CN109480771B - 一种卵巢肿块良恶的确定方法及确定装置 - Google Patents
一种卵巢肿块良恶的确定方法及确定装置 Download PDFInfo
- Publication number
- CN109480771B CN109480771B CN201811207465.9A CN201811207465A CN109480771B CN 109480771 B CN109480771 B CN 109480771B CN 201811207465 A CN201811207465 A CN 201811207465A CN 109480771 B CN109480771 B CN 109480771B
- Authority
- CN
- China
- Prior art keywords
- data
- malignant
- ovarian
- threshold
- benign
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/43—Detecting, measuring or recording for evaluating the reproductive systems
- A61B5/4306—Detecting, measuring or recording for evaluating the reproductive systems for evaluating the female reproductive systems, e.g. gynaecological evaluations
- A61B5/4318—Evaluation of the lower reproductive system
- A61B5/4325—Evaluation of the lower reproductive system of the uterine cavities, e.g. uterus, fallopian tubes, ovaries
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Reproductive Health (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Engineering & Computer Science (AREA)
- Gynecology & Obstetrics (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明公开一种卵巢肿块良恶的确定方法及确定装置。本发明提供的卵巢肿块良恶的确定方法及确定装置,首先根据待检测血清样本的CA125数据、HE4数据和PA数据确定受试者工作特征曲线下的面积值,然后根据面积值确定对应的卵巢肿块的良恶。可见,本发明结合CA125数据、HE4数据和PA数据对卵巢肿块进行全面的良恶性鉴别诊断,能够更好的判断绝经前或绝经后盆腔肿块的良恶性,更好地对妇科良性卵巢肿块和囊肿与卵巢癌进行鉴别诊断,具有高灵敏度和高准确性的特点,其灵敏度及准确性可达到90%以上。
Description
技术领域
本发明涉及肿块诊断领域,特别是涉及一种卵巢肿块良恶的确定方法及确定装置。
背景技术
目前,医院出现的卵巢肿块良恶性鉴别诊断是检测常见的肿瘤标记物,灵敏性及准确性都偏低,难以满足早期快速准确诊断的要求。常规检测方法是检测肿瘤标志物癌抗原-125(CA-125),这种方法被视为卵巢肿块良恶性鉴别诊断的“金标准”。但是,CA125的特异性及敏感度较低,容易出现假阴性或假阳性。大约50%的卵巢癌I期患者并没有CA125水平升高的现象,也就是说有一半的卵巢肿块良恶性鉴别诊断可能被误诊。某些良性卵巢疾病也会导致CA125水平升高,造成假阳性。
因此,如何提高早期卵巢肿块良恶性鉴别诊断的准确性,成为本领域技术人员亟需解决的技术问题。
发明内容
本发明的目的是提供一种卵巢肿块良恶的确定方法及确定装置,能够更好的判断绝经前或绝经后盆腔肿块的良恶性,更好地对妇科良性卵巢肿块和囊肿与卵巢癌进行鉴别诊断,具有高灵敏度和高准确性的特点。
为实现上述目的,本发明提供了如下方案:
一种卵巢肿块良恶的确定方法,所述确定方法包括:
获取待检测血清样本的CA125数据、HE4数据和PA数据;
根据所述CA125数据、所述HE4数据和所述PA数据确定受试者工作特征曲线下的面积值;
根据所述面积值确定与所述待检测血清样本对应的卵巢肿块的良恶。
可选的,所述根据所述CA125数据、所述HE4数据和所述PA数据确定受试者工作特征曲线下的面积值,具体包括:
采用SPSS软件对所述CA125数据、所述HE4数据和所述PA数据进行受试者工作特征曲线分析,获得受试者工作特征曲线;
计算所述受试者工作特征曲线下的面积,获得所述面积值。
可选的,所述根据所述面积值确定与所述待检测血清样本对应的卵巢肿块的良恶,具体包括:
获取第一阈值、第二阈值和第三阈值,其中,所述第二阈值小于所述第三阈值且大于所述第一阈值;
