Application of Logistic Regression and Artificial Neural Networks in the Differential Diagnosis of LC-MPE
-
摘要:
目的 应用Logistic回归分析方法和人工神经网络（artificial neural network，ANN）技术，评估血清（serum，S-）和胸腔积液（pleural effusion，P-）中的癌胚抗原（CEA）、铁蛋白（FRT）、神经元特异性稀醇化酶（NSE）、鳞状细胞癌相关抗原（SCC）、糖类抗原50（CA50）、糖类抗原125（CA125）和细胞角蛋白19片段（CY21-1）在鉴别肺癌性胸腔积液（malignant pleural effusion of lung cancer，LC-MPE）与良性胸腔积液（benign pleural effusion，BPE）中的应用价值，建立通过肿瘤标志物诊断LC-MPE的诊断模型。 方法 对临床初诊的LC-MPE和BPE患者的血清和胸腔积液肿瘤标志物结果进行分析，应用Logistic回归分析和ANN技术分别建立诊断LC-MPE的诊断模型。 结果 S-NSE、S-CY21-1、P-CEA和P-NSE4项指标被筛选出并用于建模，研究建立的诊断LC-MPE的Logistic回归模型的灵敏度为93.23%，特异度为97.46%，ROC曲线下面积为0.992。建立的ANN模型的灵敏度为95.35%，特异度为97.22%，ROC曲线下面积为0.990 （P < 0.05）。 结论 在通过肿瘤标志物诊断LC-MPE方面，建立的Logistic回归模型和ANN模型均有较好的诊断性能，上述2个模型均可辅助临床医生提高诊断准确率。 Abstract:Objectives To evaluate the application value of carcinoembryonic antigen （CEA）, ferritin （FRT）, neuron-specific enolase （NSE）, squamous cell carcinoma-related antigen （SCC）, carbohydrate antigen 50 （CA50）, carbohydrate antigen 125 （CA125）, and cytokeratin 19 fragment （CY21-1） in serum （S-） and pleural effusion （P-） for differentiating malignant pleural effusion of lung cancer （LC-MPE） from benign pleural effusion （BPE）. We aim to establish a diagnostic model for LC-MPE using tumor markers and analyze the data using logistic regression and artificial neural network （ANN） techniques. Methods The serum and pleural effusion tumor marker results of patients with newly diagnosed LC-MPE and BPE were analyzed, and diagnostic models for LC-MPE were established using Logistic regression analysis and ANN technology. Results The indicators S-NSE, S-CY21-1, P-CEA, and P-NSE were selected and used for modeling. The Logistic regression model for diagnosing LC-MPE established in this study had a sensitivity of 93.23% and a specificity of 97.46%, with an area under the ROC curve of 0.992. The established ANN model had a sensitivity of 95.35%, a specificity of 97.22%, and an area under the ROC curve of 0.990 （P < 0.05）. Conclusions In diagnosing LC-MPE through tumor markers, both the Logistic regression model and the ANN model established in this study showed good diagnostic efficacy. These two models can assist clinicians in improving diagnostic accuracy. -
Key words:
- Pleural effusion /
- Artificial neural network /
- Tumor markers /
- Lung cancer /
- Diagnostic model
