CN111351942A - 肺癌肿瘤标志物筛选系统及肺癌风险分析系统 - Google Patents
肺癌肿瘤标志物筛选系统及肺癌风险分析系统 Download PDFInfo
- Publication number
- CN111351942A CN111351942A CN202010115982.4A CN202010115982A CN111351942A CN 111351942 A CN111351942 A CN 111351942A CN 202010115982 A CN202010115982 A CN 202010115982A CN 111351942 A CN111351942 A CN 111351942A
- Authority
- CN
- China
- Prior art keywords
- lung cancer
- module
- cytokines
- training
- model
- 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.)
- Granted
Links
- 206010058467 Lung neoplasm malignant Diseases 0.000 title claims abstract description 64
- 201000005202 lung cancer Diseases 0.000 title claims abstract description 64
- 208000020816 lung neoplasm Diseases 0.000 title claims abstract description 64
- 238000012216 screening Methods 0.000 title claims abstract description 21
- 239000000439 tumor marker Substances 0.000 title claims abstract description 18
- 238000012502 risk assessment Methods 0.000 title claims abstract description 9
- 238000012549 training Methods 0.000 claims abstract description 53
- 102000004127 Cytokines Human genes 0.000 claims abstract description 40
- 108090000695 Cytokines Proteins 0.000 claims abstract description 40
- 206010028980 Neoplasm Diseases 0.000 claims abstract description 28
- 108090001005 Interleukin-6 Proteins 0.000 claims abstract description 24
- 102000005789 Vascular Endothelial Growth Factors Human genes 0.000 claims abstract description 24
- 108010019530 Vascular Endothelial Growth Factors Proteins 0.000 claims abstract description 24
- XEYBRNLFEZDVAW-ARSRFYASSA-N dinoprostone Chemical compound CCCCC[C@H](O)\C=C\[C@H]1[C@H](O)CC(=O)[C@@H]1C\C=C/CCCC(O)=O XEYBRNLFEZDVAW-ARSRFYASSA-N 0.000 claims abstract description 24
- 229960002986 dinoprostone Drugs 0.000 claims abstract description 24
- XEYBRNLFEZDVAW-UHFFFAOYSA-N prostaglandin E2 Natural products CCCCCC(O)C=CC1C(O)CC(=O)C1CC=CCCCC(O)=O XEYBRNLFEZDVAW-UHFFFAOYSA-N 0.000 claims abstract description 24
- 239000008280 blood Substances 0.000 claims abstract description 6
- 210000004369 blood Anatomy 0.000 claims abstract description 6
- GOZMBJCYMQQACI-UHFFFAOYSA-N 6,7-dimethyl-3-[[methyl-[2-[methyl-[[1-[3-(trifluoromethyl)phenyl]indol-3-yl]methyl]amino]ethyl]amino]methyl]chromen-4-one;dihydrochloride Chemical compound Cl.Cl.C=1OC2=CC(C)=C(C)C=C2C(=O)C=1CN(C)CCN(C)CC(C1=CC=CC=C11)=CN1C1=CC=CC(C(F)(F)F)=C1 GOZMBJCYMQQACI-UHFFFAOYSA-N 0.000 claims abstract description 4
- 102100037850 Interferon gamma Human genes 0.000 claims abstract description 4
