论文部分内容阅读
激光诱导自体荧光(laser induced fluorescence,LIF)光谱是近年发展起来的肿瘤诊断新方法,与其他传统诊断方法相比,具有灵敏、快速、简便、无创伤及无毒副作用等优点,为探索肿瘤早期诊断、治疗提供了一种全新思路和方法。本课题结合国家“十五”攻关重点课题结肠早癌自体荧光诊断系统,由卫生部肝胆肠外科研究中心、提供大肠癌组织自体荧光光谱,通过建立丰富的实验数据资源库,全面分析与深入对比了不同荧光光谱的分布特征,通过采用严格的数理统计方法来分析荧光光谱特征分析,并结合建立BP神经网络光谱识别系统,研究了一种具有自适应的荧光光谱诊断识别系统,获得了较好的临床诊断敏感性和特异性,为大肠癌自体荧光光谱智能诊断系统的开发提供了较好的基础。具体来说,论文主要进行了如下方面的工作:(1)论文首先利用数理统计理论,采用SPSS工具,用t检验对22例大肠组织自体荧光强度值进行t检验分析,得出在荧光光谱在总体上不存在统计上的显著性差异,在431-437nm、631-638nm、717-724nm处大肠癌组织荧光强度值与正常组织间进行对照,发现大部分样本具有显著差异(P<0.1),少量样本不存在统计意义上的差异性。结论:说明从统计意义上不能区分正常组织与癌组织。(2)在上面得到的初步结论的基础上,不经过数据清洗与处理,论文直接采用BP神经网络,对16例癌变组织与6例正常组织进行识别,在对16例癌组织与6例正常组织进行神经网络训练后。得到的结论为:直接BP神经网络识别方法对第三代仪器采集的数据15测试数据的测试准确性为46.67%。证明直接的数据神经网络识别还达不到临床要求。(3)为消除干扰数据的影响,对数据进行了清洗与预处理,提出了一种峰值查找与计算方法,以及一整套数据转换与整理方法,然后在此基础上提出了一种基于数理统计的数学判别方程。结论为:运用本文提出的峰值查找方法,较快速地从光谱中分离出了峰值特征区域。峰值数学判别方程分别由峰度,尖峰与平滑绝对与相对差等因素组成。即F=W1×Q1+W2×Q2+W3×Q3+W4×Q4+W5×Q5,若F<32判为大肠正常组织,若F>32判为大肠癌组织。随后采用了35标本进行检验,识别的准确率为93.4%。(4)结合数据整理与清洗后,再利用BP神经网络进行了识别。结果:综合以上因素的神经网络模型对35例待识别样本的准确率为34个正确,1个判误,准确率为97.1%。课题研究成果对推动激光诱导自体荧光诊断进入临床运用有较好的作用。