-
胸腔积液待查在临床中较为常见，因其产生原因较多，病因复杂，对其有效鉴别一直是较为棘手的难题[1−2]。多项研究报道，引起渗出性胸腔积液最多见的原因为肺癌、结核和肺炎[3−5]。疾病的良恶性决定着致病机理、治疗方案及预后转归。及早明确诊断、采取针对性治疗对患者具有重要的临床意义[6]。目前，关于肿瘤标志物与肺癌性胸腔积液（malignant pleural effusion associated with lung cancer，LC-MPE）及良性胸腔积液（benign pleural effusion，BPE）鉴别诊断的相关性研究较多，但多为1个或几个指标的逐项经验性总结，且多局限于血清肿瘤标志物，缺乏胸腔积液多指标的、量化的系统研究。本研究试图运用Logistic回归分析和人工神经网络（artificial neural network，ANN）方法，对血清和胸腔积液共计14项肿瘤标志物进行多指标研究，建立诊断模型，提高肿瘤标志物对LC-MPE的诊断准确率。
1. 资料与方法
1.1 研究对象
研究对象来源于2020年08月至2023年02月期间唐都医院胸腔外科和呼吸科收治的不明原因胸腔积液患者。纳入标准：（1）出院最终诊断明确，符合胸腔积液诊断标准[7]；（2）均为PE初诊患者，尚未采取任何针对性治疗；（3）无严重肝、肾、心功能异常；（4）未合并其它部位肿瘤；（5）临床资料完整。 排除标准：（1）过往肿瘤病史或结核病史；（2）淋巴管阻塞；（3）伴严重肝、肾、心疾病；（4）临床资料不完善。诊断经由临床症状、影像学检查、实验室检查并最终由组织或胸水病理学或试验性诊断确诊，筛选出临床资料完备的251例胸腔积液患者。251例患者中，LC-MPE组133例（肺腺癌106例，肺鳞状细胞癌15例，肺小细胞癌12例），女性56例，男性77例，平均年龄（64.06±10.84）岁；BPE组118例（结核性胸腔积液77例，肺炎性胸腔积液41例），女性37例，男性81例，平均年龄（62.51±12.81）岁。性别和年龄差异无统计学意义（P > 0.05），见表1。本项研究取得了唐都医院伦理委员会的批准，并获得了受试者知情同意的豁免（TDLL-20170924）。
表 1 2组胸腔积液患者基本资料[n（%）]Table 1. Basic characteristics of patients with pleural effusion in 2 groups [n（%）]指标 LC-MPE组
（n=133）BPE组
（n=118）χ2/t P 性别 3.098 0.078 男 77（57.90） 81（68.64） 女 56（42.10） 37（31.36） 年龄 1.029 0.305 （岁） 37～88 35～89 （$\bar x \pm s $） 64.06±10.84 62.51±12.81 1.2 标本收集及检测
血清和胸腔积液肿瘤标志物结果的收集均在初次诊断时。样本要求新鲜、足量，留取后立即送检。血清和胸腔积液中的肿瘤标志物均包括癌胚抗原（CEA）、铁蛋白（FRT）、神经元特异性稀醇化酶（NSE）、鳞状细胞癌相关抗原（SCC）、糖类抗原50（CA50）、糖类抗原125（CA125）和细胞角蛋白19片段（CY21-1），共计7种14项指标。为了以下内容表述方便，特将血清肿瘤标志物记为“S-”，胸腔积液肿瘤标志物记为“P-”。2种标本类型的肿瘤标志物检测均采用电化学发光法法，仪器采用德国罗氏E-601型电化学发光自动分析仪，试剂为德国罗氏配套产品，操作严格按照标准程序进行。
1.3 统计学处理
采用IBM SPSS软件18.0进行分析，2组间的性别比例比较采用χ2检验，年龄以均数±标准差（$\bar x \pm s $）表示并采用The Student’s t-test，肿瘤标志物数据以中位数和四分位数间距表示并进行Nonparametric Mann-Whitney U test；P < 0.05为差异具有统计学意义。以胸腔积液类型为因变量，以2组间差异有统计学意义的肿瘤标志物指标为协变量，应用二元Logistic多因素回归分析，采用“逐步法”筛选出对构建模型具有统计学意义的指标，构建诊断LC-MPE的Logistic诊断模型。同时将上述筛选出的指标作为输入端，胸腔积液类型作为输出端，在此基础上构建肿瘤标志物指标数据库，随机选取其中的172例构成测试集（96例MPE，76例BPE），其余的79例构成验证集（37例MPE，42例BPE），建立ANN诊断模型。
2. 结果
2.1 肿瘤标志物在2组中的检测结果比较
为了明确血清和胸腔积液共计7种14项肿瘤标志物指标在LC-MPE组和BPE组间的水平差异，本研究分别对各指标进行了非参数检验，结果发现仅有血清和胸腔积液中SCC两项指标在2组间无统计学意义（P > 0.05），其它12项指标结果比较，差异均有统计学意义（P < 0.05），见表2。