- 108010074328 Interferon-gamma Proteins 0.000 claims abstract description 4
- 102000003814 Interleukin-10 Human genes 0.000 claims abstract description 4
- 108090000174 Interleukin-10 Proteins 0.000 claims abstract description 4
- 108090000176 Interleukin-13 Proteins 0.000 claims abstract description 4
- 108090000978 Interleukin-4 Proteins 0.000 claims abstract description 4
- 102000004388 Interleukin-4 Human genes 0.000 claims abstract description 4
- 108090001007 Interleukin-8 Proteins 0.000 claims abstract description 4
- 238000012706 support-vector machine Methods 0.000 claims description 30
- 239000000203 mixture Substances 0.000 claims description 15
- 238000012360 testing method Methods 0.000 claims description 15
- -1 TGF- β Proteins 0.000 claims description 14
- 238000001514 detection method Methods 0.000 claims description 12
- 238000012795 verification Methods 0.000 claims description 9
- 201000011510 cancer Diseases 0.000 claims description 7
- 230000007170 pathology Effects 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 239000007791 liquid phase Substances 0.000 claims description 3
- 239000002356 single layer Substances 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 abstract 1
- 230000035945 sensitivity Effects 0.000 description 5
- 238000003745 diagnosis Methods 0.000 description 4
- 238000010200 validation analysis Methods 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000001575 pathological effect Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 210000004881 tumor cell Anatomy 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013642 negative control Substances 0.000 description 1
- 238000013421 nuclear magnetic resonance imaging Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000000638 stimulation Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
- G01N33/50—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing
- G01N33/68—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing involving proteins, peptides or amino acids
- G01N33/6863—Cytokines, i.e. immune system proteins modifying a biological response such as cell growth proliferation or differentiation, e.g. TNF, CNF, GM-CSF, lymphotoxin, MIF or their receptors
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
- G01N33/50—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing
- G01N33/53—Immunoassay; Biospecific binding assay; Materials therefor
- G01N33/574—Immunoassay; Biospecific binding assay; Materials therefor for cancer
- G01N33/57407—Specifically defined cancers
