论文部分内容阅读
研究目的：肝细胞癌（Hepatocellular carcinoma, HCC）是较为常见的恶性肿瘤，是肿瘤相关性死亡的重要原因之一。然而，随着影像学诊断技术的提高，越来越多的肝细胞癌高危患者（例如患有乙肝或丙肝）开始进行规律性体检，早期肝癌的诊断率有了明显上升。早期肝癌在不同的危险因素存在下其预后显示出明显的差异。这些因素的相互作用极其复杂且并非线性作用模式，因而我们通常使用的传统的线性预测模型和现有的预后分期系统评估准确度不高。人工神经网络（artificial neural network, ANN）是对人脑或自然神经网络若干基本特性的抽象和模拟，是一种非线性的、具有学习和验证功能的网络模型。本研究的目的是依据患者的临床病理特点建立ANN模型并预测早期肝癌的预后，对比ANN模型与传统线性模型（logistic regression model and Coxproportional hazard model）和其他应用广泛的预后分期系统（TNM分期、BCLC分期、IHPBA分期、Vauthey分期）对于早期肝癌的预测效能。本研究中，早期肝癌定义为符合米兰标准（Milan Criteria）的患者。研究方法：1.病例资料我们研究分析第二军医大学附属东方肝胆外科医院（EHBH）2000年2月至2008年3月行肝切除术的原发性肝癌患者，经过排除标准后筛选后，共725例符合米兰标准的患者纳入研究。同时，我们以相同标准筛取了同时期福建医科大学第一附属医院104例患者作为外部验证组。2.手术方式手术均为根治性肝切除术，其标准为：所有肿块均已完整切除；术中超声证实无肿瘤残余；组织学检查切缘阴性；术前升高的AFP水平术后2个月降至正常；术后2个月内影像学检查未见肝内新发病灶。3.随访所有病例术后均进行标准化随访。随访终点时间为2011年5月1日，中位随访时间为42.5（2.1-135.6）个月。4.统计方法ANN的建立和数据处理采用NeuroSolution Version6.0(Neurodimension, Florida,USA)。肿瘤大小和AFP界限值的选择、ANN训练组与验证组的预测能力检测、Logistic和COX模型的检验均依赖于受试者工作特征曲线（ROC）。研究结果：1.临床病例特征本研究中来自EHBH的725例患者中，631例为男性患者，94例为女性患者，各自比例分别为87%和13%。患者年龄范围为10到78岁，中位年龄为50.7+10.65岁。ANN模型建立的同时，患者被随机分为训练组（543例75%）和验证组（182例25%）。加上外部验证组的104例患者，三组病例经统计学分析显示各临床病理特点无明显差异。2.单因素和多因素分析Logistic回归多因素分析显示肿瘤大小（OR:2.2644, P=0.0007），是否多发（OR：1.7654，P=0.0066），是否存在MVI（OR:2.6937, P <0.0001），AFP水平（OR:1.7618, P=0.0059）以及包膜是否完整（OR：1.7407，P=0.0069）均为影响早期肝癌5年生存的独立危险因素。Cox回归显示了相似的结果。3.人工神经网络模型的建立ANN通常由输入层、输出层和若干隐层组成。每一层包含若干个神经元，后一层每一输入是前一层每个神经元的输出的总的连接强度的总和。我们以logistic单因素分析的危险因素作为输入层，与Cox模型比较时加入生存时间作为协变量，训练并进一步验证ANN模型。4.人工神经网络模型与logistic和Cox模型对于早期肝癌预测效能比较利用ROC曲线下面积（AUC）对ANN模型和Logistic回归模型的预测能力进行比较，结果显示：ANN（0.784），高于Logistic（0.758），且二者差异具有统计学意义（P=0.0009）。与COX模型比较，ANN（0.855），高于Cox（0.826），且二者差异有统计学意义（P=0.0115）。5.人工神经网络与其他肝癌分期系统对于早期肝癌预测效能比较利用ROC曲线下面积（AUC）进行比较，结果显示：ANN（0.784），IHPBA（0.711），TNM（0.639），Vauthey（0.639），BCLC（0.612），6. ANN模型预测效能的验证无论是在内部验证组还是外部验证组中，ANN模型对于早期肝癌的预测能力均优于logistic和Cox模型。同时，相比于现有的肝癌分期系统，ANN亦表现出相当的优势。研究结论：经过验证组验证，人工神经网络模型在预测早期肝癌预后方面优于传统的线性模型和肝癌分期系统。