基于血清肽谱的乳腺癌诊断模型的初步建立

目的为了提高乳腺癌诊断的准确率,建立新的血清学诊断平台。方法收集50例乳腺癌患者和50例健康对照者的血清标本,随机抽取一部分作为训练集,用于构建诊断模型;其余作为验证集,用于验证模型的诊断能力。使用弱阳离子磁珠分离血清多肽,MALDI-TOF MS进行质谱检测。结果通过对训练集27例乳腺癌患者和30例健康对照者的血清标本进行质谱分析,建立了一个八肽诊断模型,然后用验证集23例乳腺癌和20例健康对照者的血清标本进行检验,得到该模型的灵敏度为95.7%,特异度为95.0%。并应用生物信息学方法预测出模型中的4个肽片段分别来自间-α-胰蛋白酶抑制剂重链H4、纤维蛋白原α链亚型1前体和核磷蛋白亚型2。结论初步建立了一个基于血清肽质谱分析方法的用于诊断乳腺癌的八肽模型,具有高度灵敏度和特异度。     

基于蛋白质谱技术建立胃癌诊断预测模型及其初步验证

目的基于高通量蛋白质谱技术利用ClinProTools系统筛选胃癌患者与健康对照者的血清差异蛋白/多肽,建立胃癌诊断预测模型,发现胃癌的潜在血清标志物。方法收集胃癌患者血清标本60例、对照组血清标本60例,按照3∶1随机分为训练组(胃癌患者45例,健康对照45例)和验证组(患者15例,健康对照15例)。采用弱阳离子交换磁珠(WCX-MB)吸附低丰度蛋白/多肽,通过基质辅助激光解吸电离飞行时间质谱(MALDI-TOF MS)分析建立相应的蛋白表达指纹图谱,筛选差异表达蛋白/多肽,建立胃癌的诊断预测模型并进行验证。结果筛选出10个具有显著差异的多肽峰,差异最显著的2个多肽峰质荷比(m/z)2 952.57和m/z 5 904.36的受试者工作曲线(ROC)曲线下面积(AUC)分别为0.93和0.81。运用遗传算法(GA)建立胃癌诊断预测模型,验证组验证此模型,结果显示此模型准确性为90.00%,灵敏度为93.30%,特异度为86.70%。结论 MALDI-TOF MS联合WCX-MB能够检测到胃癌患者与健康对照者的血清差异蛋白/多肽,以此建立的胃癌蛋白质谱诊断预测模型存在着潜在的应用价值,m/z 2 952.57、5 904.36有望成为诊断胃癌的潜在血清标志物。     

CT纹理分析鉴别诊断胰腺导管腺癌、胰腺神经内分泌肿瘤及实性假乳头状肿瘤

目的 探讨CT纹理特征诊断及鉴别诊断胰腺导管腺癌（PDAC）、胰腺神经内分泌肿瘤（PNET）及实性假乳头状瘤（SPTP）的可行性。方法 回顾性分析经病理证实的98例PDAC、62例SPTP及39例PNET患者的CT资料，于肿瘤横断面最大层面沿肿瘤边界手动勾画ROI，提取46个CT纹理特征。按二分类（PDAC vs rest；SPTP vs rest；PNET vs rest）和三分类（PDAC vs SPTP vs PNET）分组方式将数据分组。以单因素回归分析每个纹理特征鉴别二分类各组的诊断效能，并计算AUC；基于随机森林算法选择特征后，采用6种机器学习分类器（LDA、K-NN、RF、Adabost、NB、NN）对二分类和三分类分组进行分类，以多因素回归分析分类器的诊断效能，基于十折交叉验证标准计算AUC。结果 采用单个纹理特征鉴别胰腺肿瘤时，低密度短域补偿和灰度不均匀性分别对PDAC vs rest和SPTP vs rest有较好鉴别能力（AUC=0.73、0.79，P<0.01），而总和均值对PNET vs rest具有极好鉴别能力（AUC=0.90，P<0.01）。分类器鉴别PDAC vs rest、SPTP vs rest、PNET vs rest的诊断效能很好或极好，最大AUC分别为0.88（RF）、0.86（RF）和0.94（Adaboost）。分类器鉴别三分类分组的准确率均较好，以RF最高（0.80）。结论 CT纹理分析可鉴别PDAC、SPTP和PNET；采用机器学习算法可进一步提高鉴别诊断效能。     