- G01N33/57423—Specifically defined cancers of lung
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
- G01N33/50—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing
- G01N33/53—Immunoassay; Biospecific binding assay; Materials therefor
- G01N33/574—Immunoassay; Biospecific binding assay; Materials therefor for cancer
- G01N33/57484—Immunoassay; Biospecific binding assay; Materials therefor for cancer involving compounds serving as markers for tumor, cancer, neoplasia, e.g. cellular determinants, receptors, heat shock/stress proteins, A-protein, oligosaccharides, metabolites
- G01N33/57488—Immunoassay; Biospecific binding assay; Materials therefor for cancer involving compounds serving as markers for tumor, cancer, neoplasia, e.g. cellular determinants, receptors, heat shock/stress proteins, A-protein, oligosaccharides, metabolites involving compounds identifable in body fluids
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
- G01N33/50—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing
- G01N33/68—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing involving proteins, peptides or amino acids
- G01N33/6863—Cytokines, i.e. immune system proteins modifying a biological response such as cell growth proliferation or differentiation, e.g. TNF, CNF, GM-CSF, lymphotoxin, MIF or their receptors
- G01N33/6869—Interleukin
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
- G01N33/50—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing
- G01N33/74—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing involving hormones or other non-cytokine intercellular protein regulatory factors such as growth factors, including receptors to hormones and growth factors
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B40/00—ICT specially adapted for biostatistics; ICT specially adapted for bioinformatics-related machine learning or data mining, e.g. knowledge discovery or pattern finding
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2800/00—Detection or diagnosis of diseases
- G01N2800/60—Complex ways of combining multiple protein biomarkers for diagnosis
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Immunology (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Hematology (AREA)
- Urology & Nephrology (AREA)
- Chemical & Material Sciences (AREA)
- Cell Biology (AREA)
- Physics & Mathematics (AREA)
- Biotechnology (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Medicinal Chemistry (AREA)
- Food Science & Technology (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Microbiology (AREA)
