高危型HPV感染状态与子宫颈癌相关危险因素和分子指标的关系及基于机器学习的子宫颈癌筛查效果多指标综合评价
发布时间：2021-01-17 07:33
研究目标分析不同高危型别HPV单一和多重感染状态下子宫颈癌相关危险因素和分子指标的差异,探讨HPV感染状态与子宫颈癌及癌前病变的关系;基于机器学习的方法,利用上述指标构建子宫颈癌筛查综合模型,评价该模型用于子宫颈癌筛查的效果。材料与方法本研究采用以医院为基础的多中心横断面研究设计,2014年4月-2017年8月从7家研究中心入组参加子宫颈癌筛查的正常和轻度病变的妇女,以及医院门诊诊断为子宫颈癌和癌前病变的患者,进行子宫颈癌危险因素问卷调查,并取两份子宫颈脱落细胞标本。第一份标本用棉签拭子采集,用于HPV16/18E6癌蛋白检测;第二份标本用宫颈采样刷收集,放入ThinPrep细胞保存液中,分装后用于薄层液基细胞学检查、高危型HPV DNA检测和p16/Ki-67双染细胞学检查。筛查人群四种检测任意阳性召回进行阴道镜检查并取活检;门诊患者在治疗前取子宫颈标本用于以上四项检测。检测剩余的细胞保存液冻存于超低温冰箱。2016年7月-2017年9月,使用剩余保存液样本进行高危型HPVDNA分型检测、高危型HPVE6/E7mRNA和HPV16/18/45E6/E7mRNA检测。HPVDNA分型检...
【文章来源】：北京协和医学院北京市 211工程院校 985工程院校
【文章页数】：149 页
【学位级别】：博士
【部分图文】：
图1分子指标与子宫颈癌关系示意图
理诊断为金标准，计算以Ｃ１Ｎ２＋作为临床研宄终点的灵敏度、特舁度、阳性预测值??（Ｐｏｓｉｔｉｖｅ?Ｐｒｅｄｉｃｔｉｖｅ?Ｖａｌｕｅ．?ＰＰＶ）、阴性预测ｆｊ’［?（Ｎｅｇａｔｉｖｅ?Ｐｒｅｄｉｃｔｉｖｅ?Ｖａｌｕｅ，?ＮＰＶ）以??及约登指数。采用ｐＲＯＣ包中的ｒｏｃ函数绘制各子宫颈癌相关分子指标关于ＣＩＮ２＋??的受试者工作特征曲线（Ｒｅｃｅｉｖｅｒ?Ｏｐｅｒａｔｉｎｇ?Ｃｈａｒａｃｔｅｒｉｓｔｉｃ?ｃｕｒｖｅ．?ＲＯＣ）并计算指标??的ＲＯＣ曲线下面积（Ａｒｅａ?Ｕｎｄｅｒ?Ｃｕｒｖｅ，?ＡＵＣ），然后通过该程序包中的ｒｏｃ．ｔｅｓｔ函??数比较各ＡＵＣ侦的差异，最ｒ？通过ｇｇｐｌｏｔ２程序乜屮的ｇｇｒｏｃ蚋数将所打ＲＯＣ绘??制到同一阁中。??随机抽取７０％的数据（随机数种子为“６６６”）作为训练集，余下３０％数据作为??验证集，构建机器学模型。采用基础包屮的ｇｌｍ函数，以ＣＩＮ２＋为因变量，通过??训练促屮的数据构建逻組回１丨１校型（ｆａｍｉｌｙ参数选抒ｂｉｎｏｍｉａｌ），然后通过ｐｒｅｄｉｃｔ函??数基于训练集模型对验证集进行预测，采用ｐＲＯＣ包中的ｒｏｃ?Ｐ《｜数绘制预测值的??ＲＯＣ曲线并计算ＡＵＣ值。随后，不改变训练集和验证集中的样本编号，采用??ｒａｎｄｏｍＦｏｒｅｓｔ包中的ｒａｎｄｏｍＦｏｒｅｓｔ困数（随机数种子为“６６６”），以ＣＩＮ２＋为预测??值，在每棵树的每个节点随机抽取５个变量（变量数的开方取整数部分），共生成??５００棵传统决策树（由图２可知决策树数量取值大于４００以后错误率趋于稳定），函??