基于无创指标的IgA肾病诊断预测模型的建立与验证

目的 建立便于临床操作且诊断效能较高的无创预测模型以辅助诊断IgA肾病。方法 收集2015年10月至2021年6月在复旦大学附属金山医院肾内科经肾活检确诊的276例原发性肾小球疾病患者的临床资料,按65∶35随机分为训练集（n=181,IgA肾病85例、非IgA肾病96例）和验证集（n=95,IgA肾病46例、非IgA肾病49例）。在训练集中通过单因素及多因素logistic回归分析方法,筛选IgA肾病诊断的无创临床指标,建立IgA肾病的无创诊断模型,通过R语言将该模型转化为可视化的Nomogram图。在验证集中,采用训练集中所建立的诊断预测模型进行外部验证。绘制ROC曲线并计算曲线下面积（AUC）,评价与验证模型的区分度;绘制校准曲线评价模型校准度。结果 根据多因素logistic回归分析结果,最终纳入5个预测因子：血IgA/C3、血纤维蛋白原、血尿情况（镜下血尿或肉眼血尿）、血白蛋白、血高密度脂蛋白。根据上述预测因子建立诊断模型,训练集中,模型AUC为0.934(P<0.001,95%CI 0.899～0.970),具有较好的区分度,根据约登指数确定最佳诊断界值为0.437,...     

早期胰腺导管腺癌相关肿瘤标志物的筛选及临床意义

目的检索并分析可用于早期胰腺导管腺癌(pancreatic ductal adenocarcinoma,PDAC)诊断的肿瘤标志物。方法从癌症基因图谱计划(TCGA)数据库中检索出PDAC相关的17种候选肿瘤标志物;ELISA法对75例早期PDAC患者、25例中晚期PDAC患者、30例良性胰腺囊肿患者、30例慢性胰腺炎以及40例健康人对照血清标本中这17种候选肿瘤标志物进行检测,筛选出7种肿瘤标志物(IGFBP2、LRG1、CA19-9、REG3A、COL18A1、TIMP1和TNFRSF1A),并进一步筛选出在早期及中晚期PDAC患者血清中差异表达的3种肿瘤标志物(CA19-9、LRG1、TIMP1);采用ROC曲线和二元Logistic回归分析这3种肿瘤标志物对早期PDAC的诊断效能。结果 ELISA法检测结果表明,7种肿瘤标志物(IGFBP2、LRG1、CA19-9、REG3A、COL18A1、TIMP1和TNFRSF1A)在早期和中晚期PDAC患者血清中的含量均显著高于相关疾病对照及健康人对照组(P均0.05);进一步筛选结果证实,TIMP1、LRG1和CA19-9在早期、中晚期PDAC患者中的表达差异均有统计学意义(P均0.05);三者联合检测诊断早期PDAC的ROC曲线下面积(AUC~(ROC))为0.950,敏感性为91.4%,特异性为82.2%,准确性为91.3%,均显著高于单项检测及两两联合检测。结论 TIMP1、LRG1和CA19-9三者联合检测可显著提高早期PDAC的检出率,可用于早期PDAC的诊断。     

多模态超声列线图模型鉴别BI-RADS 4类乳腺病变良恶性的临床价值

目的 建立基于临床资料、剪切波弹性成像参数和超声影像组学的列线图模型,探讨其鉴别BI-RADS 4类乳腺病变良恶性的效能。方法 回顾性收集2017年12月至2023年6月3家医院共403例BI-RADS 4类乳腺病变患者的临床资料、剪切波弹性成像及病理检查结果,以2017年12月至2019年6月南京鼓楼医院和2019年6月至2019年12月安徽医科大学第一附属医院共283个乳腺病灶为训练集,2022年4月至2023年6月北京世纪坛医院120个乳腺病灶为验证集,按病理结果,将训练集和验证集分为良性组和恶性组。通过提取病灶灰阶超声影像组学特征计算影像组学评分（Rad-score）。采用单因素及多因素Logistic回归分析鉴别BI-RADS 4类乳腺病变良恶性的影响因素,构建预测模型并绘制列线图,采用受试者工作特征（ROC）曲线、校准曲线及临床决策曲线评估该模型的效能。结果 经过特征提取及筛选,最终纳入13个影像组学特征用于计算Rad-score,验证集良、恶性组Rad-score分别为[-1.07 (-1.64, -0.37)分、0.07（-0.3,0.56）分],二者比较差异有统计学意义（Z=514,P<0.001）。多因素Logistic回归分析显示年龄（OR值：1.107,P<0.001）和最大剪切波速度（SWVmax）（OR值：3.919,P<0.001）及Rad-score（OR值：4.18,P<0.001）是预测乳腺恶性病变的独立影响因素。基于以上3个因素构建的列线图模型在训练集中及验证集中鉴别BI-RADS 4类乳腺病变良恶性的ROC曲线下面积均高于SWVmax和Rad-score（均P＜0.001）,且拟合度均良好（均P＞0.05）;在验证集中使用列线图模型预测BI-RADS 4类病变能获得更高的临床收益,将非必要穿刺活检率降低了61.16%。结论 基于患者年龄、SWVmax及Rad-score构建的列线图模型能有效预测BI-RADS 4类乳腺病变良恶性,降低非必要穿刺活检率,有一定的临床价值。     