- General Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Proteomics, Peptides & Aminoacids (AREA)
- Hospice & Palliative Care (AREA)
- Oncology (AREA)
- Evolutionary Computation (AREA)
- Public Health (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- Endocrinology (AREA)
- Artificial Intelligence (AREA)
- Bioethics (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Theoretical Computer Science (AREA)
Abstract
本发明公开了一种肺癌肿瘤标志物筛选系统及肺癌风险分析系统，包括：采集模块用于采集多个待采集者的血液中的12种细胞因子的浓度以及是否患有肺癌数据，所述12种细胞因子分别为TGF‑β、IL‑10、VEGF、IFN‑γ、TNF‑α、IL‑6、IL‑8、IL‑13、PGE2、IL‑4、IL‑12、IL‑17；第一训练模块用于利用梯度提升树算法对该些待采集者的12种细胞因子的浓度以及是否患有肺癌数据进行训练，以获得各细胞因子的影响值；筛选模块用于对各细胞因子的影响值按照由大到小进行排序，确定排序前五的细胞因子为IL‑6、PGE2、VEGF、TGF‑β、IL‑12，以作为肺癌的肿瘤标志物。
Description
技术领域
本发明涉及医疗技术领域，特别是涉及一种肺癌肿瘤标志物筛选系统及肺癌风险分析系统。
背景技术
目前肿瘤检测的手段主要有①影像学检测，包括X线、B超、CT、核磁共振成像等手段，通常发现时肿瘤基本已经错过治疗的最佳时机；②肿瘤标志物检测，简单易行，但需要选择合适的肿瘤标志物便于早期发现；③医生综合诊断，由于任何一种方式对于早期肿瘤筛查不能作为确诊的依据，一般会结合多种检测的结果做出判断；④病理切片检测(金标准)，多数情况下有明确的病理切片结果时肿瘤已经到中晚期。上述检测手段，除肿瘤标志物外，其他三种手段均不适合用于肿瘤早期筛查。
肿瘤标志物是指特征性存在于恶性肿瘤细胞，或由恶性肿瘤细胞异常产生的物质，或是宿主对肿瘤的刺激反应而产生的物质，并能反映肿瘤发生、发展，监测肿瘤对治疗反应的一类物质。肿瘤标记物特异性不高，灵敏度低，存在交叉反应，且需要与医生的问诊、检查，以及超声、CT、磁共振等检查相结合。更为重要的是，肿瘤标志物并不是肿瘤的专利，有时没有癌症，肿瘤标志物也会升高，所以用肿瘤标志物来诊断肿瘤，会有假阳性率高的问题，导致误诊及随之带来不必要的昂贵检测费用。另外，肿瘤标志物并不一定都会在所有癌症的早期升高，有些癌症甚至没有已知的肿瘤标志物。
发明内容
本发明针对现有技术存在的问题和不足，提供一种新型的肺癌肿瘤标志物筛选系统及肺癌风险分析系统。
本发明是通过下述技术方案来解决上述技术问题的：
本发明提供一种肺癌肿瘤标志物筛选系统，其特点在于，其包括采集模块、第一训练模块和筛选模块；
所述采集模块用于采集多个待采集者的血液中的12种细胞因子的浓度以及是否患有肺癌数据，所述12种细胞因子分别为TGF-β、IL-10、VEGF、IFN-γ、TNF-α、IL-6、IL-8、IL-13、PGE2、IL-4、IL-12、IL-17；
所述第一训练模块用于利用梯度提升树算法对该些待采集者的12种细胞因子的浓度以及是否患有肺癌数据进行训练，以获得各细胞因子的影响值；
所述筛选模块用于对各细胞因子的影响值按照由大到小进行排序，确定排序前五的细胞因子为IL-6、PGE2、VEGF、TGF-β、IL-12，以作为肺癌的肿瘤标志物。
较佳地，所述采集模块用于利用液相芯片细胞因子检测平台采集多个待采集者的血液中的12种细胞因子的浓度。
较佳地，所述待采集者包括癌症确诊患者、健康者和临床病理检查阴性者。
本发明还提供一种肺癌风险分析系统，其特点在于，其包括扩展模块、第二训练模块、第三训练模块、第四训练模块、第五训练模块、测试模块和输出模块；
所述扩展模块用于对肺癌的肿瘤标志物中的任意两个细胞因子的浓度值进行相减取绝对值或相加以作为扩展的特征数据；
所述第二训练模块用于将训练集中的每一例对应的IL-6、PGE2、VEGF、TGF-β、IL-12细胞因子浓度和扩展的特征数据以及是否患有肺癌数据代入线性及多项式支持向量机模型中以对线性及多项式支持向量机模型进行训练，并通过验证集选出线性及多项式支持向量机模型的最优参数以及对线性及多项式支持向量机模型贡献最高的特征数据；
所述第三训练模块用于将训练集中的每一例对应的IL-6、PGE2、VEGF、TGF-β、IL-12细胞因子浓度和扩展的特征数据以及是否患有肺癌数据代入非线性支持向量机模型中以对非线性支持向量机模型进行训练，并通过验证集选出非线性支持向量机模型的最优参数以及对非线性支持向量机模型贡献最高的特征数据；
所述第四训练模块用于将训练集中的每一例对应的IL-6、PGE2、VEGF、TGF-β、IL-12细胞因子浓度和扩展的特征数据以及是否患有肺癌数据代入梯度提升树模型中以对梯度提升树模型进行训练，并通过验证集选出梯度提升树模型的最优参数以及对梯度提升树模型贡献最高的特征数据；
所述第五训练模块用于将训练集中的每一例对应的IL-6、PGE2、VEGF、TGF-β、IL-12细胞因子浓度和扩展的特征数据以及是否患有肺癌数据代入高斯混合模型中以对高斯混合模型进行训练，并通过验证集选出高斯混合模型的最优参数以及对高斯混合模型贡献最高的特征数据；
所述测试模块用于将测试集中的每一例对应的IL-6、PGE2、VEGF、TGF-β、IL-12细胞因子浓度分别代入训练验证好的线性及多项式支持向量机模型、非线性支持向量机模型、梯度提升树模型和高斯混合模型中测试以分别获得肺癌风险因子；
