胃肠肿瘤标志物诊断大肠癌之检验医学实践

韩声迁

（山东省济南市市中区人民医院，山东 济南 250000）

0 引言

临床床检验科室是医院的一个重要部门，主要负责分析各科室送来检验的标本中的各项指标值，从而提供给医生用于判断病情，为后续治安方案提供科学基础的重要任务。目前检测大肠癌主要会化验CEA（癌胚抗原）、CA19-9（糖链抗原19-9）和CA72-4（糖链抗原72-4）[1-2]。本文对于在诊断患者是否患有大肠癌时，上述三类肿瘤标志物的依据价值进行了深入探讨，以证实检验医学的重要意义。本文由笔者工作的医院患者中进行抽例送检，选择了共326例患者，检验大肠癌肿瘤标志物并进行对比分析，将过程和结果进行如下报道。

1 资料与方法

1.1 一般资料。本文就笔者所在医院于2018年6月1日至2019年6月1日间所收治的住院患者共2002份，按照疾病类别分组，其中排除1122名因复查、无确定诊断和进行肿瘤的后续治疗患者后，对于确诊大肠癌患者进行检验。其中共化验326名患者，由164名男患者和162例女患者组成，患者的年龄区间为35-78岁。另外，检验了各类其他疾病患者和健康人群，具体情况如表1所示。

1.2 方法。针对三组患者予以空腹抽血化验，取3 mL静脉血，用3000rpm离心处理5分钟，再将血清进行体验，检测其中各类物质的含量。使用德国西门子品牌的仪器来检测，因为该全自动电化学发光免疫分析仪的结果高度精确，具有结果误差较小的优点。化验所有的试剂盒是全封闭式，分别是德国西门子分析仪的CA199及CEA。对于数据利用ANN人工神经网络模式进行建模，用N2.01Office插件进行数据诊断。具体步骤如下：

首先，在办公软件Excel中录入全部数据，用CEA与CA199来统计三组患者的信息，同时在模型中用该类数据来用作3个节点搭建输入层；其次，对于训练模型进行强化。把三组患者的各肿瘤标准物用ANN诊断模型进行仿真。在得到范围值之后，在诊断模型中录入检测结果，得出计算值，进行中位值统计，最后进行比较。

1.3 统计学处理。本文患者的数据分析与统计所使用的软件为SPSS，计量材料的结果用（±s）来表达，不同组别的检验用t值表达，当分析结果P＜0.05时显示差异有统计学意义。

表1 患者分组情况

2 结果

在笔者完成了构建人工神经网络模型工作后，得出以下检验结果：本次针对三组患者的胃肠道肿瘤标志物检验分析，发现共有129例患者罹患大肠癌，CEA与CA199的检验结果较健康对照组与其他疾病组患者更高。统计学结果表明，此次研究差异有统计学意义P＜0.05），详见表2。

表2 三组胃肠肿瘤标志物检测结果对比

3 讨论

在众多的恶性肿瘤中，大肠癌较为多见，随着生活方式的改变以及家庭和基因等多类复杂因素的影响，大肠癌逐渐向着年轻化的趋势发展。在临床上，大肠癌的患者多见便血、大便形状改变、大便习惯改变以及肠梗阻等。在当下的临床治疗上，大多利用手术来清除病灶，同时进行放化疗的癌细胞控制。但是，如果想要大肠癌患者能够得到更加有效的治疗，首先需要确定恶性肿瘤细胞中的肿瘤标志物。由检验得出的恶性肿瘤所产生的各类物质，可以体验出患者体验的癌细胞进展情况，这些标志物会在患者的体液、身体组织以及排泄物中存在，检测时需利用化学、生物学以及免疫学手段予以检测化验[3-4]。

在血清因子检验结果中，高分子糖蛋白类癌胚抗原CA72-4和糖抗原CA19-9值若出现升高，多数可能表明患者的消化道肿瘤、胰腺炎几率较大。此二种标志物体现出卵巢癌和胃肠道肿瘤情况，学者们的大量研究结果表明，CA72-4和糖链抗原19-9相比，对于胃癌的诊断前者较后者更为准确。另外，在患者的消化道肿瘤中，CEA会广泛出现，在医学领域，CEA可以用来诊断患者是否罹患胃肠道肿瘤，并且，CEA也可以确诊患者是否患者乳腺疾病，基于种种优势，因此若单独检验CEA，并不足以说明患者是否患者胃肠癌。

在对于患者血清的临床检验工作里，会经常检验CEA、CA19-9以及CA72-4，但是由于检验结果可能会出现不具备明显的特异性和敏感性，所以临床医师常常无法完全根据血清化验结果来诊断。若结合建立人工神经网络模型，可以帮助CEA、CA19-9以及CA72-4更加具有明显的特异性和敏感性，能够更加准确地表达出患者是否患者有消化道的恶性肿瘤。

在检验医学的发展史中，大致经历了以下三个主要阶段：首先，是化验检验阶段，这个阶段主要是对于糖、酶、镁离子、蛋白质、钾离子、钙离子、等进行化验，根据是否出现异常代谢来证实患者是否有恶性肿瘤引起的病变，但化验检验很容易受到各类因素影响，无法准确表达出结果；第二个阶段为免疫学检验，是结合了患者淋巴结构及球蛋白物质以及病原体进行检验，用来证实患者体内是否存在病原体；第三个阶段即基因检测，这种检测方式是用分子生物学的理论与技术，来证实患者体内是否有基本基因突变现象，是否存在基因缺陷情况。如今世界医学手段不断完善，检验水平日趋提升，在我国的临床医学领域中，不断有更多的工作人员开始致力于构建人工神经网络模型，以期用更加科学的手段来为患者的疾病诊断以及后续治疗方案提供科学依据[5-6]。

4 结论

本次实验的对比和统计结果能够表明，构建人工神经网络模型可以更加科学准确地诊断患者是否患者胃肠道恶性肿瘤。对于患者的胃肠道肿瘤标志物进行化验，并将数据进行建模，能够让患者的病情更为明显，可以用更为科学的方式来确诊。在日后临床工作中，应对于人工神经网络模型不断加以完善，可以更加有助于临床工作的开展。

5 问题与展望

人工神经网络模型不止被应用于医学领域，同时，在人工智能、模式识别、非线性科学、生物学等等多个领域均有触及。人工神经网络模型具有良好的诱导、记忆和学习功能，使得人工神经网络模型可以在医学领域被广泛应用和推广。

首先，可帮助发现新的特异性高的标志物。化验患者的肿瘤标志物，不但可以明确病情，同时也决定了日后的治疗方案，如今可以通过很多技术手段来确认肿瘤病灶位置，但是多数是根据基因和进行标记，这种技术手段无法来理解患者体内蛋白质的变化表现出的肿瘤发展情况。对于恶性肿瘤来说，蛋白质水平能够体现出患者的肿瘤发展、转移情况，通过蛋白质组技术，能够将正常组织与癌细胞进行蛋白表达图谱的建立，然后筛选肿瘤标志物，从而用以诊断患者的肿瘤情况。对于患者的肿瘤标志物数据来建模，具有高特异性的优点。

第二，能够通过联合试验来帮助诊断效率提升。通过对于海量各类数据进行挖掘，能够将各类无序、不完整、模糊等数据，快速识别并组合成为方便利用的信息。数据挖掘涵盖了众多学科，例如数理统计、模糊数学、机器学习等等，是一门高科学、高技术的手段。目前在多类数据挖掘的形式中，人工神经网络用于临床诊断胃肠道恶性肿瘤最为明确。

将神经网络模型应用于临床患者的胃肠肿瘤标志物诊断工作有确实的科学及医学依据，有较强的实用价值，值得于临床工作中广泛推广。