判断所述面积值是否小于或者等于所述第一阈值,获得第一判断结果;
当所述第一判断结果表示所述面积值小于或者等于所述第一阈值时,则确定所述卵巢肿块为良性;
当所述第一判断结果表示所述面积值大于所述第一阈值时,判断所述面积值是否小于或者等于所述第二阈值,获得第二判断结果;
当所述第二判断结果表示所述面积值小于或者等于所述第二阈值时,则确定所述卵巢肿块为疑似恶性肿块;
当所述第二判断结果表示所述面积值大于所述第二阈值时,判断所述面积值是否小于或者等于所述第三阈值,获得第三判断结果;
当所述第三判断结果表示所述面积值小于或者等于所述第三阈值时,则确定所述卵巢肿块为高风险恶性肿块;
当所述第三判断结果表示所述面积值大于所述第三阈值时,则确定所述卵巢肿块为恶性肿块。
一种卵巢肿块良恶的确定装置,所述确定装置包括:
血清样本检测装置和处理器,其中,
所述血清样本检测装置用于检测血清样本的CA125数据、HE4数据和PA数据,并将所述CA125数据、所述HE4数据和所述PA数据发送给所述处理器;
所述处理器与所述血清样本检测装置连接,所述处理器内置SPSS软件,所述处理器用于根据所述卵巢肿块良恶的确定方法确定与所述待检测血清样本对应的卵巢肿块的良恶。
可选的,所述确定装置还包括与所述处理器连接的显示器,所述显示器用于显示所述CA125数据、HE4数据、PA数据和/或卵巢肿块的良恶。
可选的,所述确定装置还包括与所述处理器连接的语音播放装置,所述语音播放装置用于播放所述CA125数据、HE4数据、PA数据和/或卵巢肿块的良恶。
可选的,所述确定装置还包括分别与所述处理器连接的键盘和鼠标。
可选的,所述确定装置还包括与所述处理器连接的报警装置,所述报警装置用于当卵巢肿块确定为恶性肿块时,发出报警信息。
可选的,所述确定装置还包括与所述处理器连接的4G通信模块和移动终端,所述处理器通过所述4G通信模块向所述移动终端推送报警信息。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明提供的卵巢肿块良恶的确定方法及确定装置,首先根据待检测血清样本的CA125数据、HE4数据和PA数据确定受试者工作特征曲线下的面积值,然后根据面积值确定对应的卵巢肿块的良恶。可见,本发明结合CA125数据、HE4数据和PA数据对卵巢肿块进行全面的良恶性鉴别诊断,能够更好的判断绝经前或绝经后盆腔肿块的良恶性,更好地对妇科良性卵巢肿块和囊肿与卵巢癌进行鉴别诊断,具有高灵敏度和高准确性的特点,其灵敏度及准确性可达到90%以上。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它的附图。
图1为本发明实施例提供的一种卵巢肿块良恶的确定方法的流程图;
图2为本发明实施例提供的一种卵巢肿块良恶的确定装置的结构框图;
图3为本发明实施例提供的一种卵巢肿块良恶的确定装置的软件输入界面图;
图4为本发明实施例提供的一种卵巢肿块良恶的确定装置的软件输出界面图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供一种卵巢肿块良恶的确定方法及确定装置,能够更好的判断绝经前或绝经后盆腔肿块的良恶性,更好地对妇科良性卵巢肿块和囊肿与卵巢癌进行鉴别诊断,具有高灵敏度和高准确性的特点。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明实施例提供的一种卵巢肿块良恶的确定方法的流程图。如图1所示,一种卵巢肿块良恶的确定方法,所述确定方法包括:
步骤101:获取待检测血清样本的CA125数据、HE4数据和PA数据;
步骤102:根据所述CA125数据、所述HE4数据和所述PA数据确定受试者工作特征曲线下的面积值。
所述步骤102具体包括:
采用SPSS软件对所述CA125数据、所述HE4数据和所述PA数据进行受试者工作特征曲线分析,获得受试者工作特征曲线;
计算所述受试者工作特征曲线下的面积,获得所述面积值。
步骤103:根据所述面积值确定与所述待检测血清样本对应的卵巢肿块的良恶。
所述步骤103具体包括:
获取第一阈值、第二阈值和第三阈值,其中,所述第二阈值小于所述第三阈值且大于所述第一阈值。本实施例中,第一阈值为0.6,第二阈值为0.85,第三阈值为0.95。
判断所述面积值是否小于或者等于所述第一阈值,获得第一判断结果;
当所述第一判断结果表示所述面积值小于或者等于所述第一阈值时,则确定所述卵巢肿块为良性;
当所述第一判断结果表示所述面积值大于所述第一阈值时,判断所述面积值是否小于或者等于所述第二阈值,获得第二判断结果;
当所述第二判断结果表示所述面积值小于或者等于所述第二阈值时,则确定所述卵巢肿块为疑似恶性肿块;
当所述第二判断结果表示所述面积值大于所述第二阈值时,判断所述面积值是否小于或者等于所述第三阈值,获得第三判断结果;
当所述第三判断结果表示所述面积值小于或者等于所述第三阈值时,则确定所述卵巢肿块为高风险恶性肿块;
当所述第三判断结果表示所述面积值大于所述第三阈值时,则确定所述卵巢肿块为恶性肿块。