所述输出模块用于将四个风险因子代入单层神经网络训练以输出肺癌风险值。
在符合本领域常识的基础上，上述各优选条件，可任意组合，即得本发明各较佳实例。
本发明的积极进步效果在于：
本发明从12中细胞因子中筛选出有效的肿瘤标志物，并联合多个机器学习模型，构建肺癌早期发生风险人工智能模型，从而获取到肺癌风险值。
本发明采用多靶点联合检测的方法，并采用人工智能分析手段，解决了目前肺癌早期筛查系统特异性和灵敏度不足的缺点，特异性和灵敏度可分别达到95％以上。
本发明涉及构建的肺癌早期发生风险模型是一种开放式的根据检测数据能够不断迭代的模式，随着检测对象数量的增加，肺癌早期发生的风险评估的灵敏度和特异性将不断增加。
附图说明
图1为本发明较佳实施例的肺癌肿瘤标志物筛选系统的结构框图。
图2为本发明较佳实施例的肺癌风险分析系统的结构框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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的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。
如图1所示，本实施例提供一种肺癌肿瘤标志物筛选系统，其包括采集模块11、第一训练模块12和筛选模块13。
所述采集模块11用于利用液相芯片细胞因子检测平台采集多个待采集者的血液中的12种细胞因子的浓度以及是否患有肺癌数据，所述12种细胞因子分别为TGF-β、IL-10、VEGF、IFN-γ、TNF-α、IL-6、IL-8、IL-13、PGE2、IL-4、IL-12、IL-17。
其中，所述待采集者包括癌症确诊患者、健康者和临床病理检查阴性者，总共采集了700例样本，其中癌症确诊患者(阳性样本组)200人，阴性对照组(健康者)200人，门诊患者和体检人员(临床病理检查阴性者)300人。
所述第一训练模块12用于利用梯度提升树算法对该些待采集者的12种细胞因子的浓度以及是否患有肺癌数据进行训练，以获得各细胞因子的影响值。
将这12种细胞因子的浓度值以及采集对象是否患有肺癌数据录入模型，使用梯度提升树算法进行细胞因子水平及是否患有肺癌的分类模型训练，逐个确定各个细胞因子在已经确定其他细胞因子的情况下对是否患有肺癌分类的重要程度。最终确定使用深度为3、树数量为5的梯度提升树，确定了五种细胞因子(IL-6、PGE2、VEGF、TGF-β、IL-12)为区分度最大的肺癌的肿瘤标志物。
所述筛选模块13用于对各细胞因子的影响值按照由大到小进行排序，确定排序前五的细胞因子为IL-6、PGE2、VEGF、TGF-β、IL-12，以作为肺癌的肿瘤标志物。
如图2所示，本实施例还提供一种肺癌风险分析系统，其包括扩展模块21、第二训练模块22、第三训练模块23、第四训练模块24、第五训练模块25、测试模块26和输出模块27。
所述扩展模块21用于对肺癌的肿瘤标志物中的任意两个细胞因子的浓度值进行相减取绝对值或相加以作为扩展的特征数据。
700例样本中，将其中500例用于模型的训练(训练集)，100例用于模型评估(验证集)，100例用于最终性能测试(测试集)。
所述第二训练模块22用于将训练集中的每一例对应的IL-6、PGE2、VEGF、TGF-β、IL-12细胞因子浓度和扩展的特征数据以及是否患有肺癌数据代入线性及多项式支持向量机模型中以对线性及多项式支持向量机模型进行训练，并通过验证集选出线性及多项式支持向量机模型的最优参数以及对线性及多项式支持向量机模型贡献最高的特征数据。
所述第三训练模块23用于将训练集中的每一例对应的IL-6、PGE2、VEGF、TGF-β、IL-12细胞因子浓度和扩展的特征数据以及是否患有肺癌数据代入非线性支持向量机模型中以对非线性支持向量机模型进行训练，并通过验证集选出非线性支持向量机模型的最优参数以及对非线性支持向量机模型贡献最高的特征数据。
所述第四训练模块24用于将训练集中的每一例对应的IL-6、PGE2、VEGF、TGF-β、IL-12细胞因子浓度和扩展的特征数据以及是否患有肺癌数据代入梯度提升树模型中以对梯度提升树模型进行训练，并通过验证集选出梯度提升树模型的最优参数以及对梯度提升树模型贡献最高的特征数据。
所述第五训练模块25用于将训练集中的每一例对应的IL-6、PGE2、VEGF、TGF-β、IL-12细胞因子浓度和扩展的特征数据以及是否患有肺癌数据代入高斯混合模型中以对高斯混合模型进行训练，并通过验证集选出高斯混合模型的最优参数以及对高斯混合模型贡献最高的特征数据。
所述测试模块26用于将测试集中的每一例对应的IL-6、PGE2、VEGF、TGF-β、IL-12细胞因子浓度分别代入训练验证好的线性及多项式支持向量机模型、非线性支持向量机模型、梯度提升树模型和高斯混合模型中测试以分别获得肺癌风险因子。
所述输出模块27用于将四个风险因子代入单层神经网络训练以输出肺癌风险值。
通过将测试集数据输入集成模型，并选取0.5作为分割线，对比肺癌诊断数据，验证得到96％的灵敏度和95％的特异性。
本发明涉及的人工智能模型主要通过综合分析临床重要信息和多种细胞因子浓度用于肺癌早期发生风险评估。
虽然以上描述了本发明的具体实施方式，但是本领域的技术人员应当理解，这些仅是举例说明，本发明的保护范围是由所附权利要求书限定的。本领域的技术人员在不背离本发明的原理和实质的前提下，可以对这些实施方式做出多种变更或修改，但这些变更和修改均落入本发明的保护范围。
Claims (4)
1.一种肺癌肿瘤标志物筛选系统，其特征在于，其包括采集模块、第一训练模块和筛选模块；
所述采集模块用于采集多个待采集者的血液中的12种细胞因子的浓度以及是否患有肺癌数据，所述12种细胞因子分别为TGF-β、IL-10、VEGF、IFN-γ、TNF-α、IL-6、IL-8、IL-13、PGE2、IL-4、IL-12、IL-17；