Toll样受体4在人胰腺导管腺癌组织中的表达及其临床意义

目的：探讨人胰腺导管腺癌（pancreatic ductal adenocarcinoma,PDAC）组织中Toll样受体4（Toll-like receptor 4,TLR4）蛋白的表达及其临床意义.方法：收集2009年1月-12月在复旦大学附属中山医院行胰腺手术切除的6例非糖尿病（DM）的PDAC患者、6例PDAC合并DM患者的胰腺组织标本,采用免疫组化法检测TLR4蛋白在胰腺组织中的表达,并分析TLR4蛋白的表达与临床病理特征的关系.结果：非DM的PDAC患者的癌旁组织中TLR4蛋白的阳性表达率（15.8％）,与PDAC合并DM患者的癌旁组织中TLR4蛋白的阳性表达率（25.4％）,差异有统计学意义（P＜0.05）.PDAC患者癌组织中TLR4蛋白的表达较癌旁组织明显升高（67.6％比29.4％,P＜0.05）.TLR4蛋白阳性表达的PDAC患者其肿瘤最大径明显大于TLR4蛋白阴性表达的PDAC患者[（39.12±15.92）mm比（27.25±12.82）mm,P＜0.05].结论：TLR4蛋白高表达与DM及PDAC的发生、发展密切相关,且可能有促进肿瘤生长的作用.     

特发性血小板减少性紫癜血小板差异蛋白质组诊断模型的实验研究

本研究旨在建立一种简便快速、灵敏度高、特异性好的特发性血小板减少性紫癜（ITP）的实验诊断方法。应用表面增强激光解析电离飞行时间质谱技术（SELDI-TOF-MS）检测60例ITP、60例白血病、60例再生障碍贫血及60例健康成人血小板裂解液,各疾病组及正常组均随机分为训练集（120例）和验证集（120例）,筛选出有明显表达差异的标志蛋白,利用人工神经网络建立ITP诊断模型,并用SPSS17．0进行盲法验证。结果表明,m／z为2234．30、3476．36、7526．29的蛋白在ITP患者高表达,m／z为4990．02、5152．39的蛋白低表达。诊断模型的灵敏度和特异度分别为80．6％和77．3％,盲法验证工作特征曲线下面积为0．837。结论：基于血小板蛋白质谱图建立的人工神经网络诊断模型对ITP的临床诊断和分子病理研究具有奄要的参者价值。     

多参数MRI影像组学在术前预测胰腺导管腺癌淋巴结转移中的价值

目的 联合常规MRI及表观扩散系数(apparent diffusion coefficient,ADC)图的影像组学特征构建多参数MRI影像组学模型术前预测胰腺导管腺癌(pancreatic ductal adenocarcinoma,PDAC)淋巴结转移(lymph node metastasis,LNM),并与建立的常规MRI影像组学模型和临床模型比较预测效能,探索基于ADC图影像组学的附加价值。材料与方法 218例PDAC按照7∶3的比例随机分为训练集和验证集。纳入临床及常规影像特征构建临床影像学模型。提取常规MRI图像(T1WI、T2WI、动脉期图像及门静脉期图像)及ADC图的影像组学特征。在训练集中采用最小绝对收缩和选择算子筛选出与LNM最相关的特征用于模型构建。构建基于常规MRI影像组学模型(影像组学模型1)和联合常规MRI和ADC图的影像组学模型(影像组学模型2)。使用受试者工作特征曲线下面积(area under the curve,AUC)评估模型预测效能。采用DeLong检验比较模型间的AUC值的差异是否有统计学意义。校准曲线评估模型的准确性。决策曲线分析评估模型...     