癌抗原-125(CA-125或糖链抗原-125),也被称为粘蛋白-16,是被MUC16基因所编码的蛋白质,是从上皮性卵巢癌抗原检测出可被单克隆抗体0C125结合的一种糖蛋白。CA-125对卵巢癌的早期检测的潜在作用是有争议的,尚未广泛用于在无症状妇女筛选。使用CA-125这一生物标志物的主要问题是它缺乏敏感性,特别是在检测卵巢癌时其缺乏特异性,尤其是在绝经前妇女的早期阶段。这些限制意味着,CA-125测试卵巢癌往往给人误报,让病人焦虑,从而做进一步不必要的筛选(有时包括手术)。此外,这些限制意味着,许多早期卵巢癌的妇女将收到来自CA-125检测假阴性,并没有得到自己的病情进一步治疗。可见,单独使用CA-125数据对卵巢癌进行早期诊断缺乏足够的敏感性和特异性,准确性差。
本发明从众多的肿瘤标记物中筛选出3个肿瘤标记物-前白蛋白(PA),人附睾蛋白4(HE4)及癌抗原-125(CA-125)对卵巢肿块良恶性进行鉴别。其中,前白蛋白(PA)是一种由肝脏、脉络丛和眼产生的蛋白,它与转运甲状腺素和维生系A代谢有关。在肝脏受到损伤的病人的血清中PA的含量明显降低。肝癌中PA基因转录受阻,并在基因结构上存在缺陷。而且PA对肿癌细胞的生长有明显的抑制作用,因此PA基因是一种抑癌基因。由于血浆中提取PA产量低、步骤繁琐,所以我们用基因工程分子克隆的方法可大量生产PA研发本试剂盒。人附睾蛋白4(HE4)是一种新的肿瘤标志物。正常生理情况下,HE4在呼吸道、生殖系统和卵巢组织中有非常低水平的表达,但在很多卵巢癌组织和患者血清中高度表达。因此,本发明结合CA125数据、HE4数据和PA数据对卵巢肿块进行全面的良恶性鉴别诊断,能够更好的判断绝经前或绝经后盆腔肿块的良恶性,更好地对妇科良性卵巢肿块和囊肿与卵巢癌进行鉴别诊断,其灵敏度及准确性可达到90%以上。
图2为本发明实施例提供的一种卵巢肿块良恶的确定装置的结构框图。如图2所示,一种卵巢肿块良恶的确定装置,所述确定装置包括:血清样本检测装置201、处理器202、显示器203、语音播放装置204、报警装置205、4G通信模块206、移动终端207、键盘208、鼠标209和打印机210。
所述血清样本检测装置201用于检测血清样本的CA125数据、HE4数据和PA数据,并将所述CA125数据、所述HE4数据和所述PA数据发送给所述处理器202。本实施例中,所述血清样本检测装置201包括全自动化学发光免疫检测仪、CA125检测试剂盒、HE4检测试剂盒和PA检测试剂盒。
所述处理器202分别与所述血清样本检测装置201、所述显示器203、所述语音播放装置204、所述报警装置205、所述4G通信模块206、键盘208、鼠标209和打印机210连接。所述处理器202内置SPSS软件,所述处理器202用于根据所述的确定方法确定与所述待检测血清样本对应的卵巢肿块的良恶。所述显示器203用于显示所述CA125数据、HE4数据、PA数据和/或卵巢肿块的良恶。所述语音播放装置204用于播放所述CA125数据、HE4数据、PA数据和/或卵巢肿块的良恶。所述报警装置205用于当卵巢肿块确定为恶性肿块时,发出报警信息。所述处理器202通过所述4G通信模块206向所述移动终端207推送报警信息。使用者可通过键盘208和鼠标209输入相关信息。打印机210可打印相关信息。
下面以江西肿瘤医院及妇女保健院提供的1000多份病人或正常人血清标本为数据来源,介绍本发明的工作原理。每个病人或正常人,均存储CA125、HE4和PA三项血清标本的检测指标,其中,病人是经过病理确诊的病例。
本发明基于受试者工作特征曲线(receiver operating characteristic curve,简称ROC曲线),又称为感受性曲线(sensitivity curve)对卵巢肿块进行良恶判断。ROC曲线算法的基本原理是:根据一系列不同的二分类方式(分界值或决定阈),将连续变量设定出多个不同的临界值,从而计算出一系列敏感性和特异性,以真阳性率(灵敏度)为纵坐标,假阳性率(1-特异度)为横坐标绘制的曲线为ROC曲线。ROC曲线下面积越大,诊断准确性越高。通过计算ROC曲线下的面积值AUC,结合病人的病理报告,对卵巢肿块进行良恶判断。
本发明提供的一种卵巢肿块良恶的确定装置的工作过程如下:
处理器将所有血清数据集中统计分析,采用其内置的SPSS(统计产品与服务解决方案,Statistical Product and Service Solutions)软件对1000多例CA125、HE4和PA的检测数据进行ROC分析,计算面积值AUC。
当AUC>0.95时,高度怀疑卵巢肿块为恶性肿块,则确定卵巢肿块为卵巢恶性肿块。同时,输出卵巢恶性肿块对应的CA125阈值、HE4阈值和PA阈值。
当0.95≥AUC>0.85时,卵巢肿块为卵巢恶性肿块的风险较大,则确定所述卵巢肿块为高风险恶性肿块。同时,输出高风险恶性肿块对应的CA125阈值、HE4阈值和PA阈值。
当0.85≥AUC>0.6时,卵巢肿块为疑似卵巢恶性肿块,因此可确定所述卵巢肿块为疑似恶性肿块。同时,输出疑似恶性肿块对应的CA125阈值、HE4阈值和PA阈值得出CA125、HE4和PA的相关阈值。
