首页 > 论文范文 > 医药卫生论文 > 肿瘤科论文 > 宫颈癌论文 > 常规体检项目构建的支持向量机模型在宫颈癌筛查中的价值研究

常规体检项目构建的支持向量机模型在宫颈癌筛查中的价值研究

2020-09-21 113 上传者：管理员

摘要：目的探索基于常规体检项目(血常规、尿常规及生化常规)建立的支持向量机模型在宫颈癌筛查中的意义。方法通过文献筛查筛选出可能与肿瘤相关的血常规指标6项：白细胞计数(WBC)、血小板计数、淋巴细胞计数、中性粒细胞计数(NEUT)、中性粒细胞/淋巴细胞比值(NLR)、血小板/淋巴细胞比值(PLR)；通过小样本初筛筛选出可能与宫颈癌相关的生化常规及尿常规指标7项：尿比重、pH、总蛋白(TP)、尿酸、钙(Ca)、铁、镁；比较40例宫颈癌患者(宫颈癌组B)和40例健康体检者(对照组B)上述13项指标水平，筛选出差异有统计学意义的指标，用于建立宫颈癌筛查的支持向量机模型。结果两组WBC、NEUT、NLR、PLR、TP、Ca水平比较，差异均有统计学意义(P<0.05)。用上述6项指标构建支持向量机模型，其中筛查模型诊断宫颈癌的灵敏度为86.11%，特异度为88.46%，诊断符合率为87.10%；验证模型诊断宫颈癌的灵敏度为66.67%，特异度为100.00%，诊断符合率为83.33%。受试者工作特征曲线分析结果显示，构建的支持向量机模型诊断宫颈癌的曲线下面积为0.933。结论运用常规体检项目构建的支持向量机模型具有较高的宫颈癌诊断价值，能有效提高宫颈癌早期诊断的准确性。

关键词：
HPV
人乳头状瘤病毒
宫颈癌
尿常规
支持向量机模型
生化常规
血常规
加入收藏

宫颈癌是发生于宫颈上皮的与人乳头状瘤病毒（HPV）感染相关的一种恶性肿瘤[1]。国际癌症研究所（IARC）数据显示，全球每年宫颈癌新发病例约为53.0万，占所有女性肿瘤的12.0%，死亡病例达27.5万[2]。而我国每年约有13.0万宫颈癌新发病例，5.3万女性死于该病，宫颈癌已经成为严重威胁女性身体健康的恶性肿瘤之一[3]。宫颈癌及其癌前病变是可预防的，但由于发展中国家缺乏经济、技术基础，宫颈癌筛查措施不完善，患者常失去早期治疗的机会[4,5]。

目前，宫颈癌早期筛查主要依靠液基薄层细胞学技术和HPV检测等[6]，但上述方法在发展中国家尚未普及，且因为价格较高等原因导致主动筛查的人数较少，迫切需要寻找更为经济、便利、高效的筛查方法。血常规、尿常规、生化常规检测属于常规体检项目，具有价格便宜、标本留取方便、检测方法简单等优点，适用于多种疾病的筛查。支持向量机模型属于神经网络分析模型，是一种模拟人类大脑信息处理方式的简化模型。支持向量机算法基于经验风险最小化原则，同时强调置信范围最小，采用结构风险最小化原理，整合泛化能力与算法复杂度之间的矛盾。因此，支持向量机算法在小样本研究领域的表现优于传统模式的识别方法[7]。目前，已有较多研究将神经网络分析模型用于生物医学[8,9]。本研究通过分析宫颈癌患者和健康人群之间血常规、尿常规及生化常规检测水平间的差异，应用支持向量机算法建立宫颈癌筛查模型，用于宫颈癌和健康人群的鉴别，以期为精确识别宫颈癌高危人群提供可靠途径。

