發(fā)布時(shí)間：2020-11-15 23:39

　　 背景和目的卵巢腫物是婦科常見(jiàn)疾病,在各年齡段均可發(fā)病且組織類型繁多,但目前仍缺乏有效普查和早期診斷方法,多數(shù)卵巢惡性腫瘤患者就診時(shí)已屬晚期,治療效果及預(yù)后均極差,其病死率更是居?jì)D科腫瘤首位。早期卵巢惡性腫瘤患者多因健康查體行婦科彩超顯示卵巢腫物而就診,在缺乏明確術(shù)前診斷的前提下,行開(kāi)腹或腹腔鏡探查下卵巢腫物剝除或患側(cè)附件切除,經(jīng)快速病理診斷后再?zèng)Q定最終手術(shù)方式。然而隨著人們對(duì)卵巢各類型疾病的發(fā)展、轉(zhuǎn)移規(guī)律認(rèn)識(shí)的不斷深入,各種卵巢腫瘤的治療模式逐漸趨向個(gè)人化,患者和臨床醫(yī)師都追求準(zhǔn)確性更高的術(shù)前診斷。通過(guò)更有針對(duì)性的術(shù)前談話使患者在術(shù)前對(duì)自身疾病充分的了解,從而更好的決定擬行手術(shù)方式。提高卵巢腫物術(shù)前診斷準(zhǔn)確性不僅能優(yōu)化診療模式、增加患者對(duì)臨床醫(yī)師的信任感,更重要的是減少因擬行手術(shù)方案的選擇偏差而造成的手術(shù)創(chuàng)傷,從而提高患者的預(yù)后。為避免臨床醫(yī)師在術(shù)前診斷上的主觀性和思維定勢(shì),近年來(lái),人工神經(jīng)網(wǎng)絡(luò)被廣泛應(yīng)用于構(gòu)建各類疾病的預(yù)測(cè)模型,但國(guó)內(nèi)目前尚無(wú)基于人工神經(jīng)網(wǎng)絡(luò)卵巢腫物術(shù)前診斷模型的相關(guān)文獻(xiàn)報(bào)道。本研究旨在聯(lián)合卵巢腫物患者的年齡、產(chǎn)次、絕經(jīng)情況、臨床癥狀、血清腫瘤標(biāo)志和盆腔B超特征建立卵巢腫物術(shù)前診斷的BP人工神經(jīng)網(wǎng)絡(luò)及Logistics回歸模型,探討人工神經(jīng)網(wǎng)絡(luò)應(yīng)用于輔助術(shù)前診斷的可行性。方法1.對(duì)2016年1月至2018年9月于山東省立醫(yī)院婦科住院的382名卵巢腫物患者住院病歷資料進(jìn)行回顧性數(shù)據(jù)收集,用spss 25對(duì)數(shù)據(jù)進(jìn)行描述性分析及單因素分析。2.使用python語(yǔ)言在python3.7.3環(huán)境下分別建立單獨(dú)聯(lián)合4種腫瘤標(biāo)志(CA125、CA199、HE4、ROMA指數(shù))的診斷卵巢良性-交界性-惡性腫瘤的Logistics回歸模型(Logisticl)和BP神經(jīng)網(wǎng)絡(luò)模型(BP-ANN1)及聯(lián)合年齡、產(chǎn)次、絕經(jīng)情況、臨床癥狀、血清腫瘤標(biāo)志和盆腔B超特征等多因素診斷卵巢良性-交界性-惡性腫瘤的Logistics回歸模型(Logistic2)和BP神經(jīng)網(wǎng)絡(luò)模型(BP-ANN2)。3.畫出Logisticl、BP-ANN1、Logistic2、BP-ANN2模型的ROC曲線并對(duì)比曲線下面積,分析各模型對(duì)卵巢良性腫瘤及非腫瘤包塊、卵巢交界性腫瘤、卵巢惡性腫瘤的診斷效能。結(jié)果對(duì)于卵巢良性腫瘤及非腫瘤包塊、卵巢交界性腫瘤、卵巢惡性腫瘤各診斷模型的AUC值:BP-ANN2logistic2及BP-ANNllogisticl,BP-ANN2BP-ANN1及l(fā)ogistic2logisticl。BP-ANN2在三種病例類型診斷中AUC值均大于0.9。結(jié)論1.人工神經(jīng)網(wǎng)絡(luò)聯(lián)合患者年齡、產(chǎn)次,臨床癥狀(包括腹脹,腹痛,陰道流血,痛經(jīng)史,絕經(jīng)情況),4項(xiàng)腫瘤標(biāo)志(CA125,CA199,HE4,ROMA指數(shù))、盆腔B超下包塊的單雙側(cè)發(fā)生、包塊最大徑,包塊邊界是否清晰,包塊回聲情況(囊性、混合性或?qū)嵭?,有無(wú)血流信號(hào)、分隔,有無(wú)腹水建立的模型對(duì)卵巢腫物良性、交界性、惡性的預(yù)測(cè)準(zhǔn)確性優(yōu)于單獨(dú)聯(lián)合腫瘤標(biāo)志檢測(cè),并且對(duì)卵巢良性、交界性、惡性腫物均具有較高診斷準(zhǔn)確性。2.人工神經(jīng)網(wǎng)絡(luò)模型對(duì)卵巢良性、交界性、惡性腫物的診斷準(zhǔn)確性優(yōu)于Logistics回歸模型,且比logistics回歸模型更適用于臨床數(shù)據(jù)的分析。
【學(xué)位單位】：山東大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位年份】：2019
【中圖分類】：R737.31
【部分圖文】：