当AUC≤0.6,卵巢良性肿块可能性大,则确定所述卵巢肿块为良性。同时,输出卵巢肿块为良性时的CA125阈值、HE4阈值和PA阈值得出CA125、HE4和PA的相关阈值。
本发明提供的一种卵巢肿块良恶的确定装置的使用方法如下:
第一步:如图3所示,使用者通过键盘和鼠标将患者基本信息输入完成后,再将患者的血清检测CA125、HE4及PA三项指标的结果数据输入处理器。
第二步:点击下一步。
第三步:如图4所示,软件界面返回诊断结果,软件会给出具体的评估结论。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (6)
1.一种卵巢肿块良恶的确定装置,其特征在于,所述确定装置包括:
血清样本检测装置和处理器,其中,
所述血清样本检测装置用于检测血清样本的CA125数据、HE4数据和PA数据,并将所述CA125数据、所述HE4数据和所述PA数据发送给所述处理器;
所述处理器与所述血清样本检测装置连接,所述处理器内置SPSS软件,所述处理器用于确定与待检测血清样本对应的卵巢肿块的良恶;确定与所述待检测血清样本对应的卵巢肿块的良恶的过程,具体包括:
获取待检测血清样本的CA125数据、HE4数据和PA数据;
根据所述CA125数据、所述HE4数据和所述PA数据确定受试者工作特征曲线下的面积值,具体包括:
采用SPSS软件对所述CA125数据、所述HE4数据和所述PA数据进行受试者工作特征曲线分析,获得受试者工作特征曲线;
计算所述受试者工作特征曲线下的面积,获得所述面积值;
根据所述面积值确定与所述待检测血清样本对应的卵巢肿块的良恶,具体包括:
获取第一阈值、第二阈值和第三阈值,其中,所述第二阈值小于所述第三阈值且大于所述第一阈值;
判断所述面积值是否小于或者等于所述第一阈值,获得第一判断结果;
当所述第一判断结果表示所述面积值小于或者等于所述第一阈值时,则确定所述卵巢肿块为良性;
当所述第一判断结果表示所述面积值大于所述第一阈值时,判断所述面积值是否小于或者等于所述第二阈值,获得第二判断结果;
当所述第二判断结果表示所述面积值小于或者等于所述第二阈值时,则确定所述卵巢肿块为疑似恶性肿块;
当所述第二判断结果表示所述面积值大于所述第二阈值时,判断所述面积值是否小于或者等于所述第三阈值,获得第三判断结果;
当所述第三判断结果表示所述面积值小于或者等于所述第三阈值时,则确定所述卵巢肿块为高风险恶性肿块;
当所述第三判断结果表示所述面积值大于所述第三阈值时,则确定所述卵巢肿块为恶性肿块。
2.根据权利要求1所述的确定装置,其特征在于,所述确定装置还包括与所述处理器连接的显示器,所述显示器用于显示所述CA125数据、HE4数据、PA数据和/或卵巢肿块的良恶。
3.根据权利要求1所述的确定装置,其特征在于,所述确定装置还包括与所述处理器连接的语音播放装置,所述语音播放装置用于播放所述CA125数据、HE4数据、PA数据和/或卵巢肿块的良恶。
4.根据权利要求1所述的确定装置,其特征在于,所述确定装置还包括分别与所述处理器连接的键盘和鼠标。
5.根据权利要求1所述的确定装置,其特征在于,所述确定装置还包括与所述处理器连接的报警装置,所述报警装置用于当卵巢肿块确定为恶性肿块时,发出报警信息。
6.根据权利要求5所述的确定装置,其特征在于,所述确定装置还包括与所述处理器连接的4G通信模块和移动终端,所述处理器通过所述4G通信模块向所述移动终端推送报警信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811207465.9A CN109480771B (zh) | 2018-10-17 | 2018-10-17 | 一种卵巢肿块良恶的确定方法及确定装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811207465.9A CN109480771B (zh) | 2018-10-17 | 2018-10-17 | 一种卵巢肿块良恶的确定方法及确定装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109480771A CN109480771A (zh) | 2019-03-19 |
CN109480771B true CN109480771B (zh) | 2021-09-07 |
Family
ID=65691413
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811207465.9A Active CN109480771B (zh) | 2018-10-17 | 2018-10-17 | 一种卵巢肿块良恶的确定方法及确定装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109480771B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111430030A (zh) * | 2020-04-17 | 2020-07-17 | 武汉大学 | 生物标志物在卵巢癌评估中的应用方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1973778A (zh) * | 2006-12-08 | 2007-06-06 | 南京大学 | 胃癌术后严重并发症风险度的预测方法 |
