基于人工神经网络的卵巢肿物术前诊断

发布时间：2020-11-15 23:39

　　 背景和目的卵巢肿物是妇科常见疾病,在各年龄段均可发病且组织类型繁多,但目前仍缺乏有效普查和早期诊断方法,多数卵巢恶性肿瘤患者就诊时已属晚期,治疗效果及预后均极差,其病死率更是居妇科肿瘤首位。早期卵巢恶性肿瘤患者多因健康查体行妇科彩超显示卵巢肿物而就诊,在缺乏明确术前诊断的前提下,行开腹或腹腔镜探查下卵巢肿物剥除或患侧附件切除,经快速病理诊断后再决定最终手术方式。然而随着人们对卵巢各类型疾病的发展、转移规律认识的不断深入,各种卵巢肿瘤的治疗模式逐渐趋向个人化,患者和临床医师都追求准确性更高的术前诊断。通过更有针对性的术前谈话使患者在术前对自身疾病充分的了解,从而更好的决定拟行手术方式。提高卵巢肿物术前诊断准确性不仅能优化诊疗模式、增加患者对临床医师的信任感,更重要的是减少因拟行手术方案的选择偏差而造成的手术创伤,从而提高患者的预后。为避免临床医师在术前诊断上的主观性和思维定势,近年来,人工神经网络被广泛应用于构建各类疾病的预测模型,但国内目前尚无基于人工神经网络卵巢肿物术前诊断模型的相关文献报道。本研究旨在联合卵巢肿物患者的年龄、产次、绝经情况、临床症状、血清肿瘤标志和盆腔B超特征建立卵巢肿物术前诊断的BP人工神经网络及Logistics回归模型,探讨人工神经网络应用于辅助术前诊断的可行性。方法1.对2016年1月至2018年9月于山东省立医院妇科住院的382名卵巢肿物患者住院病历资料进行回顾性数据收集,用spss 25对数据进行描述性分析及单因素分析。2.使用python语言在python3.7.3环境下分别建立单独联合4种肿瘤标志(CA125、CA199、HE4、ROMA指数)的诊断卵巢良性-交界性-恶性肿瘤的Logistics回归模型(Logisticl)和BP神经网络模型(BP-ANN1)及联合年龄、产次、绝经情况、临床症状、血清肿瘤标志和盆腔B超特征等多因素诊断卵巢良性-交界性-恶性肿瘤的Logistics回归模型(Logistic2)和BP神经网络模型(BP-ANN2)。3.画出Logisticl、BP-ANN1、Logistic2、BP-ANN2模型的ROC曲线并对比曲线下面积,分析各模型对卵巢良性肿瘤及非肿瘤包块、卵巢交界性肿瘤、卵巢恶性肿瘤的诊断效能。结果对于卵巢良性肿瘤及非肿瘤包块、卵巢交界性肿瘤、卵巢恶性肿瘤各诊断模型的AUC值:BP-ANN2logistic2及BP-ANNllogisticl,BP-ANN2BP-ANN1及logistic2logisticl。BP-ANN2在三种病例类型诊断中AUC值均大于0.9。结论1.人工神经网络联合患者年龄、产次,临床症状(包括腹胀,腹痛,阴道流血,痛经史,绝经情况),4项肿瘤标志(CA125,CA199,HE4,ROMA指数)、盆腔B超下包块的单双侧发生、包块最大径,包块边界是否清晰,包块回声情况(囊性、混合性或实性),有无血流信号、分隔,有无腹水建立的模型对卵巢肿物良性、交界性、恶性的预测准确性优于单独联合肿瘤标志检测,并且对卵巢良性、交界性、恶性肿物均具有较高诊断准确性。2.人工神经网络模型对卵巢良性、交界性、恶性肿物的诊断准确性优于Logistics回归模型,且比logistics回归模型更适用于临床数据的分析。
【学位单位】：山东大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：R737.31
【部分图文】：

图１．１（ｂ）年龄箱形图?图１．１（ｃ）年龄ＱＱ－Ｐｌｏｔ图??箱形图中矩形箱子左端表示分布的第２５个百分位数为２９，右端??表示分布的第７５个百分位数为５５，左右两端的距离称为四分位距??（ＩｎｔｅｒＱｕａｒｔｉｌｅ?Ｒａｎｇｅ，?ＩＱＲ）。箱子的中部有一条纵线，表示分??布的中位数，也就是分布的第５０个百分位数为４３。从矩形箱两端作??平行于横轴的线至向外延伸１．?５倍ＩＱＲ的位置，因极值在此区间内，??于极值处做端线。图１．１（ｂ）示年龄变量中无离群值。??Ｑ?Ｑ?－?Ｐ１?〇?ｔ图中直线由四分之一分位点和四分之三分位点这两点??确定，如果数据服从正态分布，生成的散点会很好依附在直线上。??１０??