表 2 各单项肿瘤标志物在两组中的结果比较[M（P25，P75）]Table 2. Comparison of results for individual tumor markers between the two groups [M（P25，P75）]指标 LC-MPE组（n=133） BPE组（n=118） Z P S-CEA （ng/mL） 9.70 （3.64，49.01） 1.54 （1.03，2.33） 10.155 <0.001* S-FRT （ng/mL） 179.00 （109.30，307.25） 299.85 （152.93，517.55） 4.443 <0.001* S-NSE （ng/mL） 17.84 （12.86，25.85） 13.79 （10.51，19.21） 4.450 <0.001* S-SCC （ng/mL） 0.48 （0.34，0.65） 0.46 （0.36，0.56） 1.227 0.220 S-CA50 （U/mL） 8.16 （5.16，16.45） 5.44 （3.65，7.99） 4.841 <0.001* S-CA125 （U/mL） 99.89 （47.13，185.30） 76.25 （39.10，127.20） 2.682 0.007* S-CY21-1 （ng/mL） 5.64 （3.21，12.19） 1.83 （1.30，2.62） 10.946 <0.001* P-CEA （ng/mL） 125.90 （13.55，623.90） 1.21 （0.68，1.78） 11.486 <0.001* P-FRT （ng/mL） 1410.00 （883.65，2000.00 ）1138.00 （597.53，2000.00 ）2.414 0.016* P-NSE （ng/mL） 10.67 （5.51，30.69） 5.73 （2.99，10.74） 5.136 <0.001* P-SCC （ng/mL） 0.82 （0.57，1.81） 1.00 （0.65，2.03） 1.428 0.153 P-CA50 （U/mL） 8.39 （3.58，42.95） 3.62 （2.11，5.93） 6.638 <0.001* P-CA125 （U/mL） 965.40 （451.85， 1697.50 ）397.25 （177.90，804.38） 6.056 <0.001* P-CY21-1 （ng/mL） 87.28 （30.16，227.45） 10.23 （5.63，22.34） 10.126 <0.001* *P < 0.05。 2.2 各单项肿瘤标志物指标的诊断性能评价
在初步筛选出2组间差异有统计学意义的12项指标后，本研究利用二元Logistic回归方法对该12项指标逐个进行单因素回归分析以进一步明确各指标的鉴别诊断效能。12项指标中，P-CEA拥有最好的诊断性能，灵敏度、特异度、准确率（π）、约登指数（YI）和曲线下面积（AUC）分别为84.96%、98.31%、91.24%、0.833和0.920；灵敏度、特异度、准确率、YI和AUC最低的指标分别为P-NSE（47.37%）、S-FRT（42.37%）、S-CA125（56.57%）、S-CA125（0.134）和P-FRT（0.587）；同时具备了YI大于0.5且AUC大于0.7的指标有S-CEA、S-CY21-1、P-CEA和P-CY21-1，见表3。
表 3 各单项肿瘤标志物的诊断性能分析Table 3. Analysis of the diagnostic performance of individual tumor markers指标 灵敏度（%） 特异度 （%） 阳性
预测值（%）阴性
预测值（%）准确率（%） 约登指数 AUC P 95%CI S-CEA 75.19 94.92 94.34 77.24 84.46 0.701 0.871 <0.001* 0.826～0.917 S-FRT 81.95 42.37 61.58 67.57 63.35 0.243 0.663 <0.001* 0.595～0.730 S-NSE 57.89 66.10 65.81 58.21 61.75 0.240 0.663 <0.001* 0.596～0.729 S-CA50 51.88 76.27 71.13 58.44 63.35 0.282 0.677 <0.001* 0.612～0.743 S-CA125 54.89 58.47 59.84 53.49 56.57 0.134 0.598 0.007* 0.528～0.668 S-CY21-1 72.93 86.44 85.84 73.91 79.28 0.594 0.900 <0.001* 0.864～0.937 P-CEA 84.96 98.31 98.26 85.29 91.24 0.833 0.920 <0.001* 0.880～0.961 P-FRT 66.17 47.46 58.67 55.45 57.37 0.136 0.587 0.017* 0.516～0.659 P-NSE 47.37 77.97 70.79 56.79 61.75 0.253 0.688 <0.001* 0.623～0.753 P-CA50 56.39 84.75 80.65 63.29 69.72 0.411 0.743 <0.001* 0.682～0.803 P-CA125 58.65 68.64 67.83 59.56 63.35 0.273 0.722 <0.001* 0.660～0.783 P-CY21-1 63.91 89.83 87.63 68.83 76.10 0.537 0.870 <0.001* 0.828～0.913 *P < 0.05。 2.3 构建Logistic回归诊断模型