圖１．１（ｂ）年齡箱形圖?圖１．１（ｃ）年齡ＱＱ－Ｐｌｏｔ圖??箱形圖中矩形箱子左端表示分布的第２５個(gè)百分位數(shù)為２９，右端??表示分布的第７５個(gè)百分位數(shù)為５５，左右兩端的距離稱為四分位距??（ＩｎｔｅｒＱｕａｒｔｉｌｅ?Ｒａｎｇｅ，?ＩＱＲ）。箱子的中部有一條縱線，表示分??布的中位數(shù)，也就是分布的第５０個(gè)百分位數(shù)為４３。從矩形箱兩端作??平行于橫軸的線至向外延伸１．?５倍ＩＱＲ的位置，因極值在此區(qū)間內(nèi)，??于極值處做端線。圖１．１（ｂ）示年齡變量中無(wú)離群值。??Ｑ?Ｑ?－?Ｐ１?〇?ｔ圖中直線由四分之一分位點(diǎn)和四分之三分位點(diǎn)這兩點(diǎn)??確定，如果數(shù)據(jù)服從正態(tài)分布，生成的散點(diǎn)會(huì)很好依附在直線上。??１０??

年齡??圖１．１（ａ）年齡頻數(shù)分布直方圖??１００??８０??年齡Ｉ＾?：——Ｉ?ｓ６０??匕丄：二?４０?／??２０??０????０?２〇?４〇?６〇?８〇?１００?｜?＿２?‘正態(tài)值?２?４??圖１．１（ｂ）年齡箱形圖?圖１．１（ｃ）年齡ＱＱ－Ｐｌｏｔ圖??

圖１．２（ｂ）產(chǎn)次箱形圖?圖１．２（ｃ）產(chǎn)次ＱＱ－Ｐｌｏｔ圖??圖１．?２（ｂ）示產(chǎn)次變量中存在兩個(gè)離群值，圖１．?２（ｃ）示產(chǎn)次變量??不服從正態(tài)分布。??３）臨床癥狀??１１??
【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 王志軍;;人工神經(jīng)網(wǎng)絡(luò)在軋鋼中的應(yīng)用綜述[J];上海工程技術(shù)大學(xué)學(xué)報(bào);2018年04期

2 魏曉丹;;人工神經(jīng)網(wǎng)絡(luò)在自動(dòng)化領(lǐng)域的應(yīng)用[J];科技風(fēng);2019年15期

3 杜秉航;;人工神經(jīng)網(wǎng)絡(luò)初探[J];科技傳播;2018年02期

4 宋子航;;深度學(xué)習(xí)技術(shù)及其在醫(yī)療領(lǐng)域中的應(yīng)用[J];科技傳播;2018年12期

5 彭驛茹;;人工神經(jīng)網(wǎng)絡(luò)發(fā)展歷史與訓(xùn)練算法概述[J];科技傳播;2018年21期

6 馬衛(wèi)東;;電氣控制線路和人工神經(jīng)網(wǎng)絡(luò)關(guān)系初探[J];電子世界;2017年02期

7 宋泓陽(yáng);孫曉巖;項(xiàng)曙光;;人工神經(jīng)網(wǎng)絡(luò)在化工過(guò)程中的應(yīng)用進(jìn)展[J];化工進(jìn)展;2016年12期

