论文部分内容阅读
背景与目的肺癌是最常见的癌相关性死因,全世界每年有超过100万人死于肺癌。在发达国家,肺癌导致的死亡率处于癌相关性疾病死亡之首。在中国,肺癌的发病率已上升为恶性肿瘤的第二位,其病死率在城市人口恶性肿瘤中居首位,且其发病率呈逐渐增高趋势。肺癌发病时间短,转移快,预后不理想,总的五年生存率仅为15%,而早期发现及早期诊断则可以明显提高生存率。因此,早发现、早诊断、早治疗是提高肺癌患者生存率、降低死亡率的关键。但是由于多种相关因素,使得早期诊断有相当的局限性,如何提高肺癌的早期诊断率是一个迫切的问题。目前肺癌诊断的三种主要方法:影像诊断、化学诊断(血清学和免疫学)及细胞学与组织学诊断。肺癌影像学诊断方法包括X线、CT、MRI、血管造影及介入放射学等。CT是诊断肺癌的一个重要手段,是目前应用比较广泛的诊断手段之一。但是由于肺癌CT片表现的复杂性和其他不确定因素,使临床医生在观察有些肺CT片时并不容易做出正确诊断。如果能建立一个人工智能辅助诊断系统:既能辅助放射医生避免观察肺CT片由于知识和经验局限而带来的主观性,又可对肺癌CT片特征与其他肺部病变的CT片特点加以区别鉴定,尽可能早的发现肺癌,势必大大提高肺CT片的诊断价值,有助于提高早期肺癌的诊断率。如何建立一个这样的智能分析系统,则是问题解决的关键所在。人工神经网络(Artificial Neural Networks,ANN)是在对人脑组织结构和运行机制认识理解的基础之上模拟其结构和智能行为的一种非线性信息处理工程系统,是近年来迅速发展起来的一门集神经科学、信息科学、计算机科学于一体的交叉、边缘学科,是生物神经网络在结构、功能及某些基本特性方面的理论抽象、简化和模拟而构成的一种信息处理系统。人工神经网络具有大规模的并行处理和分布式的信息存储能力,并有良好的自适应、自组织性以及很强的学习功能、联想功能和容错功能。目前,人工神经网络已经被广泛应用在金融、商业、信息、医学等各个领域。人工神经网络在医学领域里已被用在疾病临床诊断(专家系统)、疾病筛查和辅助诊断、疾病相关因素研究、预测疾病的发病风险、生存分析、基因识别和DNA、RNA序列分析、蛋白质结构分析等。人工神经网络在放射学也有广泛的应用,主要表现在胸部疾病的影像诊断。在影像学研究中应用人工神经网络辅助诊断可提高诊断准确性,国外已有人将人工神经网络应用到胸部CT诊断,并获得较好效果。本研究将人工神经网络应用到肺癌CT影像诊断中,以期提高对肺癌诊断率。材料与方法1.肺CT片117例(良性58例,恶性59例),Matlab,SAS。2.经3名有经验放射科医师对117例CT片仔细观察,提取的21项放射学特征为:病灶大小、密度、边缘情况、磨玻璃样改变、空洞征、毛刺征、血管切迹、分叶征、棘突征、胸膜凹陷、胸膜浸润、纵隔移位、纵隔受侵、纵隔淋巴结肿大、肺气肿、肺内远处转移、钙化、气管狭窄情况、卫星病灶、肺不张、胸腔积液。由3名放射医师分别对21项影像特征进行评分量化,结合临床上性别、年龄、吸烟史、家族史、体重减轻情况等5项参数构成输入项。对网络进行训练,构建模型,并盲法测试(仿真)。3.利用训练好的人工神经网络模型对预测集样本进行预测诊断(仿真过程)。结合ROC比较人工神经网络与Logistic回归对训练集和预测集所有样本的预测效果和人工神经网络与放射医师对预测集的诊断效果。结果1.人工神经网络训练结果采用反向传播算法,隐含层神经节点取6,动量因子mc=0.95,BP人工神经网络经过5次迭代后达到预期目标,训练停止。BP神经网络对训练集73例样本预测准确度达100%。2.人工神经网络与Logistic回归对训练集和预测集所有样本的预测结果BP神经网络和Logistic回归对训练集和预测集所有样本预测的准确度分别为96.6%(113/117)和84.6%(99/117),ROC曲线下面积分别为0.986(95%CI:0.944-0.998)和0.909(95%CI:0.842-0.954),P=0.008。3.人工神经网络与放射医师对预测集的诊断结果BP神经网络和放射医师对预测集诊断的准确度分别为90.9%(40/44)和93.2%(41/44),二者的ROC曲线下面积分别为0.932(95%CI:0.810-0.986)和0.960(95%CI:0.850-0.995),P=0.568。结论1.人工神经网络可以作为肺癌CT的辅助诊断手段;2.人工神经网络对肺癌CT的预测性能优于Logistic回归。