中华肿瘤防治杂志
中華腫瘤防治雜誌
중화종류방치잡지
CHINESE JOURNAL OF CANCER PREVENTION AND TREATMENT
2007年
17期
1324-1327
,共4页
孟潘庆%贾玉生%郑树%余捷凯
孟潘慶%賈玉生%鄭樹%餘捷凱
맹반경%가옥생%정수%여첩개
结肠直肠肿瘤%微阵列分析%神经网络(计算机)
結腸直腸腫瘤%微陣列分析%神經網絡(計算機)
결장직장종류%미진렬분석%신경망락(계산궤)
目的:构建组织原位检测指标预测诊断大肠肿瘤的人工智能神经网络(ANN)模型,探讨组织芯片技术与ANN结合应用的可行性.方法:应用组织芯片技术检测ST13等8种组织原位检测指标在大肠肿瘤演进过程各阶段的表达,同时采用ANN构建相应的诊断模型.结果:采用Matlab 6.5软件中提供的Kruskal-wallis H秩和检验函数,对这8种指标在正常大肠组织、大肠腺瘤和大肠癌组织中的阳性表达差异进行统计学检验,其中ST13、Bcl-2、Survivin和HSF1 mRNA的表达,差异有统计学意义,P<0.01;将8种指标随机组合,分别构建相应的ANN诊断模型,评价其各自的诊断效率,发现ST13、Bcl-2、Survivin与HSF1 mRNA组合的ANN-BP模型预测准确率最高,其对正常大肠组织、大肠腺瘤和大肠癌训练集的预测准确率分别高达92.895%、94.163%和92.013%,对该ANN-BP网络诊断模型的盲法测试结果也分别高达85.714%、79.412%和72%.结论:组织芯片技术与ANN相结合,可以大大提高组织原位检测指标对大肠肿瘤的预测诊断效率.
目的:構建組織原位檢測指標預測診斷大腸腫瘤的人工智能神經網絡(ANN)模型,探討組織芯片技術與ANN結閤應用的可行性.方法:應用組織芯片技術檢測ST13等8種組織原位檢測指標在大腸腫瘤縯進過程各階段的錶達,同時採用ANN構建相應的診斷模型.結果:採用Matlab 6.5軟件中提供的Kruskal-wallis H秩和檢驗函數,對這8種指標在正常大腸組織、大腸腺瘤和大腸癌組織中的暘性錶達差異進行統計學檢驗,其中ST13、Bcl-2、Survivin和HSF1 mRNA的錶達,差異有統計學意義,P<0.01;將8種指標隨機組閤,分彆構建相應的ANN診斷模型,評價其各自的診斷效率,髮現ST13、Bcl-2、Survivin與HSF1 mRNA組閤的ANN-BP模型預測準確率最高,其對正常大腸組織、大腸腺瘤和大腸癌訓練集的預測準確率分彆高達92.895%、94.163%和92.013%,對該ANN-BP網絡診斷模型的盲法測試結果也分彆高達85.714%、79.412%和72%.結論:組織芯片技術與ANN相結閤,可以大大提高組織原位檢測指標對大腸腫瘤的預測診斷效率.
목적:구건조직원위검측지표예측진단대장종류적인공지능신경망락(ANN)모형,탐토조직심편기술여ANN결합응용적가행성.방법:응용조직심편기술검측ST13등8충조직원위검측지표재대장종류연진과정각계단적표체,동시채용ANN구건상응적진단모형.결과:채용Matlab 6.5연건중제공적Kruskal-wallis H질화검험함수,대저8충지표재정상대장조직、대장선류화대장암조직중적양성표체차이진행통계학검험,기중ST13、Bcl-2、Survivin화HSF1 mRNA적표체,차이유통계학의의,P<0.01;장8충지표수궤조합,분별구건상응적ANN진단모형,평개기각자적진단효솔,발현ST13、Bcl-2、Survivin여HSF1 mRNA조합적ANN-BP모형예측준학솔최고,기대정상대장조직、대장선류화대장암훈련집적예측준학솔분별고체92.895%、94.163%화92.013%,대해ANN-BP망락진단모형적맹법측시결과야분별고체85.714%、79.412%화72%.결론:조직심편기술여ANN상결합,가이대대제고조직원위검측지표대대장종류적예측진단효솔.