由于各单项肿瘤标志物指标的诊断性能参差不齐，见表3，为达到灵敏度和特异度的完美统一，进一步提高诊断性能。本研究对该12项指标进行二元Logistic多因素回归分析，为达到指标数量和诊断性能的良好结合，尽量避免各指标间的相互影响，在建模过程中采用“逐步法”。结果显示自变量“S-NSE、S-CY21-1、P-CEA、P-NSE”在Logistic诊断模型建立过程中的作用差异有统计学意义（P < 0.05），其余指标差异无统计学意义（P > 0.05），见表4。将S-NSE、S-CY21-1、P-CEA、P-NSE做为协变量，胸腔积液类型做为因变量，建立的Logistic诊断模型对251例病例进行预测，结果显示：灵敏度、特异度、YI和AUC分别为93.23%、97.46%、0.907和0.992，见表5。
表 4 肿瘤标志物的二元Logistic多因素分析Table 4. Binary Logistic Multivariate Analysis of Tumor Markers指标 β SE Wald P OR 95%CI S-NSE 0.099 0.042 5.627 0.018* 1.104 （1.017～1.197） S-CY211 0.606 0.214 8.048 0.005* 1.833 （1.206～2.787） P-CEA 0.829 0.225 13.577 <0.001* 2.291 （1.474～3.562） P-NSE 0.037 0.017 4.738 0.030* 1.038 （1.004～1.073） 常数 −7.900 1.503 27.645 <0.001* 0.000 − *P < 0.05。“−”表示无数据。 表 5 2种诊断模型的诊断性能比较Table 5. Comparison of diagnostic performance of two diagnostic models诊断模型 灵敏度（%） 特异度（%） 阳性预测值（%） 阴性预测值（%） 约登指数 AUC P 95%CI Logistic 93.23 97.46 97.64 92.74 0.907 0.992 <0.001* 0.986～0.999 ANN-测试集 90.63 98.37 98.31 90.98 0.890 0.992 <0.001* 0.985～0.999 ANN-验证集 95.35 97.22 97.62 94.59 0.926 0.990 <0.001* 0.982～0.998 *P < 0.05。 2.4 构建ANN诊断模型及诊断性能分析
本研究同时将通过二元Logistic多因素回归分析筛选出的S-NSE、S-CY21-1、P-CEA、P-NSE作为协变量输入端，胸腔积液类型作为输出端，随机分出的172例用来训练神经网络，其余的79例作为测试集，建立ANN诊断模型。采用BP（back propagation）神经网络，其拓扑结构包含3层，分别为输入层、隐含层和输出层。输入层神经节点为4个，包括S-NSE、S-CY21-1、P-CEA、P-NSE，采用双曲正切传递函数；输出层神经节点2个，分别对应BPE和LC-MPE，采用Softmax传递函数。应用该模型对测试集样本进行预测，灵敏度、特异度、YI和AUC分别为95.35%、97.22%、0.926和0.990，显示出ANN模型对LC-MPE和BPE有较好的预测概率，见表5和图1。与此同时通过ANN模型的敏感性分析显示了P-CEA和S-CY21-1是构成ANN预测模型的最重要因素。
图 1 Logistic和ANN模型诊断LC-MPE和BPE的ROC曲线Figure 1. The ROC curves of Logistic and ANN model for differential diagnosis of LC-MPE and BPE3. 讨论
胸腔积液作为1种肺癌远处转移的常见并发症，它不仅是独立的危险因素，同时也预示着患者的病情恶化和极低生存率[8]。因此，通过胸腔穿刺，胸膜细胞学或组织学诊断活检和胸腔镜检查鉴别LC-MPE与BPE是临床干预的第一步，也是关键的一步，以便早期干预和适当治疗。但是，许多LC-MPE患者总是有病理及细胞学阴性的不明确诊断。事实上，检测血清和胸腔积液中的肿瘤标志物，有助于对高度怀疑LC-MPE的患者进行正确诊断[9]。然而，由于诊断准确率较低，多在30%至60%徘徊，限制了它们的临床应用价值[10]。因此，选择多项生物标志物并对其联合进而建立诊断模型对LC-MPE的早期检测和预测肺癌的预后至关重要。
本研究共纳入的肿瘤标志物共有7种，对血清和胸腔积液分别检测，共获取14项指标。首先对14项指标进行了2组间的结果比较，发现仅有血清和胸腔积液中的SCC在2组之间无差异。作为抗原糖蛋白，SCC是由鳞癌细胞产生并分泌，多见于子宫鳞癌和肺鳞癌，用于诊断和预后[11]。但Ma Q[12]报道SCC不仅可在鳞癌中升高，而且在一些特殊炎症时同样可以升高，这与本研究结果相符。在对其它12项指标进行逐项诊断性能时发现P-CEA有最高的诊断价值，灵敏度、特异度、准确率、YI和AUC分别为84.96%、98.31%、91.24%、0.833和0.920，原因为癌肿侵及胸膜时，会大量分泌CEA并释放入胸腔积液，因其分子量较大，极难经由胸膜入血，不能像血液中的CEA进入肝脏代谢降解，致使LC-MPE中的CEA远高于血清[13]。CEA在本研究中显示出较好的诊断性能，这与Son[14]的报道相符。与CEA相似的指标还有CY21-1，LC-MPE组中的S-CY21-1和P-CY21-1中位数分别为5.64 ng/mL和87.28 ng/mL，远高于BPE组（1.83 ng/mL和10.23 ng/mL）。并且无论是LC-MPE组还是BPE，胸腔积液中CY21-1含量远远高于血清。Shin等[15]认为目前还没有其他肿瘤标志物能够代替P-CEA进行LC-MPE诊断，P-CEA升高可预测LC-MPE的特异性可大于90.00%，但敏感性相对较低。也有学者对其它指标如CA15-3，CA-125，CA-199，CY21-1进行了评估，但结果均不理想[16]。
