研究背景：胰腺癌是消化系统的恶性肿瘤，多数患者被发现时已是晚期，仅15～20％的患者有根治手术切除的机会。目前胰腺癌诊断主要通过多种影像学方法和血清肿瘤标志物联合检测进行检查，在排除胃肠疾病、慢性胰腺炎和腹膜后肿瘤等疾病的基础上进行诊断。影像学检查(CT或MRI)是最直接而有效的方法，然而其敏感性和特异性不高，因此提高胰腺癌早期诊断的努力方向应是对有疑似胰腺癌症状的好发人群积极行胰腺癌的临床筛查。肿瘤标志物的测定具有费用低、方法简单和技术易于推广的特点，并且已在临床广泛应用，因此是对胰腺癌高危人群进行筛查的理想指标。目前在胰腺癌诊断中临床应用比较多是CA19-9和CA242，但敏感性和特异性并不理想，因此寻找有效的胰腺癌血清肿瘤标志物的工作从未停止，目前已有了一定的进展。我们检索文献发现，SiSo细胞表达的受体结合癌抗原(RCAS1)和骨桥蛋白(OPN)有可能和胰腺癌的发生和侵袭转移等生物学行为相关，血清中RCAS1和OPN的浓度变化对胰腺癌的诊断可能有一定的意义，但尚缺乏进一步的临床研究验证。另外，由于胰腺癌的发生与多种因素相关，因此现有的肿瘤标志物的准确性和实用价值均有一定局限，并且不可能依靠单独检测一项肿瘤标志物就能够特异性诊断胰腺癌。目前常用的方法为多项肿瘤标志物的联合检测，但是由于传统线性判别函数模型的限制，判别效果也不够理想。同时由于临床上一些条件的限制，使收集到的诊断数据不够完整，对这些不完整的数据应用传统的线性判别方法难以处理。模糊聚类分析法较好的克服了数据间量纲不同的影响，也在一定程度上克服了变量间的不相关性。利用该方法可较好地实现对不同的类别进行分类，进一步通过模糊识别可以判别检测目标同实际模型间的贴近度，将模糊识别同计算机技术结合，可以使计算机生成的程序更加智能化，结合临床肿瘤标志物检测分析可能提高诊断的准确率。同时，随着计算机技术和生物信息学的迅速发展，以非线性大规模并行分布处理为特点的人工神经网络(ANN)理论突破了传统的线性处理模式，以其高度的并行性，良好的容错性和自适应能力成为人们探索和研究某些复杂大系统的有力工具。研究目的：本实验拟在前期调研工作的基础上，首先应用ELISA、免疫组织化学技术，研究胰腺癌患者血清及组织中RCAS1和OPN的表达情况，以期明确其可能作为新的胰腺癌肿瘤标志物的临床应用前景；然后应用模糊聚类识别和人工神经网络方法分别对目前临床已经广泛应用的肿瘤标志物数据进行处理，构建诊断模型，并且同经典统计学Logistic回归方法进行诊断准确率的比较，探讨并提出提高胰腺癌诊断和鉴别诊断准确率的分析方案，并构建应用软件模型，以期能够提高血清肿瘤标志物在胰腺癌诊断中的临床应用价值。研究方法和结果：第一部分：血清肿瘤标志物RCAS1和OPN对胰腺癌的诊断价值首先应用酶联免疫吸附(ELISA)方法，检测46例胰腺癌患者、18例慢性胰腺炎患者和20例健康人血清中RCAS1和OPN的浓度，并应用受试者工作曲线法(ROC曲线法)分析检测结果。结果显示胰腺癌患者血清中RCAS1和OPN的浓度与慢性胰腺炎组和正常对照组相比明显增高(86.21±6.36 vs．21.51±4.93，14.40±2.54；504.51±56.12 vs．212.87±28.48，96.32±26.46，P＜0.05、)，并且在分层分析中，胰腺癌患者血清中OPN的浓度在无法手术切除组高于可手术切除组(550.17±93.72 vs．343.47±41.51 P＜0.05)，而RCAS1在重度黄疸组高于轻度黄疸组(134.05±13.43 vs．88.94±7.19，P＜0.05)，同时检索病历，对应同一患者CA19-9等四种临床常规应用胰腺癌肿瘤标志物结果构建ROC曲线进行对比，RCAS1、OPN、CA19-9、CA242、CA50和CEA的AUC分别为0.827、0.813、0.805、0.737、0.530和0.727，P＜0.001。然后应用免疫组织化学染色法对组织切片进行染色。结果显示胰腺癌组织中RCAS1的阳性率87.5％(28／32)，慢性胰腺炎组织40％(4／10)，正常胰腺组织17％(1／6)；胰腺癌组织中OPN的阳性率71.9％(23／32)，慢性胰腺炎组织20％(2／10)，正常胰腺组织不染色。第二部分：模糊聚类分析和人工神经网络模型处理血清肿瘤标志物数据对胰腺癌临床诊断的价值首先运用统计学单因素分析方法对213例胰腺癌和86慢性胰腺炎患者的包括血清肿瘤标志物CA19-9、CA242、CA50和CEA等23项诊断指标进行处理，结果显示性别、年龄、CA19-9、CA242、CA50、CEA、WBC、Tbil和ALT等9个诊断指标在胰腺癌和慢性胰腺炎患者的比较中有统计学意义。然后应用模糊聚类分析方法对患者血清肿瘤标志物CA19-9、CA242、CA50和CEA四项诊断指标进行处理，通过Visual Basic 6(VB)编程软件编写应用程序，运用模糊识别方法评估血清肿瘤标志物联合检测对胰腺癌诊断的准确率。对相同的病例库建立ANN诊断模型，算法选用BP网络，运用Matlab 6.5软件编程实现ANN的训练和测试。同时采用STATA 8.0软件建立二分类Logistic多元回归模型，分别将与模糊聚类分析模型和BP人工神经网络模型相同的自变量引入回归方程，将所有样本代回方程求得预测值。最后应用VB编程软件进行编程，构建以血清肿瘤标志物为主体的胰腺癌诊断的应用软件模型。结果显示应用模糊聚类后建立的肿瘤标志物界值分类模型标准进行模糊识别，对胰腺癌诊断的敏感性和特异性(98.67％；78.57％)均高于Logistic回归模型的敏感性和特异性(93.33％：14.29％)，P＜0.05。ANN模型诊断的正确率和ROC曲线下面积(89.6％；0.932)均大于Logistic回归模型(84.34％，0.897)，p＜0.05。结论：1．RCAS1和OPN作为一种血清肿瘤标志物在胰腺癌的诊断中有意义，综合诊断能力明显优于CA50和CEA，如果同时联合检测CA19-9和CA242，则对提高胰腺癌诊断和胰腺肿瘤术前评估的准确率有一定的临床意义。2．RCAS1和OPN在胰腺癌组织中高表达，可能同胰腺癌的发生和发展有一定关系。3．应用模糊聚类分析后建立的分类模型标准进行模糊识别可提高肿瘤标志物联合检测对胰腺癌诊断的准确率。4．应用ANN模型分析联合检测的肿瘤标志物指标诊断胰腺癌优于传统的Logistic回归模型。ANN模型运行稳定，界面友好，可操作性强，有较好的临床应用前景。