[00931507]肺部肿瘤医学影像联合血清学的检测优化模型

该项目共分为四个部分进行。第一部分，记录并整理纳入研究的164例孤立性肺结节患者(93例恶性肺结节患者，71例良性肺结节患者)的血清学资料，用ELISA法测定164例患者的血清CEA和CYFRA21-1水平，采用全自动免疫分析仪检测CA125、CA199、CA724、SCC、CA153水平，放射免疫分析法测定患者血清NSE水平。然后使用SPSS16.0软件对良性病变组与恶性病变组患者的8项血清学指标进行分析，采用Fisher判别分析法、非条件Logistic回归分析和K-均值聚类分析等方法筛选出与肺结节良恶性灵敏度较高的血清学指标。第二部分，收集所选SPN患者病例的的CT影像学资料，从中提取所有患者CT图片的基本征象数据(包括SPN大小、SPN部位、边界清晰度、毛刺征、分叶征、胸膜凹陷征、血管集束征、淋巴结肿大征、空洞征)。然后对9项影像学特征数据进行赋值，采用Fisher判别分析法与Logistic回归分析方法均筛选出与肺结节良恶性有关的影像学指标。第三部分，综合第一部分和第二部分的研究结果，选择与SPN良恶性判定有关的血清学和影像学变量纳入SVM模型中参与训练。首先将数据分为两组，一组为恶性SPN患者组血清及影像数据，一组为良性SPN患者组样本数据。将第一组和第二类的80%的数据做为训练集，其余的20%的数据作为测试集。训练完成后，将测试集的数据输入模型进行仿真，计算模型的预测准确率，当准确率达到85%以上时，视为该模型可以作为SPN辅助鉴别诊断工具；如果准确率较低，可收集更多的数据，对模型进行二次训练直至准确率上升85%以上。第四部分，根据所建立的模型，保存其训练结果，将模型的算法过程通过软件开发实现。即设计开发一个可操作的软件，将该数学模型编程嵌入软件后台，通过输入并读取某一个SPN病人的血清指标和影像学资料数据，自动判断提示该病例中SPN的良恶性，辅助医生的诊断。项目的关键技术：该项目的关键技术在于第三部分的SVM模型的建立。SVM模型的准确率高低不但取决于样本数的大小，还与训练过程中的参数设置等有关。当模型训练完毕后，需要保存模型中的各个变量，以对测试数据进行仿真。模型被保存后，根据模型中的向量，编程嵌入可操作软件的后台，实现模型自动仿真和对SPN的辅助诊断。