CN101023349A (zh) * | 2004-03-31 | 2007-08-22 | 约翰·霍普金斯大学 | 用于卵巢癌的生物标记 |
CN101410715A (zh) * | 2006-01-27 | 2009-04-15 | 三路影像公司 | 鉴定患卵巢癌的可能性增加的患者的方法及其组合物 |
CN101832977A (zh) * | 2009-03-09 | 2010-09-15 | 复旦大学附属妇产科医院 | 一种卵巢肿瘤血清标志物 |
CN103180732A (zh) * | 2010-08-26 | 2013-06-26 | 华盛顿大学商业中心 | 检测抗he4抗体的方法以及诊断和/或预后与he4表达细胞相关的病症的方法 |
CN106248940A (zh) * | 2016-07-07 | 2016-12-21 | 广西医科大学 | 多指标联合诊断卵巢癌和/或非卵巢来源的恶性肿瘤的系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104094111B (zh) * | 2011-09-22 | 2017-07-04 | 斯隆-凯特林纪念癌症中心 | 检测卵巢癌 |
AU2014324080B2 (en) * | 2013-09-18 | 2020-07-23 | Adelaide Research & Innovation Pty Ltd | Autoantibody biomarkers of ovarian cancer |
-
2018
- 2018-10-17 CN CN201811207465.9A patent/CN109480771B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101023349A (zh) * | 2004-03-31 | 2007-08-22 | 约翰·霍普金斯大学 | 用于卵巢癌的生物标记 |
CN101410715A (zh) * | 2006-01-27 | 2009-04-15 | 三路影像公司 | 鉴定患卵巢癌的可能性增加的患者的方法及其组合物 |
CN1973778A (zh) * | 2006-12-08 | 2007-06-06 | 南京大学 | 胃癌术后严重并发症风险度的预测方法 |
CN101832977A (zh) * | 2009-03-09 | 2010-09-15 | 复旦大学附属妇产科医院 | 一种卵巢肿瘤血清标志物 |
CN103180732A (zh) * | 2010-08-26 | 2013-06-26 | 华盛顿大学商业中心 | 检测抗he4抗体的方法以及诊断和/或预后与he4表达细胞相关的病症的方法 |
CN106248940A (zh) * | 2016-07-07 | 2016-12-21 | 广西医科大学 | 多指标联合诊断卵巢癌和/或非卵巢来源的恶性肿瘤的系统 |
Also Published As
Publication number | Publication date |
---|---|
CN109480771A (zh) | 2019-03-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Linkov et al. | Early detection of head and neck cancer: development of a novel screening tool using multiplexed immunobead-based biomarker profiling | |
Ionescu et al. | Correlation of ultrasound features and the Risk of Ovarian Malignancy Algorithm score for different histopathological subtypes of benign adnexal masses | |
CN103119446B (zh) | 预测癌症发生的生物标志物 | |
Ding et al. | Detection of mitochondrial biomarkers in eutopic endometria of endometriosis using surface-enhanced laser desorption/ionization time-of-flight mass spectrometry | |
Musonda et al. | Comparing the performance of two clinical models in estimating the risk of endometrial cancer in symptomatic postmenopausal women | |
