人工神經(jīng)網(wǎng)絡(luò)在胃癌中的應(yīng)用

許 人，石張鎮(zhèn)，張文龍，孫延霞

（吉林大學(xué)中日聯(lián)誼醫(yī)院 血液腫瘤科，吉林 長春 130033）

人工神經(jīng)網(wǎng)絡(luò)在胃癌中的應(yīng)用

許 人，石張鎮(zhèn)，張文龍，孫延霞＊

（吉林大學(xué)中日聯(lián)誼醫(yī)院 血液腫瘤科，吉林 長春 130033）

＊通訊作者

人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Networks，ANNs）是一種模擬生物神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和功能進(jìn)行信息處理的方法，通過調(diào)整內(nèi)部大量節(jié)點之間相互連接的關(guān)系，達(dá)到處理信息的目的。人工神經(jīng)網(wǎng)絡(luò)已在包括醫(yī)學(xué)在內(nèi)的多個領(lǐng)域中得到了廣泛應(yīng)用，在疾病診斷及預(yù)后判斷中的作用也逐漸引起了臨床醫(yī)生的關(guān)注。在腫瘤領(lǐng)域，人工神經(jīng)網(wǎng)絡(luò)在胃癌中的應(yīng)用與其在前列腺癌、腸癌、乳腺癌等腫瘤中的應(yīng)用一樣，不斷得到了相關(guān)專業(yè)醫(yī)療人員的認(rèn)可。本文綜述了人工神經(jīng)網(wǎng)絡(luò)在胃癌診斷、分期及預(yù)后等方面的應(yīng)用研究進(jìn)展。

1 診斷及鑒別診斷

病理診斷是腫瘤診斷的基礎(chǔ)。但病理形態(tài)學(xué)復(fù)雜，診斷是有創(chuàng)性的，不能用于腫瘤的普查及篩查。為了使病理診斷便捷有效，Karakitsos［1］把來源于19例胃癌、19例胃炎及56例胃潰瘍患者的胃粘膜5 000個細(xì)胞分成兩組，對其中1 000個細(xì)胞所建的人工神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，訓(xùn)練后對余下的4000例細(xì)胞進(jìn)行分類，結(jié)果96%的良性細(xì)胞和89%的惡性細(xì)胞被正確分類。Molnar［2］等應(yīng)用電視影像技術(shù)，將定量DNA與胃組織形態(tài)學(xué)刷片等得到的參數(shù)應(yīng)用人工神經(jīng)網(wǎng)絡(luò)進(jìn)行判別分析，其鑒別非腫瘤組織與腫瘤組織的準(zhǔn)確率達(dá)95%，為胃癌的判斷提供了一種相對準(zhǔn)確的定量的細(xì)胞學(xué)方法。Cheng［3］將逆向人工神經(jīng)網(wǎng)絡(luò)與基于傅里葉轉(zhuǎn)換的紅外線光譜法（Fourier transform-infrared spectroscopy，F(xiàn)TIR）相結(jié)合，研究了172對正常及異常新鮮胃組織標(biāo)本，通過對組織9種形態(tài)特征的提取及分析，結(jié)果顯示其方法對正常、早期胃癌及進(jìn)展期胃癌的鑒別準(zhǔn)確率分別達(dá)94.1%，100%及100%。Li［4］對118例胃活檢標(biāo)本（其中35例胃癌、64例胃炎、19例正常胃組織）應(yīng)用概率型神經(jīng)網(wǎng)絡(luò)probabilistic neural network（PNN）分析，其鑒別正常胃組織、胃炎及胃惡性腫瘤的準(zhǔn)確率達(dá)81.4%，此方法準(zhǔn)確率高，且模型訓(xùn)練時間短，適合用做判別分析。

腫瘤發(fā)生隱匿，有時臨床中是先發(fā)現(xiàn)腫瘤轉(zhuǎn)移灶，而判斷其細(xì)胞來源尤為重要。Feng［5］將人工神經(jīng)網(wǎng)絡(luò)的方法與血清癌胚抗原CEA、神經(jīng)元特異性烯醇化酶NSE、唾液酸SA、Cu／Zn、Ca等6種腫瘤標(biāo)志物及19個相關(guān)參數(shù)相結(jié)合來鑒別肺癌與胃癌，其敏感性、特異性及準(zhǔn)確率分別達(dá)到了100%，83.3% 及93.5%。呂連華［6］采用高通量、高靈敏度的SELDI-TOF-MS技術(shù)篩選胃癌患者血清的差異表達(dá)蛋白，利用人工神經(jīng)網(wǎng)絡(luò)建立SELDI蛋白分子診斷模型，并通過比較蛋白組學(xué)的方法發(fā)現(xiàn)一種靈敏度和特異性均較高的診斷早期胃癌和篩查高危人群的新方法，解決了目前用于胃癌診斷的腫瘤標(biāo)志物陽性率不高，敏感性、特異性較差等問題，為胃癌的早期診斷、療效觀察和預(yù)后判斷提供了重要的依據(jù)，滿足了胃癌患者的需要，為闡明胃癌發(fā)病機制提供有價值線索。