近年来，Logistic回归和ANN已在医学领域中得到了广泛应用。Logistic回归是1种经典的统计方法，以输出结果是概率值的形式将因变量与自变量之间的非线性关系转换为线性关系。它不仅用于疾病危险因素的筛选，还具有诊断和预测功能，对定性、半定量、定量的指标均可适用，具有限制条件少，样本量相对低的优点[17−18]。ANN是1种模仿大脑神经元的结构和功能的计算模型，在没有给定的明确编程的情况下学习任务，对输入和输出间复杂的关系进行探索，自动从数据集中抽取函数关系，具有自适应性、高度容错性和非线性综合推理能力，可高效、客观地建立准确的疾病诊断模型[19-20]。Chen[21]利用ANN模型基于基因表达数据对非小细胞肺癌辅助化疗进行分类。Ligor T[22]利用ANN模型对肺癌潜在生物标志物进行选择。本研究将二元Logistic回归和ANN技术进一步应用于血清和胸腔积液肿瘤标志物与胸腔积液类型关系的研究，在预分析的基础上选择可能影响胸腔积液鉴别诊断的S-CEA、S-FRT和P-CEA等12个肿瘤标志物指标，通过二元Logistic回归多因素分析方法筛选出了S-NSE、S-CY21-1、P-CEA和P-NSE共4项指标，以此4项指标为自变量分别建立了Logistic诊断模型和ANN诊断模型。笔者建立此2种模型的灵敏度、特异度、阳性预测值、阴性预测值、YI和AUC分别为93.23% VS 95.35%、97.46% VS 97.22%、97.64% VS 97.62%、92.74% VS 94.59%、0.907 VS 0.920和0.992 VS 0.990，显示出良好的诊断性能。此外通过Logistic模型的OR值和ANN模型的敏感性分析均显示了4项指标中P-CEA和S-CY21-1是构成模型的最重要因素。原因可能为：（1）肺腺癌是肺癌中最易产生胸腔积液且发病率最高的病理类型，而CEA作为肺腺癌相对特异的肿瘤标志物，加上CEA在胸腔积液中相对血清中难降解的特性，使得P-CEA在鉴别诊断LC-MPE和BPE中具有最强的优势；（2）肺鳞癌是产生胸腔积液和发病率仅次于肺腺癌的病理类型，而CY21-1作为肺鳞癌相对特异的肿瘤标志物不具有像CEA在胸腔积液和血清中浓度差别非常明显的特点，并且S-CY21-1的鉴别诊断能力高于P-CY21-1。
综上所述，在鉴别诊断LC-MPE和BPE中，利用Logistic模型和ANN模型联合多项肿瘤标志物指标的方法所具备的诊断效能远高于单项指标，要在尽可能的情况下进行多指标联合诊断，但同时应该看到并不是纳入的指标越多越好，通过Logistic回归从12项指标筛选出S-NSE、S-CY21-1、P-CEA和P-NSE，这4项指标的联合建模具有最高的诊断性能，可辅助临床医生提高诊断准确率。本研究的创新之处在于通过建立Logistic模型和ANN模型，用较少的检验指标实现最大鉴别诊断性能，既节约了医疗成本、减轻了病人经济负担还达到了较高的鉴别诊断准确性。但同时也有一些局限性，如临床中肺腺癌引起的胸腔积液居多，导致本研究中纳入的鳞癌和小细胞癌的样本量有限，在后续研究中，笔者将进一步扩大肺鳞癌和小细胞癌病例校正和完善该模型。
-
图 1 Logistic和ANN模型诊断LC-MPE和BPE的ROC曲线
Figure 1. The ROC curves of Logistic and ANN model for differential diagnosis of LC-MPE and BPE
表 1 2组胸腔积液患者基本资料[n（%）]
Table 1. Basic characteristics of patients with pleural effusion in 2 groups [n（%）]
指标 LC-MPE组
（n=133）BPE组
（n=118）χ2/t P 性别 3.098 0.078 男 77（57.90） 81（68.64） 女 56（42.10） 37（31.36） 年龄 1.029 0.305 （岁） 37～88 35～89 （$\bar x \pm s $） 64.06±10.84 62.51±12.81 
下载: 导出CSV
表 2 各单项肿瘤标志物在两组中的结果比较[M（P25，P75）]
Table 2. Comparison of results for individual tumor markers between the two groups [M（P25，P75）]