所述第一训练模块用于利用梯度提升树算法对该些待采集者的12种细胞因子的浓度以及是否患有肺癌数据进行训练，以获得各细胞因子的影响值；
所述筛选模块用于对各细胞因子的影响值按照由大到小进行排序，确定排序前五的细胞因子为IL-6、PGE2、VEGF、TGF-β、IL-12，以作为肺癌的肿瘤标志物。
2.如权利要求1所述的肺癌肿瘤标志物筛选系统，其特征在于，所述采集模块用于利用液相芯片细胞因子检测平台采集多个待采集者的血液中的12种细胞因子的浓度。
3.如权利要求1所述的肺癌肿瘤标志物筛选系统，其特征在于，所述待采集者包括癌症确诊患者、健康者和临床病理检查阴性者。
4.一种肺癌风险分析系统，其特征在于，其包括扩展模块、第二训练模块、第三训练模块、第四训练模块、第五训练模块、测试模块和输出模块；
所述扩展模块用于对肺癌的肿瘤标志物中的任意两个细胞因子的浓度值进行相减取绝对值或相加以作为扩展的特征数据；
所述第二训练模块用于将训练集中的每一例对应的IL-6、PGE2、VEGF、TGF-β、IL-12细胞因子浓度和扩展的特征数据以及是否患有肺癌数据代入线性及多项式支持向量机模型中以对线性及多项式支持向量机模型进行训练，并通过验证集选出线性及多项式支持向量机模型的最优参数以及对线性及多项式支持向量机模型贡献最高的特征数据；
所述第三训练模块用于将训练集中的每一例对应的IL-6、PGE2、VEGF、TGF-β、IL-12细胞因子浓度和扩展的特征数据以及是否患有肺癌数据代入非线性支持向量机模型中以对非线性支持向量机模型进行训练，并通过验证集选出非线性支持向量机模型的最优参数以及对非线性支持向量机模型贡献最高的特征数据；
所述第四训练模块用于将训练集中的每一例对应的IL-6、PGE2、VEGF、TGF-β、IL-12细胞因子浓度和扩展的特征数据以及是否患有肺癌数据代入梯度提升树模型中以对梯度提升树模型进行训练，并通过验证集选出梯度提升树模型的最优参数以及对梯度提升树模型贡献最高的特征数据；
所述第五训练模块用于将训练集中的每一例对应的IL-6、PGE2、VEGF、TGF-β、IL-12细胞因子浓度和扩展的特征数据以及是否患有肺癌数据代入高斯混合模型中以对高斯混合模型进行训练，并通过验证集选出高斯混合模型的最优参数以及对高斯混合模型贡献最高的特征数据；
所述测试模块用于将测试集中的每一例对应的IL-6、PGE2、VEGF、TGF-β、IL-12细胞因子浓度分别代入训练验证好的线性及多项式支持向量机模型、非线性支持向量机模型、梯度提升树模型和高斯混合模型中测试以分别获得肺癌风险因子；
所述输出模块用于将四个风险因子代入单层神经网络训练以输出肺癌风险值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010115982.4A CN111351942B (zh) | 2020-02-25 | 2020-02-25 | 肺癌肿瘤标志物筛选系统及肺癌风险分析系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010115982.4A CN111351942B (zh) | 2020-02-25 | 2020-02-25 | 肺癌肿瘤标志物筛选系统及肺癌风险分析系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111351942A true CN111351942A (zh) | 2020-06-30 |
| CN111351942B CN111351942B (zh) | 2024-03-26 |
Family
ID=71194190
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010115982.4A Active CN111351942B (zh) | 2020-02-25 | 2020-02-25 | 肺癌肿瘤标志物筛选系统及肺癌风险分析系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111351942B (zh) |
Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100047289A1 (en) * | 2006-12-20 | 2010-02-25 | Habib Fakhrai | Universal tumor cell vaccine for anti cancer therapeutic and prophylactic utilization |
| CN103703371A (zh) * | 2011-04-29 | 2014-04-02 | 癌症预防和治疗有限公司 | 使用分类系统及其试剂盒识别和诊断肺部疾病的方法 |
| US20140105860A1 (en) * | 2011-06-06 | 2014-04-17 | Immungene Inc | Engineered antibody-tnfsf member ligand fusion molecules |
| WO2015066564A1 (en) * | 2013-10-31 | 2015-05-07 | Cancer Prevention And Cure, Ltd. | Methods of identification and diagnosis of lung diseases using classification systems and kits thereof |
| WO2016071321A2 (en) * | 2014-11-04 | 2016-05-12 | Randox Laboratories Ltd | Lung cancer sub-typing method |