应用磁珠联合MALDI-TOF MS技术建立前列腺癌血清差异蛋白诊断模型

  目的  应用蛋白组学技术对前列腺癌血清差异蛋白进行筛选, 并建立前列腺癌诊断模型。  方法  2010年3月至5月间于北京协和医院泌尿外科病房采集12例前列腺癌患者及11例非前列腺癌对照者血清样本, 应用弱阳离子磁珠联合基质辅助激光解吸电离飞行时间质谱(matrix-assisted laser desorption/ionization time of flight mass spectrometry, MALDI-TOF MS)技术对前列腺癌患者和对照者血清进行差异蛋白研究, 筛选出多个前列腺癌血清差异蛋白, 并应用ClinProTools 2.2软件通过遗传算法建立诊断模型。  结果  共筛选出前列腺癌与对照组之间差异蛋白峰126个, 具有较明显差异的蛋白峰24个(P=0.178)。通过遗传算法优化选择, 筛选出符合条件的15个差异蛋白峰建立诊断模型, 交叉验证准确性为81.82%, 识别能力为100%。  结论  应用磁珠联合MALDI-TOF MS技术及遗传算法成功建立前列腺癌血清差异蛋白的诊断模型, 该模型识别能力高, 有助于减少前列腺癌的漏诊率。     

基于MALDI-TOF MS的新型冠状病毒感染快速诊断技术构建

  目的  构建一种采用基质辅助激光解吸电离飞行时间质谱（MALDI-TOF MS）的新型冠状病毒（SARS-CoV-2）感染快速血清多肽指纹谱检测方法。  方法  采用MALDI-TOF MS-ClinProTools系统,通过构建遗传算法（GA）分类数学模型进行SARS-CoV-2感染的诊断。 本研究共采用647份血清样本（228份来源于SARS-CoV-2感染阳性病例,419份来自感染阴性人员）,其中160份（阳性、阴性样本各80份）用于构建分析模型,487份用于模型优化与验证,并采用非标定量差异蛋白质组技术对阳性和阴性血清样本进行蛋白水平的解析。  结果  本研究构建的最优模型（GA模型）的交叉验证能力和识别能力分别是99.37%和100.00%,发现19个多肽标志物,对487份血清样本（148份阳性,339份阴性）鉴定的准确率为98.00%（阳性样本为100.00%,阴性样本为96.00%）。 差异蛋白质组学和生物信息学分析确定95个感染相关差异蛋白。 利用本研究构建的方法可在3 h内完成96份血清样本的检测,并且只需2滴指血即可满足检测要求。 血清在使用前灭活,无生物安全隐患,操作可在普通分子生物学实验室进行。  结论  本研究为SARS-CoV-2感染筛查与诊断提供了一种具有巨大应用潜力的新型检测方法。     

基于人工神经网络的老年单肺通气患者术后谵妄预警模型的构建与评价

目的 构建基于人工神经网络（ANN）的老年单肺通气（OLV）患者术后谵妄（POD）的风险预警模型并评价其预警效能。方法纳入542例接受OLV的老年患者,其中POD组242例,非POD组300例。数据集按照7:3随机分为训练集（POD=169例,非POD=210例）和验证集（POD=73例,非POD=90例）,利用训练集分别构建ANN和Logistic回归风险预警模型,并在验证集中评价两模型预警效能。结果两模型的Hosmer and Lemeshow检验差异均无统计学意义（P>0.05）;ANN风险预警模型的曲线下面积、灵敏度、特异度、阴性预测值和净重新分类指数高于Logistic回归风险预警模型（P<0.05）;ANN风险预警模型的约登指数、F1 score、阳性似然比、阴性似然比优于Logistic回归风险预警模型;两模型准确率和阳性预测值比较差异无统计学意义（P>0.05）。结论 基于ANN的风险预警模型对老年OLV患者POD的预警效能优于Logistic回归风险预警模型。     