姜曼［7］應(yīng)用血清蛋白質(zhì)芯片質(zhì)譜技術(shù)結(jié)合生物信息學(xué)方法篩選胃癌相關(guān)標(biāo)記，結(jié)合人工神經(jīng)網(wǎng)絡(luò)建立胃癌診斷模型，其特異性為100%（95%的置信區(qū) 間 為 94.6%-100.0%），敏 感 性 為 92.0%（88.7%-95.2%），準(zhǔn) 確 率 為 95.8% （86.4%-97.5%）。表明血清蛋白質(zhì)質(zhì)譜模型結(jié)合人工神經(jīng)網(wǎng)絡(luò)的方法可以篩選出在胃癌和健康人群中表達(dá)有差異的候選生物標(biāo)記，且可建立敏感性和特異性都很高的診斷模型。

王雪萍［8］用酶聯(lián)免疫吸附法分別測定69例良性胃病患者和72例胃癌患者血清標(biāo)本中癌胚抗原（CEA）、糖 類 抗 原 （CA）199、CA242、CA50 和CA724的含量，并用ANN建立5種血清腫瘤標(biāo)記物診斷 模型，結(jié)果 顯示 CEA、CA199、CA242、CA50、CA724對胃癌患者診斷的敏感性依次為58.3%、72.2%、77.8%、33.3%、30.6%，特異性依次為89.9%、85.5%、84.1%、89.9%、91.3%，準(zhǔn)確性依次為73.8%、78.7%、80.9%、61.0%、60.3%。ANN診斷模型的總敏感性、特異性及準(zhǔn)確性分別為88.9%、94.2%、91.5%。這個實驗表明用 ANN建立的胃癌多種血清腫瘤標(biāo)志物ANN模型，在提高診斷敏感性的同時，還保證了較高的特異性，ANN模型對胃癌的早期診斷具有較高的價值。

2 分期

Hensler［9］等應(yīng)用前向神經(jīng)網(wǎng)絡(luò)軟件（QUEEN系統(tǒng)）對胃癌患者的淋巴結(jié)轉(zhuǎn)移情況進(jìn)行術(shù)前預(yù)測，其準(zhǔn)確率為72.73%，較日本東京國立腫瘤中心建立的Maruyama診斷系統(tǒng)靈敏度高10%，特異性高18%。表明QUEEN系統(tǒng)是人工神經(jīng)網(wǎng)絡(luò)的發(fā)展方向，其用于胃癌淋巴結(jié)轉(zhuǎn)移的預(yù)測，可使胃外科手術(shù)計劃更有意義。

Lai，K［10］用人工神經(jīng)網(wǎng)絡(luò)技術(shù)術(shù)前預(yù)測胃癌的分期。具體是隨機選擇121個新發(fā)現(xiàn)的原發(fā)性胃癌患者，采集臨床資料和病理結(jié)果對候選基因進(jìn)行評估。與腫瘤分期相關(guān)的最重要的因素是年齡、基因P21、IL-1、IL-4和P53，根據(jù)這幾個因素術(shù)前預(yù)測胃癌分期的準(zhǔn)確性為81.82%，表明使用臨床數(shù)據(jù)集建立的人工神經(jīng)網(wǎng)絡(luò)是一個很有前途的預(yù)測人類胃癌分期的方法。Lai［10］Mekicar和 Omejc［11］等綜合影像學(xué)信息、前哨淋巴結(jié)活檢結(jié)果、腫瘤的分子或遺傳學(xué)標(biāo)記物等指標(biāo)應(yīng)用計算機建模，用來預(yù)測有無淋巴結(jié)轉(zhuǎn)移，其預(yù)測的準(zhǔn)確率在N0／N1組為86%（敏感性91%，特異性79%），在N1／N2組準(zhǔn)確率為89% （敏感性87%，特異性90%）。Zhang［12］應(yīng)用人工神經(jīng)網(wǎng)絡(luò)分析反應(yīng)胃癌生物學(xué)行為的MSCT影像學(xué)信息（包括癌腫漿膜浸潤、大體類型、最大徑線、厚度、強化方式、淋巴結(jié)數(shù)目、分站、最大淋巴結(jié)短徑等指標(biāo)）進(jìn)行分析，建立了胃癌淋巴結(jié)轉(zhuǎn)移判斷模型，其敏感度為88.5%，特異度為78.5%，受試者特征曲線（ROC）下面積AUC值為0.876。效能明顯優(yōu)于單純根據(jù)淋巴結(jié)大小來判斷有無轉(zhuǎn)移。