| WO2018014111A1 (en) * | 2016-06-22 | 2018-01-25 | Harless William Warren | Cancer treatment and metastasis inhibition using an anti-cancer stem cell agent in combination with a neul sialidase inhibitor or a cytokine inhibitor after primary cancer treatment |
| WO2018021153A1 (ja) * | 2016-07-25 | 2018-02-01 | 国立大学法人信州大学 | 肺がんリスク状態の評価方法，肺がんリスク状態評価装置，肺がんリスク状態評価プログラム，肺がんリスク状態評価システム及び情報通信端末装置 |
| US20180173847A1 (en) * | 2016-12-16 | 2018-06-21 | Jang-Jih Lu | Establishing a machine learning model for cancer anticipation and a method of detecting cancer by using multiple tumor markers in the machine learning model for cancer anticipation |
| US20180194836A1 (en) * | 2014-12-22 | 2018-07-12 | Encyt Technologies, Inc. | Prevention of metastasis and recurrence after primary cancer treatment |
| CN109036571A (zh) * | 2014-12-08 | 2018-12-18 | 20/20基因系统股份有限公司 | 用于预测患有癌症的可能性或风险的方法和机器学习系统 |
| CN109360663A (zh) * | 2018-09-30 | 2019-02-19 | 浙江大学 | 基于肿瘤微环境信号网络的最优靶点组合策略分析方法 |
| CN109576217A (zh) * | 2012-12-14 | 2019-04-05 | 罗格斯新泽西州立大学 | 调节干细胞的免疫调节作用的方法 |
| WO2019103912A2 (en) * | 2017-11-22 | 2019-05-31 | Arterys Inc. | Content based image retrieval for lesion analysis |
| WO2019200410A1 (en) * | 2018-04-13 | 2019-10-17 | Freenome Holdings, Inc. | Machine learning implementation for multi-analyte assay of biological samples |
| CN110709936A (zh) * | 2017-04-04 | 2020-01-17 | 肺癌蛋白质组学有限责任公司 | 用于早期肺癌预后的基于血浆的蛋白质概况分析 |
-
2020
- 2020-02-25 CN CN202010115982.4A patent/CN111351942B/zh active Active
Patent Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100047289A1 (en) * | 2006-12-20 | 2010-02-25 | Habib Fakhrai | Universal tumor cell vaccine for anti cancer therapeutic and prophylactic utilization |
| CN103703371A (zh) * | 2011-04-29 | 2014-04-02 | 癌症预防和治疗有限公司 | 使用分类系统及其试剂盒识别和诊断肺部疾病的方法 |
| US20140105860A1 (en) * | 2011-06-06 | 2014-04-17 | Immungene Inc | Engineered antibody-tnfsf member ligand fusion molecules |
| CN109576217A (zh) * | 2012-12-14 | 2019-04-05 | 罗格斯新泽西州立大学 | 调节干细胞的免疫调节作用的方法 |
| WO2015066564A1 (en) * | 2013-10-31 | 2015-05-07 | Cancer Prevention And Cure, Ltd. | Methods of identification and diagnosis of lung diseases using classification systems and kits thereof |
| WO2016071321A2 (en) * | 2014-11-04 | 2016-05-12 | Randox Laboratories Ltd | Lung cancer sub-typing method |
| CN109036571A (zh) * | 2014-12-08 | 2018-12-18 | 20/20基因系统股份有限公司 | 用于预测患有癌症的可能性或风险的方法和机器学习系统 |
| US20180194836A1 (en) * | 2014-12-22 | 2018-07-12 | Encyt Technologies, Inc. | Prevention of metastasis and recurrence after primary cancer treatment |
