果，“0”表示健康妇女，“1”表示卵巢良性肿瘤患者，“2”表示卵巢恶性肿瘤患者，空心圆圈表示目标输出，“*”为SVM的实际仿真输出。可以看出，支持向量机模型仿真测试病理结果和实际病理结果拟合程度较高，效果较理想。
对支持向量机建立的数学诊断模型的诊断准确率进行检测，结果显示支持向量机的诊断准确率则为95%（57/60），模型准确率较高。
3 讨论
由于卵巢恶性肿瘤种类繁多、组织类型复杂，且发病隐匿、预后性差，造成早期诊断困难，大部分卵巢恶性肿瘤患者发现时已经发展为晚期，能否早期诊断、尽早治疗是提高患者生存率的关键。
支持向量机在解决小样本、非线性和高维模式识别问题中表现出许多特有的优势，并在很大程度上克服了“维数灾难”和“过学习”等问题[2]。支持向量机是机器学习中较为先进的学习方法，在肿瘤图像处理和图像分类方向应用较多[3-5]，但在结合血清标记物进行癌症诊断方面应用还很少。
CA125是目前临床上诊断卵巢恶性肿瘤最常用的肿瘤标记物，但是它的特异性比较低，常采用和其他标记物一起联合诊断[6-7]。HE4在卵巢恶性肿瘤患者血清中高水平表达，相比CA125它的敏感度更高，特异度更强，特别是在疾病初期阶段，对卵巢恶性肿瘤的诊断意义重大[7-9]。TSGF是由肿瘤细胞产生的一种独立的特殊物质，黄文成等[10]的研究结果显示，TSGF在妇科恶性肿瘤中高水平表达，对卵巢癌等恶性肿瘤的诊断有一定的价值。TNF-α做为肿瘤标记物近年来已得到了广泛的应用，可作为鉴别诊断卵巢肿瘤的一个标准。VEGF与卵巢恶性肿瘤的侵袭性行为有关，生成旺盛的肿瘤组织需氧量大，缺氧是引起VEGF 表达上调的原因之一，因此，在恶性肿瘤患者中，VEGF往往高表达[11]。许多学者认为CA153 的变化对于卵巢癌患者的诊断也存在着一定的影响[12]，但具体机制仍有待于进一步的研究。CA199在卵巢恶性肿瘤中有着较高的阳性率，常和CA125一起联合检测，可提高对卵巢恶性肿瘤诊断的准确率[13]。IL-6在免疫调节、血细胞生成、炎症和肿瘤的发生方面的重要作用，已发展成为抗肿瘤治疗中的重要细胞因子之一[14]。
支持向量机作为一种辅助诊断工具，属于计算机辅助诊断的范畴，尚不能完全代替临床医师的诊断[15]。我们利用这8种血清标记物和分组结果建立的卵巢恶性肿瘤标记物组模型，模型的准确率可以达到95%，结果较好，可作为临床医生的辅助工具，虽然不能完全代替医生的诊断，但在卵巢癌的预测方面具有重要的意义。
[参考文献]
[1] 刘芳.应用Logistic回归模型评价超声在鉴别卵巢肿瘤良恶性中的价值[J].现代肿瘤医学，2015，23（2）：264-266.
[2] 丁世飞.支持向量机理论与算法研究综述[J].电子科技大学学报，2011，40（1）：2-10.
[3] 张海燕，蓝集明.基于粗糙集和支持向量机的肿瘤图像识别[J].四川理工学院学报，2014，27（6）：38-42.
[4] 周涛，陆惠玲，陈志强，等.基于两阶段集成支持向量机的前列腺肿瘤识别[J].光学精密工程，2013，21（8）：2137-2145.
[5] 王晓春，黄靖，杨丰，等.基于SVM模型参数优化的多模态MRI图像肿瘤分割方法[J].南方医科大学学报，2014（5）：641-645.
[6] 高玉香，刘诚明.血清肿瘤标志物CA125、CA724在卵巢癌诊断中的应用[J].中国妇幼保健，2009，24（20）：2881.
[7] Park Y，Lee JH，Hong DJ，et al.Diagnostic performances of HE4 and CA125 for the detection of ovarian cancer from patients with vaarious gynecologic and non-gynecologic diseaases[J].Clin Biochem，2011，44（10）：884-888.
[8] 陈静波.人附睾蛋白4在卵巢癌中的应用研究进展[J].国际检验医学杂志，2012，33（18）：2233-2235.
[9] 禹夜，林仲秋.人附睾分泌蛋白4在妇科肿瘤中的研究进展[J].国际妇产科学杂志，2013，40（3）：251-254.
[10] 黄文成，黄玲莎，王英，等.CA125和TSGF联合检测在妇科肿瘤诊断中的应用价值[J].现代肿瘤医学，2005，13（5）：621-623.
[11] 蒋钦，潘斌，何鹏飞.血清血管内皮细胞生长因子、HE4、CA153 与CA125联合检测对卵巢肿瘤的诊断价值[J].医药前沿，2014，5：183-184.
[12] 张辉，韩波.检测CA125、CA153和CA72-4对卵巢癌诊断及疗效观察的临床价值[J].临床和实验医学杂志，2010， 9（8）：568-569.
[13] 周晓，陈红舟，施晓.癌抗原125、癌抗原199联合检测对卵巢恶性肿瘤的诊断价值[J].中国基层医药，2011，18（4）：555-556.
[14] Grivennikov S，Karin M.Autocrine IL-6 signaling：a key event in tumorigenesis[J].Cancer Cell，2008，13（1）：7-9.
[15] Harders SW.LUCIS：lung cancer imaging studies[J].Dan Med J，2012，59（11）：B4542.
（收稿日期：2015-06-03）