8 宋雨濛;;基于3s的人工神經(jīng)網(wǎng)絡(luò)模型在地質(zhì)災(zāi)害危險(xiǎn)性評(píng)價(jià)中的應(yīng)用[J];報(bào)刊薈萃;2017年04期

9 ;青春IN詞[J];青春期健康;2017年09期

10 鄭昱;陶倩楠;;人工神經(jīng)網(wǎng)絡(luò)在未來(lái)深空探測(cè)中的應(yīng)用[J];太空探索;2017年08期

相關(guān)博士學(xué)位論文 前10條

1 Han Qiang;[D];山東大學(xué);2005年

2 劉懷喜;復(fù)合材料飛輪的損傷與斷裂的聲發(fā)射研究[D];武漢理工大學(xué);2005年

3 白艷萍;人工神經(jīng)網(wǎng)絡(luò)在組合優(yōu)化與信息處理中的應(yīng)用[D];中北大學(xué);2005年

4 張治國(guó);人工神經(jīng)網(wǎng)絡(luò)及其在地學(xué)中的應(yīng)用研究[D];吉林大學(xué);2006年

5 竇英;人工神經(jīng)網(wǎng)絡(luò)—近紅外光譜法用于藥物無(wú)損非破壞定量分析的研究[D];吉林大學(xué);2006年

6 董學(xué)育;基于人工神經(jīng)網(wǎng)絡(luò)的故障診斷方法在電站中的應(yīng)用研究[D];東南大學(xué);2001年

7 高瑞忠;加速遺傳算法和自適應(yīng)人工神經(jīng)網(wǎng)絡(luò)模型在地下水系統(tǒng)計(jì)算中的應(yīng)用研究[D];內(nèi)蒙古農(nóng)業(yè)大學(xué);2006年

8 曾文;人工神經(jīng)網(wǎng)絡(luò)的映射能力及其在空間物理中的應(yīng)用[D];中國(guó)科學(xué)院研究生院（武漢物理與數(shù)學(xué)研究所）;1999年

9 闞丹鋒;人工神經(jīng)網(wǎng)絡(luò)在化工物性定量預(yù)測(cè)中的應(yīng)用研究[D];北京化工大學(xué);1992年

10 符東旭;跳汰機(jī)人工神經(jīng)網(wǎng)絡(luò)控制技術(shù)研究[D];太原理工大學(xué);2008年

相關(guān)碩士學(xué)位論文 前10條

1 李慧;基于人工神經(jīng)網(wǎng)絡(luò)的卵巢腫物術(shù)前診斷[D];山東大學(xué);2019年

2 葛陽(yáng)洋;數(shù)模混合突觸及神經(jīng)元電路的設(shè)計(jì)與實(shí)現(xiàn)[D];中國(guó)科學(xué)技術(shù)大學(xué);2019年

3 王晨;基于人工神經(jīng)網(wǎng)絡(luò)的空氣顆粒物濃度預(yù)測(cè)模型[D];浙江工業(yè)大學(xué);2018年

4 酈丁浩;基于人工神經(jīng)網(wǎng)絡(luò)的MPPT算法研究[D];浙江工業(yè)大學(xué);2018年

5 李斐;人工神經(jīng)網(wǎng)絡(luò)及遺傳算法預(yù)測(cè)流動(dòng)沸騰傳熱系數(shù)[D];蘭州大學(xué);2019年

6 陳鑫;紫外—可見(jiàn)光譜法快速檢測(cè)牛奶菌群總數(shù)研究[D];哈爾濱理工大學(xué);2018年

7 袁超;基于混沌鯨魚群優(yōu)化人工神經(jīng)網(wǎng)絡(luò)的短期電力負(fù)荷預(yù)測(cè)[D];華北電力大學(xué);2018年

8 潘娟;基于PCA-PSO-KELM模型的醫(yī)療輔助診斷方法研究[D];浙江工業(yè)大學(xué);2017年

9 KASSIMU JUMA;基于主成分分析和人工神經(jīng)網(wǎng)絡(luò)圖像處理方法的肺結(jié)節(jié)檢測(cè)和分析[D];東北大學(xué);2017年

10 莫靜玲;基于人工神經(jīng)網(wǎng)絡(luò)的房地產(chǎn)精準(zhǔn)營(yíng)銷沙漏模型研究[D];廣西大學(xué);2018年

本文編號(hào)：2885347