| 摘要: |
| 目的探讨6种血清肿瘤标志物联合人工智能算法的联合检测模型在肺癌诊断中的价值。方法回顾性选取2020年1月至2022年12月杭州市肿瘤医院收治的374例肺部疾病患者为研究对象，其中肺癌患者191例（肺癌组），肺良性病变患者183例（良性病变组）。并选取同期本院200名健康体检者为对照组。通过化学发光法检测各组血清神经元特异性烯醇化酶（NSE）、细胞角蛋白19片段（CYFRA21-1）、鳞状上皮细胞癌抗原（SCC）、癌胚抗原（CEA）、糖类抗原19-9（CA19-9）和糖类抗原125（CA125）水平，对这6种血清肿瘤标志物进行肺癌相关性分析与建模重要特征筛选，最终筛选出建模重要特征，纳入后续建模。以7∶3的比例将肺癌组和对照组分为建模队列274例和测试队列117例。通过结合8种不同人工智能算法在建模队列和测试队列中构建8种不同的联合检测模型，选择最优效能的联合检测模型，在整体队列（574例）中测试该模型对肺癌组、早期肺癌组与良性病变组及对照组的诊断效能。结果6种血清肿瘤标志物均可作为建立鉴别肺癌组和对照组模型的重要特征。经过人工智能算法测试队列中筛选出基于随机梯度提升（SGB）算法下的联合检测模型为效能最优的模型。在整体队列中进一步评估该模型的效能，显示鉴别肺癌组与对照组时AUC可达0.874，灵敏度、特异度和准确度分别可达0.789、0.800和0.795。在鉴别早期肺癌组与对照组时，AUC可达0.800，灵敏度、特异度和准确度分别可达0.958、0.525和0.688。在鉴别肺癌组与良性病变组时，AUC仍可保持在0.700。结论6种血清肿瘤标志物联合人工智能算法SGB的联合检测模型在肺癌辅助诊断中有一定的应用价值，可弥补单一肿瘤标志物的不足，提高肺癌的诊断效能。 |
| 关键词: |
| DOI：10.12056/j.issn.1006-2785.2025.47.3.2024-496 |
| 分类号: |
| 基金项目: |
|
|
|
|
| Abstract: |
|
| Key words: |
