肺癌是全球最为常见的癌症，估计每年此病的新发病例有120万人，肺癌占所有癌症死亡人数中的17.8％。因此在全球范围内，21世纪肺癌将是癌症流行中的主要疾病。而早期诊断是提高肺癌生存率和降低死亡率的关键。 肿瘤标志物在肿瘤诊断、检测肿瘤的复发与转移、判断疗效和预后、群体随防与肿瘤普查等方面都有较大的实用价值。但是单一标志物的检测其灵敏度及特异性均难以满足临床对早期诊断、鉴别诊断的要求，为了提高阳性率，还要寻求多种标志物联合检测。 人工神经网络是理论化的人脑神经网络的数学模型，是基于模仿大脑神经网络结构和功能而建立的一种信息处理系统。 本文采用放射免疫学、酶联免疫吸附试验、高效液相色谱法、原子吸收分光光度法等多学科联用的手段分别测定50例正常对照、40例肺良性病患者及50例肺癌患者血清中CEA、CA125、胃泌素、NSE、β2-MG、胃泌素、sIL-6R、唾液酸、伪尿核苷、一氧化氮、Cu、Zn及Ca的水平，探讨这些肿瘤标志物在肺癌诊断或预警中的价值，同时应用logistic多因素回归分析法，在可能影响的多因素中“挑选”变量，以找出对这批观测数据“最优”的变量，并分别确立各种指标对于肺癌发生的相关性，从12项肿瘤标志物中筛选出合适的指标，找出对肺癌诊断意义最大的几项，组成“最优标志物群”。在此基础上，结合人工神经网络技术，构建出基于人工神经网络的智能化的肺癌诊断系统。从结果可以看出，人工神经网络处理优于常规统计学方法，虽然敏感性相差不大，但特异性和准确度却有明显差别，其结果分别比常规统计学方法提高28％和21％，且对肺癌诊断的识别率和预示率均为100％，说明用神经网络模型预测肺癌的敏感性、特异性都很好。 它不仅能够区别肺癌患者与正常人或良性患者，而且还可以判别正常人与良性患者。因此本研究建立的基于神经网络的智能化诊断系统，为肺癌智能诊断系统的研制开辟了一条新途径。本系统的建立有利于高危人群大规模普查，通过本系统不仅可以普查出肿瘤患者，而且对于良性患者也给予提示，对于早期发现、早期预防起到积极作用。