1、资料与方法

1.1一般资料

选取本院妇科2016年1月1日至2018年12月31日收治的宫颈癌患者50例作为宫颈癌组。纳入标准：（1）病理学或细胞学检查初次确诊为宫颈癌；（2)20～70岁女性；（3）入院后接受相关影像学检查，如腹部彩超、胸部CT、头部MRI、全身骨扫描或PET-CT，明确肿瘤TNM分期；（4）临床资料完整。排除标准：（1）合并其他类型肿瘤；（2）既往进行过放疗或化疗；（3）合并基础疾病，如糖尿病、高血压、冠心病等。另选取同期年龄为20～70岁的健康体检女性50例作为对照组。宫颈癌组和对照组中分别随机选取10例研究对象用于小样本初筛，两组分别剩余的40例研究对象用于模型构建。

1.2仪器与试剂

生化常规检测试剂和仪器由罗氏诊断产品（上海）有限公司提供；血常规检测试剂和仪器由日本希森美康株式会社提供。

1.3方法

1.3.1文献筛查

从文献中筛选出与肿瘤相关的血常规指标[10,11,12,13]。

1.3.2小样本初筛

收集10例健康体检者（对照组A）和10例宫颈癌患者（宫颈癌组A）的生化常规及尿常规指标，进行比较，筛选出差异有统计学意义的指标，即为宫颈癌相关生化常规及尿常规指标。指标纳入标准：完整的生化常规指标包括肝功能、肾功能、蛋白、电解质、血糖、血脂、心肌酶等相关指标。指标排除标准：非常规体检中心开展项目，如胱抑素C等；人工操作项目，如尿镜检细菌等。根据指标纳入及排除标准，最终纳入的生化常规初筛指标：钾、钠、氯、钙（Ca）、镁（Mg）、铁（Fe）、总蛋白（TP）、清蛋白、总胆红素、直接胆红素、丙氨酸氨基转移酶（ALT）、天门冬氨酸氨基转移酶（AST）、AST/ALT、尿素、尿酸（UA）、肌酐、血葡萄糖（GLU）、三酰甘油、胆固醇、低密度脂蛋白、高密度脂蛋白、肌酸激酶、肌酸激酶同工酶。纳入的尿常规初筛指标：pH、尿比重（SG）、尿胆原、隐血、尿蛋白、尿GLU、尿胆红素、尿酮体、尿红细胞。

1.3.3筛选模型构建指标

比较剩余40例宫颈癌患者（宫颈癌组B）和40例健康体检者（对照组B）小样本初筛筛选出的生化常规与尿常规指标，以及文献筛查所筛选出的肿瘤相关血常规指标，将差异有统计学意义的指标用于模型构建。

1.4统计学处理

采用SPSS25.0软件进行数据分析。正态性验证采用Kolmogorov-Smirnov检验；正态分布的计量资料以表示，组间比较采用t检验；不符合正态分布的计量资料以M(P25,P75）表示，组间比较采用秩和检验；采用受试者工作特征曲线（ROC曲线）评价支持向量机模型诊断宫颈癌的效能。以P<0.05为差异有统计学意义。

2、结果

2.1宫颈癌相关指标小样本初筛

从相关文献中筛选出可能与肿瘤相关的血常规指标，包括白细胞计数（WBC）、血小板计数（PLT）、中性粒细胞/淋巴细胞比值（NLR）、血小板/淋巴细胞比值（PLR）、淋巴细胞计数（LY）、中性粒细胞计数（NEUT）。通过小样本初筛，筛选出宫颈癌组A与对照组A间差异有统计学意义的指标，即为宫颈癌相关的生化常规及尿常规指标，包括SG、pH、TP、UA、Ca、Fe、Mg。见表1。

2.2筛选模型构建指标

将文献筛查筛选出的可能与肿瘤相关的血常规指标及表1中宫颈癌相关生化常规及尿常规指标在宫颈癌组B和对照组B间进行比较，结果显示，WBC、NEUT、NLR、PLR、TP、Ca水平在两组间比较，差异均有统计学意义（P<0.05），可纳入模型构建。见表2。

表1两组间差异有统计学意义的生化常规及尿常规指标比较结果

表2两组模型构建指标比较结果

2.3支持向量机模型的构建及验证

2.3.1样本处理

从宫颈癌组B与对照组B的80例样本中随机选出62例用于构建筛查模型，剩余18例用于构建验证模型。

2.3.2支持向量机模型的构建

模型输入层以6个特征变量（WBC、NEUT、NLR、PLR、TP、Ca）作为协变量，单元数为6；隐藏层为随机拟合的9个变量，目的是将非线性不可分的输入信号设法变换成线性可分信号；输出层节点则是利用线性函数对输入信号进行简单的线性加权和变换，用于鉴别宫颈癌患者和健康人群。