指标 LC-MPE组（n=133） BPE组（n=118） Z P S-CEA （ng/mL） 9.70 （3.64，49.01） 1.54 （1.03，2.33） 10.155 <0.001* S-FRT （ng/mL） 179.00 （109.30，307.25） 299.85 （152.93，517.55） 4.443 <0.001* S-NSE （ng/mL） 17.84 （12.86，25.85） 13.79 （10.51，19.21） 4.450 <0.001* S-SCC （ng/mL） 0.48 （0.34，0.65） 0.46 （0.36，0.56） 1.227 0.220 S-CA50 （U/mL） 8.16 （5.16，16.45） 5.44 （3.65，7.99） 4.841 <0.001* S-CA125 （U/mL） 99.89 （47.13，185.30） 76.25 （39.10，127.20） 2.682 0.007* S-CY21-1 （ng/mL） 5.64 （3.21，12.19） 1.83 （1.30，2.62） 10.946 <0.001* P-CEA （ng/mL） 125.90 （13.55，623.90） 1.21 （0.68，1.78） 11.486 <0.001* P-FRT （ng/mL） 1410.00 （883.65，2000.00 ）1138.00 （597.53，2000.00 ）2.414 0.016* P-NSE （ng/mL） 10.67 （5.51，30.69） 5.73 （2.99，10.74） 5.136 <0.001* P-SCC （ng/mL） 0.82 （0.57，1.81） 1.00 （0.65，2.03） 1.428 0.153 P-CA50 （U/mL） 8.39 （3.58，42.95） 3.62 （2.11，5.93） 6.638 <0.001* P-CA125 （U/mL） 965.40 （451.85， 1697.50 ）397.25 （177.90，804.38） 6.056 <0.001* P-CY21-1 （ng/mL） 87.28 （30.16，227.45） 10.23 （5.63，22.34） 10.126 <0.001* *P < 0.05。
下载: 导出CSV
表 3 各单项肿瘤标志物的诊断性能分析
Table 3. Analysis of the diagnostic performance of individual tumor markers
指标 灵敏度（%） 特异度 （%） 阳性
预测值（%）阴性
预测值（%）准确率（%） 约登指数 AUC P 95%CI S-CEA 75.19 94.92 94.34 77.24 84.46 0.701 0.871 <0.001* 0.826～0.917 S-FRT 81.95 42.37 61.58 67.57 63.35 0.243 0.663 <0.001* 0.595～0.730 S-NSE 57.89 66.10 65.81 58.21 61.75 0.240 0.663 <0.001* 0.596～0.729 S-CA50 51.88 76.27 71.13 58.44 63.35 0.282 0.677 <0.001* 0.612～0.743 S-CA125 54.89 58.47 59.84 53.49 56.57 0.134 0.598 0.007* 0.528～0.668 S-CY21-1 72.93 86.44 85.84 73.91 79.28 0.594 0.900 <0.001* 0.864～0.937 P-CEA 84.96 98.31 98.26 85.29 91.24 0.833 0.920 <0.001* 0.880～0.961 P-FRT 66.17 47.46 58.67 55.45 57.37 0.136 0.587 0.017* 0.516～0.659 P-NSE 47.37 77.97 70.79 56.79 61.75 0.253 0.688 <0.001* 0.623～0.753 P-CA50 56.39 84.75 80.65 63.29 69.72 0.411 0.743 <0.001* 0.682～0.803 P-CA125 58.65 68.64 67.83 59.56 63.35 0.273 0.722 <0.001* 0.660～0.783 P-CY21-1 63.91 89.83 87.63 68.83 76.10 0.537 0.870 <0.001* 0.828～0.913 *P < 0.05。
下载: 导出CSV
表 4 肿瘤标志物的二元Logistic多因素分析
Table 4. Binary Logistic Multivariate Analysis of Tumor Markers
指标 β SE Wald P OR 95%CI S-NSE 0.099 0.042 5.627 0.018* 1.104 （1.017～1.197） S-CY211 0.606 0.214 8.048 0.005* 1.833 （1.206～2.787） P-CEA 0.829 0.225 13.577 <0.001* 2.291 （1.474～3.562） P-NSE 0.037 0.017 4.738 0.030* 1.038 （1.004～1.073） 常数 −7.900 1.503 27.645 <0.001* 0.000 − *P < 0.05。“−”表示无数据。
下载: 导出CSV
表 5 2种诊断模型的诊断性能比较
Table 5. Comparison of diagnostic performance of two diagnostic models
诊断模型 灵敏度（%） 特异度（%） 阳性预测值（%） 阴性预测值（%） 约登指数 AUC P 95%CI Logistic 93.23 97.46 97.64 92.74 0.907 0.992 <0.001* 0.986～0.999 ANN-测试集 90.63 98.37 98.31 90.98 0.890 0.992 <0.001* 0.985～0.999 ANN-验证集 95.35 97.22 97.62 94.59 0.926 0.990 <0.001* 0.982～0.998 *P < 0.05。
