人工神经网络在胃癌中的应用

许 人，石张镇，张文龙，孙延霞

（吉林大学中日联谊医院 血液肿瘤科，吉林 长春 130033）

人工神经网络在胃癌中的应用

许 人，石张镇，张文龙，孙延霞＊

（吉林大学中日联谊医院 血液肿瘤科，吉林 长春 130033）

＊通讯作者

人工神经网络（Artificial Neural Networks，ANNs）是一种模拟生物神经网络结构和功能进行信息处理的方法，通过调整内部大量节点之间相互连接的关系，达到处理信息的目的。人工神经网络已在包括医学在内的多个领域中得到了广泛应用，在疾病诊断及预后判断中的作用也逐渐引起了临床医生的关注。在肿瘤领域，人工神经网络在胃癌中的应用与其在前列腺癌、肠癌、乳腺癌等肿瘤中的应用一样，不断得到了相关专业医疗人员的认可。本文综述了人工神经网络在胃癌诊断、分期及预后等方面的应用研究进展。

1 诊断及鉴别诊断

病理诊断是肿瘤诊断的基础。但病理形态学复杂，诊断是有创性的，不能用于肿瘤的普查及筛查。为了使病理诊断便捷有效，Karakitsos［1］把来源于19例胃癌、19例胃炎及56例胃溃疡患者的胃粘膜5 000个细胞分成两组，对其中1 000个细胞所建的人工神经网络进行训练，训练后对余下的4000例细胞进行分类，结果96%的良性细胞和89%的恶性细胞被正确分类。Molnar［2］等应用电视影像技术，将定量DNA与胃组织形态学刷片等得到的参数应用人工神经网络进行判别分析，其鉴别非肿瘤组织与肿瘤组织的准确率达95%，为胃癌的判断提供了一种相对准确的定量的细胞学方法。Cheng［3］将逆向人工神经网络与基于傅里叶转换的红外线光谱法（Fourier transform-infrared spectroscopy，FTIR）相结合，研究了172对正常及异常新鲜胃组织标本，通过对组织9种形态特征的提取及分析，结果显示其方法对正常、早期胃癌及进展期胃癌的鉴别准确率分别达94.1%，100%及100%。Li［4］对118例胃活检标本（其中35例胃癌、64例胃炎、19例正常胃组织）应用概率型神经网络probabilistic neural network（PNN）分析，其鉴别正常胃组织、胃炎及胃恶性肿瘤的准确率达81.4%，此方法准确率高，且模型训练时间短，适合用做判别分析。

肿瘤发生隐匿，有时临床中是先发现肿瘤转移灶，而判断其细胞来源尤为重要。Feng［5］将人工神经网络的方法与血清癌胚抗原CEA、神经元特异性烯醇化酶NSE、唾液酸SA、Cu／Zn、Ca等6种肿瘤标志物及19个相关参数相结合来鉴别肺癌与胃癌，其敏感性、特异性及准确率分别达到了100%，83.3% 及93.5%。吕连华［6］采用高通量、高灵敏度的SELDI-TOF-MS技术筛选胃癌患者血清的差异表达蛋白，利用人工神经网络建立SELDI蛋白分子诊断模型，并通过比较蛋白组学的方法发现一种灵敏度和特异性均较高的诊断早期胃癌和筛查高危人群的新方法，解决了目前用于胃癌诊断的肿瘤标志物阳性率不高，敏感性、特异性较差等问题，为胃癌的早期诊断、疗效观察和预后判断提供了重要的依据，满足了胃癌患者的需要，为阐明胃癌发病机制提供有价值线索。

姜曼［7］应用血清蛋白质芯片质谱技术结合生物信息学方法筛选胃癌相关标记，结合人工神经网络建立胃癌诊断模型，其特异性为100%（95%的置信区 间 为 94.6%-100.0%），敏 感 性 为 92.0%（88.7%-95.2%），准 确 率 为 95.8% （86.4%-97.5%）。表明血清蛋白质质谱模型结合人工神经网络的方法可以筛选出在胃癌和健康人群中表达有差异的候选生物标记，且可建立敏感性和特异性都很高的诊断模型。

王雪萍［8］用酶联免疫吸附法分别测定69例良性胃病患者和72例胃癌患者血清标本中癌胚抗原（CEA）、糖 类 抗 原 （CA）199、CA242、CA50 和CA724的含量，并用ANN建立5种血清肿瘤标记物诊断 模型，结果 显示 CEA、CA199、CA242、CA50、CA724对胃癌患者诊断的敏感性依次为58.3%、72.2%、77.8%、33.3%、30.6%，特异性依次为89.9%、85.5%、84.1%、89.9%、91.3%，准确性依次为73.8%、78.7%、80.9%、61.0%、60.3%。ANN诊断模型的总敏感性、特异性及准确性分别为88.9%、94.2%、91.5%。这个实验表明用 ANN建立的胃癌多种血清肿瘤标志物ANN模型，在提高诊断敏感性的同时，还保证了较高的特异性，ANN模型对胃癌的早期诊断具有较高的价值。

