前列腺癌人工神经网络诊断模型的应用研究

被引：10

作者：

邱志磊 ^{[1
]}

徐立柱 ^{[1
]}

贾魁 ^{[2
]}

梁鑫 ^{[1
]}

胡伟 ^{[1
]}

郑帅帅 ^{[1
]}

机构：

[1] 青岛市市立医院泌尿外科

[2] 海信集团国家重点实验室

来源：

临床泌尿外科杂志 | 2015年 / 30卷 / 10期

关键词：

前列腺癌; 人工神经网络; 诊断模型;

D O I：

10.13201/j.issn.1001-1420.2015.10.011

中图分类号：

R737.25 [前列腺肿瘤];

学科分类号：

100214 [肿瘤学];

摘要：

目的:结合患者临床信息和前列腺肿瘤标记物进行数据挖掘,建立基于人工神经网络的前列腺癌诊断模型,评估其准确性,并为前列腺癌的临床诊断提供客观的参考信息。方法:回顾分析2010年1月2014年6月在我院就诊的前列腺病患310例,其中前列腺癌组100例,非前列腺癌组210例。患者均接受经直肠前列腺穿刺活检。用210例样本（前列腺癌组70例,非前列腺癌组140例）建立人工神经网络（ANN）模型,并用100例样本（前列腺癌组30例,非前列腺癌组70例）盲法测试和评估此模型。结果:纳入分析的指标有年龄、前列腺特异性抗原（TPSA、FPSA/TPSA、PSAD）、直肠指检、前列腺体积、经直肠超声和前列腺核磁共振结果等,经过反复训练建立的ANN模型对测试样本预测的特异度为80.0%,灵敏度为93.3%。结论:ANN在计算机辅助前列腺癌的诊断,评估患者患有前列腺癌的风险,以及对穿刺检测的指导等方面具有广阔的应用前景。

引用

页码：906 / 909

页数：4

共 7 条

[1]

我国前列腺癌的研究现状 [J].

孙颖浩 .

中华泌尿外科杂志, 2004, (02)

[2]

Echo State Property Linked to an Input: Exploring a Fundamental Characteristic of Recurrent Neural Networks [J].

Manjunath, G. ;

Jaeger, H. .

NEURAL COMPUTATION, 2013, 25 (03) :671-696

[3]

Conventional imaging and Multiparametric Magnetic Resonance (MRI, MRS, DWI, MRP) in the diagnosis of prostate cancer [J].

Panebianco, V. ;

Sciarra, A. ;

Marcantonio, A. ;

Forte, V. ;

Biondi, T. ;

Laghi, A. ;

Catalano, C. .

QUARTERLY JOURNAL OF NUCLEAR MEDICINE AND MOLECULAR IMAGING, 2012, 56 (04) :331-342

[4]

International Variation in Prostate Cancer Incidence and Mortality Rates <ce:link locator="eulogo1"/>.[J].Melissa M. Center;Ahmedin Jemal;Joannie Lortet-Tieulent;Elizabeth Ward;Jacques Ferlay;Otis Brawley;Freddie Bray.European Urology.2012, 6

[5]

Machine learning for improved pathological staging of prostate cancer: A performance comparison on a range of classifiers [J].