| WO2018014111A1 (en) * | 2016-06-22 | 2018-01-25 | Harless William Warren | Cancer treatment and metastasis inhibition using an anti-cancer stem cell agent in combination with a neul sialidase inhibitor or a cytokine inhibitor after primary cancer treatment |
| WO2018021153A1 (ja) * | 2016-07-25 | 2018-02-01 | 国立大学法人信州大学 | 肺がんリスク状態の評価方法，肺がんリスク状態評価装置，肺がんリスク状態評価プログラム，肺がんリスク状態評価システム及び情報通信端末装置 |
| US20180173847A1 (en) * | 2016-12-16 | 2018-06-21 | Jang-Jih Lu | Establishing a machine learning model for cancer anticipation and a method of detecting cancer by using multiple tumor markers in the machine learning model for cancer anticipation |
| CN110709936A (zh) * | 2017-04-04 | 2020-01-17 | 肺癌蛋白质组学有限责任公司 | 用于早期肺癌预后的基于血浆的蛋白质概况分析 |
| WO2019103912A2 (en) * | 2017-11-22 | 2019-05-31 | Arterys Inc. | Content based image retrieval for lesion analysis |
| WO2019200410A1 (en) * | 2018-04-13 | 2019-10-17 | Freenome Holdings, Inc. | Machine learning implementation for multi-analyte assay of biological samples |
| CN109360663A (zh) * | 2018-09-30 | 2019-02-19 | 浙江大学 | 基于肿瘤微环境信号网络的最优靶点组合策略分析方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111351942B (zh) | 2024-03-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109670510B (zh) | 一种基于深度学习的胃镜活检病理数据筛查系统 | |
| CN108717554A (zh) | 一种甲状腺肿瘤病理组织切片图像分类方法及其装置 | |
| CN107368670A (zh) | 基于大数据深度学习的胃癌病理诊断支持系统和方法 | |
| CN107368671A (zh) | 基于大数据深度学习的良性胃炎病理诊断支持系统和方法 | |
| CN110991536B (zh) | 原发性肝癌的早期预警模型的训练方法 | |
| CN111739641A (zh) | 一种胃癌风险预测方法、系统、计算机设备及可读存储介质 | |
| CN106202968A (zh) | 癌症的数据分析方法及装置 | |
| CN113257360B (zh) | 癌症筛查模型、癌症筛查模型的构建方法及构建装置 | |
| CN115424666B (zh) | 一种基于全基因组重亚硫酸盐测序数据筛选泛癌早筛分子标志物的方法及系统 | |
| CN111584064A (zh) | 一种结、直肠癌转移预测系统及其使用方法 | |
| CN117116477A (zh) | 基于随机森林和XGBoost的前列腺癌患病风险预测模型的构建方法及系统 | |
| CN113913333B (zh) | 一种肺癌诊断标志物及用途 | |
| CN115873956A (zh) | 用于预测受试者患有结直肠癌风险的试剂盒、系统、应用和预测模型的建模方法 | |
| Ananth et al. | An Advanced Low-cost Blood Cancer Detection System. | |
| CN109003659A (zh) | 胃幽门螺旋杆菌感染病理诊断支持系统和方法 | |
| CN114218985A (zh) | 用于肾移植抗排斥反应类型分类的模型系统及其构建方法 | |
| CN113539473A (zh) | 一种仅使用血常规检验数据诊断布氏杆菌病的方法及系统 | |
| CN117727441A (zh) | 基于临床-融合影像计算机模型预测肺癌免疫疗效方法 | |
| CN113702349A (zh) | 一种基于拉曼光谱的涎腺肿瘤的诊断模型构建方法 | |
| CN111755129A (zh) | 多模态骨质疏松分层预警方法及系统 | |
| CN116825195A (zh) | 一种利用转录组评估免疫年龄和状态的方法和系统 | |
| CN111351942A (zh) | 肺癌肿瘤标志物筛选系统及肺癌风险分析系统 | |
| CN111257558A (zh) | 基于机器学习的慢性淋巴细胞白血病肿瘤细胞识别方法 | |
| CN114004821A (zh) | 一种基于级联rcnn的肠神经节细胞辅助识别方法 | |
| CN115881229B (zh) | 基于肠道微生物信息的过敏预测模型构建方法 |
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 |