2 分期

Hensler［9］等应用前向神经网络软件（QUEEN系统）对胃癌患者的淋巴结转移情况进行术前预测，其准确率为72.73%，较日本东京国立肿瘤中心建立的Maruyama诊断系统灵敏度高10%，特异性高18%。表明QUEEN系统是人工神经网络的发展方向，其用于胃癌淋巴结转移的预测，可使胃外科手术计划更有意义。

Lai，K［10］用人工神经网络技术术前预测胃癌的分期。具体是随机选择121个新发现的原发性胃癌患者，采集临床资料和病理结果对候选基因进行评估。与肿瘤分期相关的最重要的因素是年龄、基因P21、IL-1、IL-4和P53，根据这几个因素术前预测胃癌分期的准确性为81.82%，表明使用临床数据集建立的人工神经网络是一个很有前途的预测人类胃癌分期的方法。Lai［10］Mekicar和 Omejc［11］等综合影像学信息、前哨淋巴结活检结果、肿瘤的分子或遗传学标记物等指标应用计算机建模，用来预测有无淋巴结转移，其预测的准确率在N0／N1组为86%（敏感性91%，特异性79%），在N1／N2组准确率为89% （敏感性87%，特异性90%）。Zhang［12］应用人工神经网络分析反应胃癌生物学行为的MSCT影像学信息（包括癌肿浆膜浸润、大体类型、最大径线、厚度、强化方式、淋巴结数目、分站、最大淋巴结短径等指标）进行分析，建立了胃癌淋巴结转移判断模型，其敏感度为88.5%，特异度为78.5%，受试者特征曲线（ROC）下面积AUC值为0.876。效能明显优于单纯根据淋巴结大小来判断有无转移。

淋巴结状态决定临床分期，分期决定治疗。Bollschweiler［13］等在一项Ⅱ期诊断研究中，以来源于东京国家癌症中心的4302个病人的信息为基础，对135例行D2式胃大部切除术的病人的淋巴结转移情况进行了预测，以对比神经网络与Maruyama计算机程序（MCP系统）预测胃癌淋巴结转移的能力。ANN-1（根据肿瘤大体类型、T分期、肿瘤大小和位置建立的分析软件）对是否淋巴结转移（N＋或N0）的预测准确率为79%，对每一个淋巴结组的淋巴结转移的预测价值为：ANN-1为64-86%；MCP为42-70%。其通过使用另一个附加的转移参数在第3个淋巴结组作为前哨淋巴结，其ANN准确率为93%。这就可以解决胃癌患者淋巴结扩大切除的争议及淋巴结转移预测的难题。

3 预后

肿瘤的预后以往是依据肿瘤的临床分期、原发肿瘤大小、病理类型、浸润深度、有无淋巴结及远处转移等来综合评估。由于影响预后的因素较多，难以全方位、较准确的评估预后。人工神经网络由于其非线性、并行处理等优势，在应用于肿瘤患者预后的预测方面，较其他统计学方法及单因素分析法更为准确，加之可以多因素分析，其发展有很大的空间。

Amiri［14］等 比 较 了 ANN 和 Kaplan-Meier及Cox proportional hazards模型在胃癌术后生存时间判断中的作用，发现ANN的预测准确率更高。Biglarian［15］等在436例胃癌术后患者判断预后方面，ANN与COX相比，ANN预测生存时间的准确率为83.1%，而 COX方法为75.0%。Mofidi［16］应用ANN预测食管癌及食管贲门联合处肿瘤患者的术后生存期，神经网络方法预测淋巴结分期的准确率为82.6%，而Weibull方法预测淋巴结分期的准确率为75.7%。

为了能预测胃癌术后是否会出现肝转移，Jagric和Potrc［17］用7个临床病理指标构建ANN用来预测肝转移，通过最长2，754天的随访，得出结论，人工神经网络对样本预测的敏感性和特异性分别为66.7%和97.1%，作者同时提到，更多的样本资料和生物学标记会进一步提高敏感性。

4 其他

肿瘤的治疗以往依据临床可评价病灶的大小变化、肿瘤标志物的水平波动及影像学、临床症状等相关指标来评价。而人工神经网络可以通过大量样本来研究抗肿瘤药物的总体疗效。

随着现代计算机应用技术的迅速发展，人工神经网络在胃癌领域得到了广泛应用。其准确率高、综合性强、非线性分析能力强。但是人工神经网络较其他统计学方法对样本数量要求较高，样本数越多，结果越准确。ANN是一种带有“辅助”两个关键字的计算机诊断系统，其有效利用是建立在医生的谨慎思维及坚实的理论基础上，临床医师不应该固守原有的思想，应将现有的网络工具很好地应用于临床，为肿瘤的发展做出很好的贡献。

［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］吕连华.胃癌血清蛋白质指纹人工神经网络诊断模型的初步研究［N］.中华医学会第七次全国检验医学学术会议资料汇编，2008年.

［7］姜 曼.应用蛋白质芯片与人工神经网络建立胃癌诊断模型［J］.山东大学学报，2009.47（8）：111.

［8］王雪萍.血清肿瘤标志物人工神经网络模型在胃癌诊断中的临床应用［J］.实用医学杂志，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）