淋巴結(jié)狀態(tài)決定臨床分期，分期決定治療。Bollschweiler［13］等在一項Ⅱ期診斷研究中，以來源于東京國家癌癥中心的4302個病人的信息為基礎(chǔ)，對135例行D2式胃大部切除術(shù)的病人的淋巴結(jié)轉(zhuǎn)移情況進(jìn)行了預(yù)測，以對比神經(jīng)網(wǎng)絡(luò)與Maruyama計算機程序（MCP系統(tǒng)）預(yù)測胃癌淋巴結(jié)轉(zhuǎn)移的能力。ANN-1（根據(jù)腫瘤大體類型、T分期、腫瘤大小和位置建立的分析軟件）對是否淋巴結(jié)轉(zhuǎn)移（N＋或N0）的預(yù)測準(zhǔn)確率為79%，對每一個淋巴結(jié)組的淋巴結(jié)轉(zhuǎn)移的預(yù)測價值為：ANN-1為64-86%；MCP為42-70%。其通過使用另一個附加的轉(zhuǎn)移參數(shù)在第3個淋巴結(jié)組作為前哨淋巴結(jié)，其ANN準(zhǔn)確率為93%。這就可以解決胃癌患者淋巴結(jié)擴大切除的爭議及淋巴結(jié)轉(zhuǎn)移預(yù)測的難題。

3 預(yù)后

腫瘤的預(yù)后以往是依據(jù)腫瘤的臨床分期、原發(fā)腫瘤大小、病理類型、浸潤深度、有無淋巴結(jié)及遠(yuǎn)處轉(zhuǎn)移等來綜合評估。由于影響預(yù)后的因素較多，難以全方位、較準(zhǔn)確的評估預(yù)后。人工神經(jīng)網(wǎng)絡(luò)由于其非線性、并行處理等優(yōu)勢，在應(yīng)用于腫瘤患者預(yù)后的預(yù)測方面，較其他統(tǒng)計學(xué)方法及單因素分析法更為準(zhǔn)確，加之可以多因素分析，其發(fā)展有很大的空間。

Amiri［14］等 比 較 了 ANN 和 Kaplan-Meier及Cox proportional hazards模型在胃癌術(shù)后生存時間判斷中的作用，發(fā)現(xiàn)ANN的預(yù)測準(zhǔn)確率更高。Biglarian［15］等在436例胃癌術(shù)后患者判斷預(yù)后方面，ANN與COX相比，ANN預(yù)測生存時間的準(zhǔn)確率為83.1%，而 COX方法為75.0%。Mofidi［16］應(yīng)用ANN預(yù)測食管癌及食管賁門聯(lián)合處腫瘤患者的術(shù)后生存期，神經(jīng)網(wǎng)絡(luò)方法預(yù)測淋巴結(jié)分期的準(zhǔn)確率為82.6%，而Weibull方法預(yù)測淋巴結(jié)分期的準(zhǔn)確率為75.7%。

為了能預(yù)測胃癌術(shù)后是否會出現(xiàn)肝轉(zhuǎn)移，Jagric和Potrc［17］用7個臨床病理指標(biāo)構(gòu)建ANN用來預(yù)測肝轉(zhuǎn)移，通過最長2，754天的隨訪，得出結(jié)論，人工神經(jīng)網(wǎng)絡(luò)對樣本預(yù)測的敏感性和特異性分別為66.7%和97.1%，作者同時提到，更多的樣本資料和生物學(xué)標(biāo)記會進(jìn)一步提高敏感性。

4 其他

腫瘤的治療以往依據(jù)臨床可評價病灶的大小變化、腫瘤標(biāo)志物的水平波動及影像學(xué)、臨床癥狀等相關(guān)指標(biāo)來評價。而人工神經(jīng)網(wǎng)絡(luò)可以通過大量樣本來研究抗腫瘤藥物的總體療效。

隨著現(xiàn)代計算機應(yīng)用技術(shù)的迅速發(fā)展，人工神經(jīng)網(wǎng)絡(luò)在胃癌領(lǐng)域得到了廣泛應(yīng)用。其準(zhǔn)確率高、綜合性強、非線性分析能力強。但是人工神經(jīng)網(wǎng)絡(luò)較其他統(tǒng)計學(xué)方法對樣本數(shù)量要求較高，樣本數(shù)越多，結(jié)果越準(zhǔn)確。ANN是一種帶有“輔助”兩個關(guān)鍵字的計算機診斷系統(tǒng)，其有效利用是建立在醫(yī)生的謹(jǐn)慎思維及堅實的理論基礎(chǔ)上，臨床醫(yī)師不應(yīng)該固守原有的思想，應(yīng)將現(xiàn)有的網(wǎng)絡(luò)工具很好地應(yīng)用于臨床，為腫瘤的發(fā)展做出很好的貢獻(xiàn)。

［1］Karakitsos P，Pouliakis A，Koutroumbas K，et al.Neural Network Application in the Discrimination of Benign from Malignant Gastric Cells［J］.Anal Quant Cytol Histol，2000，22：63.