下载: 导出CSV
-
[1] Kim N Y,Jang B,Gu K M,et al. Differential diagnosis of pleural effusion using machine learning[J]. Ann Am Thorac Soc,2024,21(2):211-217. doi: 10.1513/AnnalsATS.202305-410OC [2] Gonnelli F,Hassan W,Bonifazi M,et al. Malignant pleural effusion: current understanding and therapeutic approach[J]. Respir Res,2024,25(1):47. doi: 10.1186/s12931-024-02684-7 [3] Han Y Q,Yan L,Li P,et al. A study investigating markers in pleural effusion (SIMPLE): A prospective and double-blind diagnostic study[J]. BMJ Open,2019,9(8):e27287. [4] Brun C,Gay P,Cottier M,et al. Comment from the authors: the tests combination in patients with lung cancer and malignant pleural effusion[J]. J Thorac Dis,2019,11(5):E74-E75. doi: 10.21037/jtd.2019.05.27 [5] Liu Q,Yu Y X,Wang X J,et al. Diagnostic accuracy of interleukin-27 between tuberculous pleural effusion and malignant pleural effusion: A meta-analysis[J]. Respiration,2018,95(6):469-477. doi: 10.1159/000486963 [6] Da C L V,Ribeiro-Alves M,Da S C R,et al. Predominance of Th1 immune response in pleural effusion of patients with tuberculosis among other exudative etiologies[J]. J Clin Microbiol,2019,58(1):e919-e927. [7] 中华医学会呼吸病学分会胸膜与纵隔疾病学组. 胸腔积液诊断的中国专家共识[J]. 中华结核和呼吸杂志,2022,45(11):1080-1096. doi: 10.3760/cma.j.cn112147-20220511-00403 [8] Gonnelli F,Hassan W,Bonifazi M,et al. Malignant pleural effusion: Current understanding and therapeutic approach[J]. Respir Res,2024,25(1):1-11. doi: 10.1186/s12931-023-02626-9 [9] Wu Q,Li M,Zhang S,et al. Clinical diagnostic utility of CA 15-3 for the diagnosis of malignant pleural effusion: A meta-analysis[J]. Exp Ther Med,2015,9(1):232-238. doi: 10.3892/etm.2014.2039 [10] Nguyen A H,Miller E J,Wichman C S,et al. Diagnostic value of tumor antigens in malignant pleural effusion: A meta-analysis[J]. Transl Res,2015,166(5):432-439. doi: 10.1016/j.trsl.2015.04.006 [11] Charakorn C,Thadanipon K,Chaijindaratana S,et al. The association between serum squamous cell carcinoma antigen and recurrence and survival of patients with cervical squamous cell carcinoma: A systematic review and meta-analysis[J]. Gynecol Oncol,2018,150(1):190-200. doi: 10.1016/j.ygyno.2018.03.056 [12] Ma Q,Liu W,Jia R,et al. Inflammation-based prognostic system predicts postoperative survival of esophageal carcinoma patients with normal preoperative serum carcinoembryonic antigen and squamous cell carcinoma antigen levels[J]. World J Surg Oncol,2016,141(14):1-6. [13] 李锐成,郜赵伟,董轲,等. 