年龄??图１．１（ａ）年龄频数分布直方图??１００??８０??年龄Ｉ＾?：——Ｉ?ｓ６０??匕丄：二?４０?／??２０??０????０?２〇?４〇?６〇?８〇?１００?｜?＿２?‘正态值?２?４??图１．１（ｂ）年龄箱形图?图１．１（ｃ）年龄ＱＱ－Ｐｌｏｔ图??

图１．２（ｂ）产次箱形图?图１．２（ｃ）产次ＱＱ－Ｐｌｏｔ图??图１．?２（ｂ）示产次变量中存在两个离群值，图１．?２（ｃ）示产次变量??不服从正态分布。??３）临床症状??１１??
【相似文献】

相关期刊论文 前10条

1 王志军;;人工神经网络在轧钢中的应用综述[J];上海工程技术大学学报;2018年04期

2 魏晓丹;;人工神经网络在自动化领域的应用[J];科技风;2019年15期

3 杜秉航;;人工神经网络初探[J];科技传播;2018年02期

4 宋子航;;深度学习技术及其在医疗领域中的应用[J];科技传播;2018年12期

5 彭驿茹;;人工神经网络发展历史与训练算法概述[J];科技传播;2018年21期

6 马卫东;;电气控制线路和人工神经网络关系初探[J];电子世界;2017年02期

7 宋泓阳;孙晓岩;项曙光;;人工神经网络在化工过程中的应用进展[J];化工进展;2016年12期

8 宋雨濛;;基于3s的人工神经网络模型在地质灾害危险性评价中的应用[J];报刊荟萃;2017年04期

9 ;青春IN词[J];青春期健康;2017年09期

10 郑昱;陶倩楠;;人工神经网络在未来深空探测中的应用[J];太空探索;2017年08期

相关博士学位论文 前10条

1 Han Qiang;[D];山东大学;2005年

2 刘怀喜;复合材料飞轮的损伤与断裂的声发射研究[D];武汉理工大学;2005年

3 白艳萍;人工神经网络在组合优化与信息处理中的应用[D];中北大学;2005年

4 张治国;人工神经网络及其在地学中的应用研究[D];吉林大学;2006年

5 窦英;人工神经网络—近红外光谱法用于药物无损非破坏定量分析的研究[D];吉林大学;2006年

6 董学育;基于人工神经网络的故障诊断方法在电站中的应用研究[D];东南大学;2001年

7 高瑞忠;加速遗传算法和自适应人工神经网络模型在地下水系统计算中的应用研究[D];内蒙古农业大学;2006年

8 曾文;人工神经网络的映射能力及其在空间物理中的应用[D];中国科学院研究生院（武汉物理与数学研究所）;1999年

9 阚丹锋;人工神经网络在化工物性定量预测中的应用研究[D];北京化工大学;1992年

10 符东旭;跳汰机人工神经网络控制技术研究[D];太原理工大学;2008年

相关硕士学位论文 前10条

1 李慧;基于人工神经网络的卵巢肿物术前诊断[D];山东大学;2019年

2 葛阳洋;数模混合突触及神经元电路的设计与实现[D];中国科学技术大学;2019年

3 王晨;基于人工神经网络的空气颗粒物浓度预测模型[D];浙江工业大学;2018年

4 郦丁浩;基于人工神经网络的MPPT算法研究[D];浙江工业大学;2018年

5 李斐;人工神经网络及遗传算法预测流动沸腾传热系数[D];兰州大学;2019年

6 陈鑫;紫外—可见光谱法快速检测牛奶菌群总数研究[D];哈尔滨理工大学;2018年

7 袁超;基于混沌鲸鱼群优化人工神经网络的短期电力负荷预测[D];华北电力大学;2018年

8 潘娟;基于PCA-PSO-KELM模型的医疗辅助诊断方法研究[D];浙江工业大学;2017年

9 KASSIMU JUMA;基于主成分分析和人工神经网络图像处理方法的肺结节检测和分析[D];东北大学;2017年

10 莫静玲;基于人工神经网络的房地产精准营销沙漏模型研究[D];广西大学;2018年

本文编号：2885347