［2］Molnar B，Szaleczky E，Pronai L，et al.Quantitative DNA and Morphometric Analysis of Gastroscopic Brush Smears by Tv Image Analysis［J］.European Journal of Gastroenterology ＆ Hepatology，2000，12：103.

［3］Cheng CG，Sun GL，Zhang CJ.Early Detection of Gastric Cancer Using Wavelet Feature Extraction and Neural Network Classification of Ft-Ir［J］.Spectroscopy，2007，22：38-42.

［4］Li QB，Li X，Zhang GJ，et al.Application of Probabilistic Neural Networks Method to Gastric Endoscope Samples Diagnosis Based on Ftir Spectroscopy［J］.Guang Pu Xue Yu Guang Pu Fen Xi，2009，29，1553.

［5］Feng F，Wu Y，Nie G，et al.The Effect of Artificial Neural Network Model Combined with Six Tumor Markers in Auxiliary［J］.Diagnosis of Lung Cancer，J Med Syst，2011.

［6］呂連華.胃癌血清蛋白質(zhì)指紋人工神經(jīng)網(wǎng)絡(luò)診斷模型的初步研究［N］.中華醫(yī)學(xué)會第七次全國檢驗醫(yī)學(xué)學(xué)術(shù)會議資料匯編，2008年.

［7］姜 曼.應(yīng)用蛋白質(zhì)芯片與人工神經(jīng)網(wǎng)絡(luò)建立胃癌診斷模型［J］.山東大學(xué)學(xué)報，2009.47（8）：111.

［8］王雪萍.血清腫瘤標(biāo)志物人工神經(jīng)網(wǎng)絡(luò)模型在胃癌診斷中的臨床應(yīng)用［J］.實用醫(yī)學(xué)雜志，2007，23（12）：1821.

［9］Hensler K，Waschulzik T，Monig SP，et al.Quality-Assured Efficient Engineering of Feedforward Neural Networks （Queen）-Pretherapeutic Estimation of Lymph Node Status in Patients with Gastric Carcinoma［J］.MethodsInf Med，2005，44：647.

［10］Lai KC，Chiang HC，Chen WC，et al.Artificial Neural Network-Based Study Can Predict Gastric Cancer Staging［J］.Hepatogastroenterology，2008，55：1859.

［11］Mekicar J，Omejc M.Preoperative Prediction of Lymph Node Status in Gastric Cancer Patients with the Help of Computer A-nalysis［J］.Digestive Surgery，2009，26：256.

［12］Zhang XP，Wang ZL，Tang L，et al.＇Support Vector Machine Model for Diagnosis of Lymph Node Metastasis in Gastric Cancer with Multidetector Computed Tomography：A Preliminary Study＇［J］.Bmc Cancer，2011，11.

［13］E.H.Bollschweiler，S.P.Monig，K.Hensler，et al.Holscher，Artificial Neural Network for Prediction of Lymph Node Metastases in Gastric Cancer：A Phase Ii Diagnostic Study［J］.Annals of Surgical Oncology，2004，11：506.

［14］Amiri Z，Mohammad K，Mahmoudi M，et al.Assessment of Gastric Cancer Survival：Using an Artificial Hierarchical Neural Network［J］.Pak J Biol Sci，2008，11：1076.

［15］Biglarian A，Hajizadeh E，Kazemnejad A，et al.Application of Artificial Neural Network in Predicting the Survival Rate of Gastric Cancer Patients［J］.Iranian Journal of Public Health，2011，40：80.

［16］Mofidi R，Deans C，Duff MD，et al.Paterson Brown，Prediction of Survival from Carcinoma of Oesophagus and Oesophago-Gastric Junction Following Surgical Resection Using an Artificial Neural Network［J］.Eur J Surg Oncol，32（2006），533.

［17］Jagric T，Potrc S.Prediction of Liver Metastases after Gastric Cancer Resection with the Use of Learning Vector Quantization Neural Networks［J］.Dig Dis Sci，55（2010），3252.

1007－4287（2012）07－1340－03

2011－10－17）