超声影像组学在鉴别诊断甲状旁腺腺瘤和甲状旁腺增生中的价值

目的 探讨超声影像组学方法在鉴别诊断甲状旁腺腺瘤（PA）和甲状旁腺增生（PH）中的临床应用价值。方法 选取2019年1月至2023年6月我院收治的133例甲状旁腺功能亢进症患者（共181枚病灶）,其中腺瘤66例（67枚）,增生67例（114枚）,比较两组临床资料及病灶常规超声特征。所有病灶按7:3分为训练集（126枚）和验证集（55枚）,基于灰阶超声图像勾画感兴趣区（ROI）并提取影像组学特征。应用最小绝对收缩和选择算子（LASSO）回归筛选特征并构建影像组学模型;应用多因素Logistic回归筛选重要的常规超声特征并构建常规超声模型;应用多因素Logistic回归构建基于影像组学特征和常规超声特征的联合模型。绘制受试者工作特征曲线（ROC）以评估各模型的效能并在验证集中进行验证;绘制校准曲线分析影像组学模型和联合模型预测结果与实际结果的一致性。结果 基于LASSO算法筛选出8个影像组学特征用于构建影像组学模型。单因素和多因素Logistic回归分析显示,病灶最大径、外周线状高回声和极性供支血管征为鉴别PA和PH的重要常规超声特征（均P＜0.05）。在训练集和验证集中,影像组学模型曲线下面积（AUC）分别为0.764和0.750,常规超声模型AUC分别为0.812和0.838,联合模型AUC分别为0.825和0.856。联合模型AUC在训练集和验证集中均高于影像组学模型,差异均有统计学意义（均P＜0.05）;其余各模型间AUC比较差异均无统计学意义。结论 影像组学联合模型能较准确地鉴别甲状旁腺腺瘤和甲状旁腺增生,可为临床制定手术方案提供一定的参考价值。     

血清蛋白质谱与人工神经网络模型诊断卵巢癌的应用性研究

目的 建立筛选卵巢癌血清蛋白质谱与人工神经网络诊断模型的研究。方法 用H4(疏水表面)蛋白芯片结合表面增强激光解吸电离飞行时间质谱(SELDI-TOF-MS)技术检测卵巢癌患者和健康人血清样本的蛋白质谱，同时采用人工神经网络筛选差异蛋白以建立诊断模型。结果 用SELDI-TOF-MS技术和H4蛋白芯片从47例卵巢癌和29名健康人血清中，筛选出4个有明显表达差异的蛋白，其质荷比(m／z)分别为5881、7553、6652和9391。用其中的18名健康人和29例卵巢癌患者样本作训练集和交叉验证后，再用筛选出的4个差异蛋白质建立人工神经网络预测模型。然后，对11名健康人和18例卵巢癌患者样本进行盲法测试，以验证该模型。结果显示，我们建立的诊断模型对卵巢癌检测的敏感性为100％，特异性为90．9％，阳性率为94．7％。结论 血清蛋白质谱与人工神经网络模型对小样本的卵巢癌诊断具有较高的敏感性和特异性，可扩大样本进行深入的应用性研究。     

剪切波弹性成像参数联合血清中期因子、胸苷激酶1、促甲状腺素与甲状腺球蛋白比值鉴别诊断甲状腺结节的临床价值

目的 探讨剪切波弹性成像（SWE）参数联合血清中期因子（MK）、胸苷激酶1(TK1)、促甲状腺素与甲状腺球蛋白比值（TSH/Tg）鉴别诊断甲状腺结节良恶性的临床价值。方法 选取我院经术后病理结果或穿刺结果证实的甲状腺结节患者129例，均为单发病灶，其中良性组98例，恶性组31例，均行SWE检查及血清MK、TK1、TSH、Tg检测，比较两组SWE参数[杨氏模量最小值（Emin）、最大值（Emax）、平均值（Emean）]，以及血清MK、TK1、TSH/Tg的差异。应用Logistic回归分析建立SWE参数联合血清MK、TK1、TSH/Tg的诊断模型；绘制受试者工作特征（ROC）曲线分析该模型鉴别甲状腺结节良恶性的诊断效能。结果 与良性组比较，恶性组Emax、Emin、Emean及血清MK、TK1、TSH/Tg均升高，差异均有统计学意义（均P<0.05）。应用Logistic回归分析建立SWE参数联合血清MK、TK1、TSH/Tg的诊断模型为：Logit(P)=-0.069+0.101×Emean+0.353×血清MK+0.328×血清TK1+0.882×血清TSH/Tg;ROC曲线...     

