基于人工神经网络的肺癌诊断模型,将传统指标与瘤标记物结合起来

科学领域:

• 在瘤学瘤学.
• 医学诊断 医学诊断 医学诊断
• 生物标志物 生物标志物

背景情况:

• 肺癌的早期诊断对于改善患者的治疗结果至关重要.
• 现有的诊断方法可能是侵入性的,昂贵的,或缺乏对早期疾病的敏感性.
• 需要为肺癌查和辅助诊断提供可访问和准确的工具.

研究的目的:

• 建立一个肺癌诊断和预测模型,使用传统的实验室指标和瘤标记物.
• 开发一种方便,快速,廉价的方法,用于早期肺癌查和辅助诊断.
• 为了提高肺癌的早期诊断率.

主要方法:

• 对221名肺癌患者,100名良性肺部疾病患者和184名健康受试者的回顾性研究.
• 收集一般临床数据,常规实验室指标和瘤标志物.
• 使用人工神经网络-多层感知器的肺癌诊断和预测模型的开发.

主要成果:

• 基于通过相关性和差异分析识别的有价值指标,建立了五种诊断预测模型.
• 综合诊断预测模型显示,与仅使用瘤标志物的模型相比,曲线下面积 (AUC) 值更高.
• 在几个比较组的AUC中观察到统计学上显著的改善 (P <0.05),表明诊断性能得到改善.

结论:

• 基于人工神经网络的诊断模型整合了传统指标和瘤标志物,显示出高性能.
• 这些模型在帮助诊断早期肺癌方面具有显著的临床价值.
• 综合方法为改善肺癌检测率提供了一个有希望的策略.