胸腔积液与血清中的癌胚抗原及其比值对结核性与肺癌性胸腔积液的诊断价值[J]. 南方医科大学学报,2019,39(2):175-180. [14] Son S M,Han H S,An J Y,et al. Diagnostic performance of CD66c in lung adenocarcinoma-associated malignant pleural effusion: Comparison with CEA,CA 19-9,and CYFRA 21-1[J]. Pathology,2015,47(2):123-129. doi: 10.1097/PAT.0000000000000215 [15] Shin Y M,Yun J,Lee O J,et al. Diagnostic value of circulating extracellular miR-134,miR-185,and miR-22 Levels in lung adenocarcinoma-associated malignant pleural effusion[J]. Cancer Res Treat,2014,46(2):178-185. doi: 10.4143/crt.2014.46.2.178 [16] Abbas M,Kassim S A,Habib M,et al. Clinical evaluation of serum tumor markers in patients with advanced-stage non-small cell lung cancer treated with palliative chemotherapy in China[J]. Front Oncol,2020,10(6):1-12. [17] Heijnen B J,Bohringer S,Speyer R. Prediction of aspiration in dysphagia using logistic regression: oral intake and self-evaluation[J]. Eur Arch Otorhinolaryngol,2020,277(1):197-205. doi: 10.1007/s00405-019-05687-z [18] Chiou S H,Betensky R A,Balasubramanian R. The missing indicator approach for censored covariates subject to limit of detection in logistic regression models[J]. Ann Epidemiol,2019,38(10):57-64. [19] Teglia C M,Guinez M,Goicoechea H C,et al. Enhancement of multianalyte mass spectrometry detection through response surface optimization by least squares and artificial neural network modelling[J]. J Chromatogr A,2020,1611(40):460613. [20] Yogeswari M K,Dharmalingam K,Mullai P. Implementation of artificial neural network model for continuous hydrogen production using confectionery wastewater[J]. J Environ Manage,2019,252(20):109684. [21] Chen Y C,Chang Y C,Ke W C,et al. Cancer adjuvant chemotherapy strategic classification by artificial neural network with gene expression data: An example for non-small cell lung cancer[J]. J Biomed Inform,2015,56(4):1-7. [22] Ligor T,Pater L,Buszewski B. Application of an artificial neural network model for selection of potential lung cancer biomarkers[J]. J Breath Res,2015,9(2):27106. doi: 10.1088/1752-7155/9/2/027106 -
下载:
点击查看大图
计量
- 文章访问数: 540
- HTML全文浏览量: 317
- PDF下载量: 17
- 被引次数: 0