2.3.3支持向量机模型评价结果

筛查模型诊断宫颈癌的灵敏度为86.11%，特异度为88.46%，诊断符合率为87.10%；验证模型诊断宫颈癌的灵敏度为66.67%，特异度为100.00%，诊断符合率为83.33%，见表3。ROC曲线分析结果显示，构建的支持向量机模型诊断宫颈癌的曲线下面积（AUC）为0.933，见图1。

表3支持向量机模型评价结果

图1支持向量机模型诊断宫颈癌的ROC曲线

3、讨论

宫颈癌是严重危害女性健康的恶性肿瘤之一，发病率占全球女性恶性肿瘤的第2位，仅次于乳腺癌[14]。目前，宫颈癌筛查最佳方案包括，（1）优选方案：液基薄层细胞学技术和HPV联合筛查，此筛查方法灵敏度、特异度高，但价格昂贵、技术要求高，仅适用于经济发达地区；（2）一般方案：巴氏涂片与HPV联合筛查，此方法快速、便捷，但价格也较高，适用于中等发达地区；（3）基本方案：肉眼观察法，此方法假阳性率高，但价格低廉、易于操作，适用于医疗资源落后地区[15]。研究表明，85%的宫颈癌新发病例和90%的死亡病例发生在医疗资源落后地区[16]。宫颈癌前病变缺乏有效治疗时易发展成为宫颈癌，早期发现与治疗是宫颈癌防治的关键。

虽然常规体检项目与液基薄层细胞学技术、HPV、宫颈癌相关肿瘤标志物检测相比缺乏特异性，但如果能在患者未表现出明显症状时通过分析其在常规体检项目中的相关指标变化来预测宫颈癌的发生，对于提高早期筛查率具有重要意义。故本研究筛选出血常规、尿常规、生化常规中对宫颈癌具有一定诊断意义的指标，并通过支持向量机算法，建立了宫颈癌筛查模型，以期为宫颈癌的筛查提供一定参考。本研究结果显示，根据文献筛查、小样本初筛、模型构建指标筛选所选出的血常规、尿常规、生化常规指标所构建的支持向量机模型诊断宫颈癌的AUC为0.933，诊断效能高，能够较为准确地诊断宫颈癌，值得在临床推广应用。

此外，神经网络分析模型还可用于其他肿瘤的模型预测。通过建立各类肿瘤的神经网络分析模型，整合大数据库，能帮助临床医师更有针对性地开展检查项目，提高诊断效率；同时，也可为患者减少不必要的检查，做到医疗资源的合理使用。

4、结论

运用常规体检项目构建的支持向量机模型具有较高的宫颈癌诊断价值，能有效提高宫颈癌早期诊断的准确性。

参考文献:

[1]祁德波,张丽冉,赵东曼,等.高危型HPV病毒载量与不同宫颈病变的相关性分析[J].检验医学与临床,2019,16(15):2127-2130.

[2]韩耀风,高宪利,周莹,等.基于递归系统模型的宫颈癌患者住院费用影响因素分析[J].中国卫生统计,2017,34(2):253-256.

[3]刘萍.中国大陆13年宫颈癌临床流行病学大数据评价[J].中国实用妇科与产科杂志,2018,34(1):41-45.

[4]王利丽,马丽丽,尚丽新.宫颈癌及癌前病变筛查策略的研究进展[J].医学综述,2016,22(10):1907-1910.

[5]裴蕴锋,经先振,周娟,等.医院就诊人群HPV感染的流行病学特征及其与宫颈癌/癌前病变的关系[J].华中科技大学学报(医学版),2018,47(3):349-353.

[7]吴疆.基于支持向量机的红外谱图识别[D].成都:四川大学,2005.

[8]刘奕.基于机器学习的癌症诊断方法研究[D].武汉:湖北工业大学,2017.

[9]郭利斌.基于支持向量机算法的癌症组织拉曼光谱数据分析[D].福州:福建师范大学,2015.