?ＣＴ?Ｖａｌｕｅ??图３?ＨＰＶ?ＤＮＡ分型检测阳性妇女各型别ＤＮＡ含量人群分布图??本研究１，３５３名ＨＰＶＤＮＡ分型检测阳性妇女各型别ＤＮＡ含量人群分布如图３??所示。ＨＰＶ１６、ＨＰＶ１８、ＨＰＶ４５、ＨＰＶ３３／５８、ＨＰＶ３１，以及?ＨＰＶ５２?的?ＣＴ?值总体上??４５??
【参考文献】：
期刊论文
[1]Cancer incidence and mortality in China, 2014[J]. Wanqing Chen,Kexin Sun,Rongshou Zheng,Hongmei Zeng,Siwei Zhang,Changfa Xia,Zhixun Yang,He Li,Xiaonong Zou,Jie He. Chinese Journal of Cancer Research. 2018(01)
本文编号：2982457
【文章来源】：北京协和医学院北京市 211工程院校 985工程院校
【文章页数】：149 页
【学位级别】：博士
【部分图文】：
图1分子指标与子宫颈癌关系示意图
理诊断为金标准，计算以Ｃ１Ｎ２＋作为临床研宄终点的灵敏度、特舁度、阳性预测值??（Ｐｏｓｉｔｉｖｅ?Ｐｒｅｄｉｃｔｉｖｅ?Ｖａｌｕｅ．?ＰＰＶ）、阴性预测ｆｊ’［?（Ｎｅｇａｔｉｖｅ?Ｐｒｅｄｉｃｔｉｖｅ?Ｖａｌｕｅ，?ＮＰＶ）以??及约登指数。采用ｐＲＯＣ包中的ｒｏｃ函数绘制各子宫颈癌相关分子指标关于ＣＩＮ２＋??的受试者工作特征曲线（Ｒｅｃｅｉｖｅｒ?Ｏｐｅｒａｔｉｎｇ?Ｃｈａｒａｃｔｅｒｉｓｔｉｃ?ｃｕｒｖｅ．?ＲＯＣ）并计算指标??的ＲＯＣ曲线下面积（Ａｒｅａ?Ｕｎｄｅｒ?Ｃｕｒｖｅ，?ＡＵＣ），然后通过该程序包中的ｒｏｃ．ｔｅｓｔ函??数比较各ＡＵＣ侦的差异，最ｒ？通过ｇｇｐｌｏｔ２程序乜屮的ｇｇｒｏｃ蚋数将所打ＲＯＣ绘??制到同一阁中。??随机抽取７０％的数据（随机数种子为“６６６”）作为训练集，余下３０％数据作为??验证集，构建机器学模型。采用基础包屮的ｇｌｍ函数，以ＣＩＮ２＋为因变量，通过??训练促屮的数据构建逻組回１丨１校型（ｆａｍｉｌｙ参数选抒ｂｉｎｏｍｉａｌ），然后通过ｐｒｅｄｉｃｔ函??数基于训练集模型对验证集进行预测，采用ｐＲＯＣ包中的ｒｏｃ?Ｐ《｜数绘制预测值的??ＲＯＣ曲线并计算ＡＵＣ值。随后，不改变训练集和验证集中的样本编号，采用??ｒａｎｄｏｍＦｏｒｅｓｔ包中的ｒａｎｄｏｍＦｏｒｅｓｔ困数（随机数种子为“６６６”），以ＣＩＮ２＋为预测??值，在每棵树的每个节点随机抽取５个变量（变量数的开方取整数部分），共生成??５００棵传统决策树（由图２可知决策树数量取值大于４００以后错误率趋于稳定），函??
?ＣＴ?Ｖａｌｕｅ??图３?ＨＰＶ?ＤＮＡ分型检测阳性妇女各型别ＤＮＡ含量人群分布图??本研究１，３５３名ＨＰＶＤＮＡ分型检测阳性妇女各型别ＤＮＡ含量人群分布如图３??所示。ＨＰＶ１６、ＨＰＶ１８、ＨＰＶ４５、ＨＰＶ３３／５８、ＨＰＶ３１，以及?ＨＰＶ５２?的?ＣＴ?值总体上??４５??
【参考文献】：
期刊论文
[1]Cancer incidence and mortality in China, 2014[J]. Wanqing Chen,Kexin Sun,Rongshou Zheng,Hongmei Zeng,Siwei Zhang,Changfa Xia,Zhixun Yang,He Li,Xiaonong Zou,Jie He. Chinese Journal of Cancer Research. 2018(01)
本文编号：2982457
本文链接：https://www.wllwen.com/yixuelunwen/fuchankeerkelunwen/2982457.html
最近更新
教材专著