Patel et al. | Emergency surgery for colorectal cancer does not result in nodal understaging compared with elective surgery | |
Qian et al. | Comparison of the diagnostic performances of ultrasound-based models for predicting malignancy in patients with adnexal masses | |
Thomassin‐Naggara et al. | Quantifying tumor vascular heterogeneity with DCE‐MRI in complex adnexal masses: A preliminary study | |
Henderson et al. | A noninvasive blood-based combinatorial proteomic biomarker assay to detect breast cancer in women over age 50 with BI-RADS 3, 4, or 5 assessment | |
Fahmi et al. | Neutrophil-lymphocyte ratio as a marker for disability and activity in multiple sclerosis | |
Erdemoglu et al. | Artificial intelligence for prediction of endometrial intraepithelial neoplasia and endometrial cancer risks in pre-and postmenopausal women | |
Che et al. | The Adler grade by Doppler ultrasound is associated with clinical pathology of cervical cancer: Implication for clinical management | |
CN116978582A (zh) | 一种前列腺癌预测模型的建模方法及预测系统 | |
CN109979532B (zh) | 甲状腺乳头状癌远处转移分子突变预测模型、方法及系统 | |
CN109480771B (zh) | 一种卵巢肿块良恶的确定方法及确定装置 | |
Liu et al. | Meta-analysis of the diagnostic accuracy of HE4 for endometrial carcinoma | |
Moore et al. | Combining clinical assessment and the Risk of Ovarian Malignancy Algorithm for the prediction of ovarian cancer | |
CN114023448A (zh) | 子宫内膜癌预测诊断模型的构建方法、及该诊断模型与诊断器 | |
Wölfler et al. | Mass spectrometry and serum pattern profiling for analyzing the individual risk for endometriosis: promising insights? | |
WO2020250995A1 (ja) | 罹患判定支援装置、罹患判定支援方法、及び罹患判定支援プログラム | |
US6030341A (en) | ROC method for early detection of disease | |
Ruan et al. | Development and validation of a nomogram prediction model for endometrial malignancy in patients with abnormal uterine bleeding | |
Parekh et al. | Assessment of 54 biomarkers for biopsy-detectable prostate cancer | |
RU2697971C1 (ru) | Способ ранней диагностики рака легкого | |
US20190331686A1 (en) | Methods and Systems for Determining the Risk of Developing Ovarian Cancer |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |