肿瘤标记物的模型独立评估和诊断决策支持的逻辑树方法

摘要

单个肿瘤标志物的敏感性和特异性难以满足临床的要求。这一挑战引发了许多努力，例如，结合多种肿瘤标记物和使用机器学习算法。然而，不同研究的结果往往不一致，部分原因是使用了不同的评价标准。此外，由于模型相关验证的广泛应用，在使用复杂模型进行诊断时，数据过拟合的可能性很高。我们提出了两个独立于模型的标准，即曲线下面积(area under the curve, AUC)和Relief，分别评估单个和多个肿瘤标志物的诊断价值。在诊断决策支持方面，我们提出了结合决策树和逻辑回归的逻辑树。在结直肠癌数据集上的应用表明，所提出的评价标准产生的结果与现有知识一致。此外，简单和高度可解释的物流树具有与其他复杂模型竞争的诊断性能。

参考文献

1. H. Özkan, M. Kaya，和A. Cengiz，“胰腺癌中肿瘤标志物CA 242与CA 19-9和癌胚抗原(CEA)的比较”，Hepato-Gastroenterology，第50卷，第1669-1674页，2003。视图:谷歌学术搜索
2. M. Moghimi和I. Ghodosi，“CEA-CA19-9联合应用于胰腺恶性肿瘤患者的临床疗效”，医学科学杂志， vol. 7, pp. 625-629, 2007。视图:谷歌学术搜索
3. 倪新国，白晓芳，毛玉龙，邵艳芳，吴建新，单玉英，“血清CEA、CA19-9和CA242在胰腺癌诊断和预后中的临床价值”，欧洲外科肿瘤学杂志，第31卷，第164-169页，2005。视图:谷歌学术搜索
4. “一种用于多肿瘤标志物并行分析的蛋白质芯片系统及其在肿瘤检测中的应用”，抗癌的研究，第24卷，1159-1165页，2004。视图:谷歌学术搜索
5. L. M. McShane, D. G. Altman, W. Sauerbrei, S. E. Taube, M. Gion，和G. M. Clark，“报告肿瘤标志物预后研究的建议”，临床肿瘤学杂志，第23卷，第9067-9072页，2005。视图:谷歌学术搜索
6. D. Marrelli, S. Caruso, A. Neri, C. Pedrazzani, L. Capuano, M. A. Mazzei et al.，“血清肿瘤标志物在恶性肠阻塞诊断中的临床应用。这是一项前瞻性观察研究，”国际生物标记学杂志，第26卷，58-64页，2011。视图:谷歌学术搜索
7. “血清CA19-9在胆管癌诊断中的应用:与CEA比较，”世界胃肠病学杂志， 2004, vol. 10, pp. 427-432。视图:谷歌学术搜索
8. M. Carpelan-Holmström, J. Louhimo, U. H. Stenman, H. Alfthan, H. Järvinen，和C. Haglund，“估计结直肠癌患者的几种肿瘤标志物的癌症概率，”肿瘤学， 2004年第66卷，第296-302页。视图:谷歌学术搜索
9. “应用分类树和神经网络算法识别血清学肝脏标志物以诊断肝细胞癌，”肿瘤学，第61卷，第275-283页，2001。视图:谷歌学术搜索
10. H. J. Song, Y. S. Kim, K. W. Choi, J. D. Kim, C. Y. Park, E. Lee等，“利用统计学和机器学习构建韩国卵巢癌筛查的生物标志物组合”，应用力学与材料， 2012年，第145卷，229-233页。视图:谷歌学术搜索
11. S. M. Winkler, M. Affenzeller, W. Jacak，和H. Stekel，“使用进化算法识别癌症诊断估计模型:乳腺癌、黑色素瘤和呼吸系统癌症的案例研究，”刊第13届遗传与进化计算年会论文集，第503-510页，ACM, 2011。视图:谷歌学术搜索
12. Winkler*， S. M.， Affenzeller, M.， Kronberger, G.， Kommenda, M.， Wagner, S.， Dorfer, V. et al.“在肿瘤诊断预测中使用估计肿瘤标记物分类——乳腺癌的案例研究”，国际模拟与过程建模杂志．2013年,8:29-41。
13. L. Bottaci, P. J. Drew, J. E. Hartley, M. B. Hadfield, R. Farouk, P. W. R. Lee等，“人工神经网络应用于不同机构的结直肠癌患者的预后预测，”《柳叶刀》，第350卷，第469-472页，1997。视图:谷歌学术搜索
14. R. N. G. Naguib, M. C. Robinson, D. E. Neal，和F. C. Hamdy，“前列腺癌中结合传统和实验预后标志物的神经网络分析:一项初步研究，”英国癌症杂志， 1998年第78卷，第246-250页。视图:谷歌学术搜索
15. 吴勇，吴勇，王军，“一种用于肺癌诊断的最优肿瘤标记物群耦合人工神经网络，”专家系统与应用， vol. 38, pp. 11329-11334, 2011。视图:谷歌学术搜索
16. J. Flores, E. Herrera, G. Leal, M. González, F. Sánchez, A. Rojas等，“基于人工神经网络的血清生物标志物分析提高了肺癌诊断的敏感性”拉丁美洲生物医学工程大会，2011年，第882-885页，施普林格，古巴哈瓦那，2011年5月16-21日。视图:谷歌学术搜索
17. J. M. Flores-Fernández, E. J. Herrera-López, F. Sánchez-Llamas, A. Rojas-Calvillo, P. A. Cabrera-Galeana, G. Leal-Pacheco等，“基于主成分分析和人工神经网络建模的优化多生物标志物检测肺癌面板的开发”，专家系统与应用， vol. 39, pp. 10851-10856, 2012。视图:谷歌学术搜索
18. T. Casas Pina, I. Tovar Zapata, J. Bermejo López, J. Latour Pérez, P. P. Paricio，和P. Martínez Hernández，“肺癌肿瘤标志物:获得分界点和参考人群的方法会影响诊断结果吗?”临床生物化学，第32卷，第467-472页，1999。视图:谷歌学术搜索
19. H. Körner, K. Söreide, P. J. Stokkeland，和J. A. Söreide，“复发性结直肠癌血清-癌胚胎抗原的诊断准确性:接受者工作特征曲线分析，”外科肿瘤学年鉴， 2007, vol. 14, pp. 417-423。视图:谷歌学术搜索
20. H. L. Weiss, S. Niwas, W. E. Grizzle，和C. Piyathilake，“Receiver operating characteristic (ROC) to determine biomarkers of lung cancer patients，”疾病标记，第19卷，273-278页，2003年。视图:谷歌学术搜索
21. 周宏儒。歌,j。严,彭译葶。公园,Y.-S。金,j。CA125与多种标志物组合在卵巢癌早期诊断中的诊断价值比较国际生物科学与技术杂志， 2013年第5期。视图:谷歌学术搜索
22. K. Kira和L. A. Rendell，《特征选择的实用方法》，刊于第九届国际机器学习研讨会论文集，第249-256页，摩根考夫曼出版社，1992年。视图:谷歌学术搜索
23. M. Robnik-Šikonja和I. Kononenko，“救济和救济的理论与实证分析”，机器学习， 2003年第53卷第23-69页。视图:谷歌学术搜索
24. “基于血清肿瘤标记物的结直肠癌诊断的智能决策支持算法”，生物医学的计算机方法和程序，第100卷，第97-107页，2010。视图:谷歌学术搜索
25. R. C. Bast Jr.， P. Ravdin, D. F. Hayes, S. Bates, H. Fritsche Jr.， J. M. Jessup等，“乳腺癌和结直肠癌肿瘤标记物使用建议更新:美国临床肿瘤学会临床实践指南，”临床肿瘤学杂志，第19卷，1865-1878页，2000年。视图:谷歌学术搜索
26. N. Calonge, D. B. Petitti, T. G. DeWitt, A. J. Dietrich, K. D. Gregory, R. Harris等，“结肠直肠癌筛查:美国预防服务工作组建议声明”，内科学年鉴，第149卷，第627-637页，2008。视图:谷歌学术搜索

版权

版权所有©2014 Hindawi出版公司。这是一篇发布在知识共享署名许可协议，允许在任何媒介上不受限制地使用、传播和复制，但必须正确引用原作。