基于机器学习技术利用常规检验数据建立肺结核鉴别诊断方法

目的探讨利用常规检验数据建立肺结核疾病鉴别诊断模型的应用价值。方法采用回顾性调查研究方法, 收集2015年5月至2021年11月就诊于北京积水潭医院和北京和平里医院初诊为肺结核和其他肺部疾病患者的常规检验数据。共纳入11 516例患者数据, 通过计算机产生随机数方法以9∶1比例分为训练集和测试集。使用支持向量机、随机森林、K最近邻和逻辑回归4种机器学习算法进行模型测试和特征选择, 采用十折交叉验证法验证模型诊断准确度, 并采用受试者工作特征(ROC)曲线下面积(AUC)评价模型诊断效能。结果本研究选择随机森林作为最优机器学习算法构建肺结核鉴别诊断的最佳特征模型。通过模型特征重要性排序, 选择37个非特异性检验项目构成肺结核鉴别诊断模型, 其验证集和测试集曲线下面积分别为0.747和0.736, 敏感度为68.03%和68.75%, 特异度为70.91%和67.90%, 准确度为70.30%和68.12%。结论基于机器学习算法利用常规检测数据是肺结核疾病鉴别诊断的一个有效工具, 但其应用价值还有待于更多医疗机构数据做进一步验证。     

基于串联质谱标签技术筛选免疫介导性脱髓鞘疾病诊断与鉴别诊断的生物标志物

目的:采用串联质谱标签（TMT）联合液相色谱串联质谱（LC-MS/MS）筛选免疫介导性脱髓鞘疾病诊断与鉴别诊断的潜在生物标志物。方法:选择首都医科大学附属北京天坛医院2020年1月至2021年1月收治的20例脱髓鞘疾病患者（脱髓鞘组）,包括10例吉兰-巴雷综合征（GBS）患者（GBS亚组）与10例多发性硬化（MS）患者...     

非富血供胰腺神经内分泌肿瘤与导管腺癌肝转移MSCT表现

目的 探讨非富血供胰腺神经内分泌肿瘤（PNET）与胰腺导管腺癌（PDAC）肝转移CT影像特征及其在二者鉴别诊断中的价值。方法 回顾性分析21例非富血供PNET伴肝转移及56例PDAC伴肝转移患者的资料,分析其肝转移病灶数目、分布、大小、病灶融合、周围肝组织异常灌注、增强扫描强化程度等CT特征。结果 非富血供PNET与PDAC肝转移病灶的数目、分布、病灶融合之间差异无统计学意义（P均>0.05）,非富血供PNET及PDAC肝转移灶的最大径差异有统计学意义（P=0.03）,PDAC肝转移灶周围肝组织异常灌注发生率（67.86%）多于非富血供PNET肝转移灶（28.57%）,差异有统计学意义（P<0.01）,非富血供PNET肝转移动脉期、门静脉期、平衡期强化指数高于PDAC（P<0.01）。Logistic多因素分析显示动脉期强化指数是鉴别非富血供PNET与PDAC肝转移的独立预测因素,鉴别诊断二者的AUC为0.97。结论 非富血供PNET与PDAC肝转移灶的CT影像特征有助于鉴别伴有肝转移的非富血供PNET与PDAC。     

食管癌血清蛋白质谱揩纹图分析及人工神经网络诊断模型研究

目的利用高通量和高灵敏的表面激光解析电离飞行时间质涪技术（SELDI—TOF—MS）寻找食管癌患者血清中微量的标志性差异蛋白质组,为探索食管癌发生与基因转录的蛋白调控机制,基因治疗以及早期诊断提供参考数据,方法用SELDI—TOF—MS检测食管癌及其相关人群的血清蛋白质谱指纹图,用Biomarkex Wizaid Software软件筛选出差异蛋白,选择具有标志性的差异蛋白质组建立人工神经网络诊断模型,使用SPSS分析其诊断效能。结果在食管癌患者血清中发现89个差异蛋白（P〈0．05）。其中有显著差异（P〈0.001）的蛋白质如下：在食管癌患者血清中表达增高的蛋白（5017．6Da,7458、5Da,7908,1Da,8111.9Da,8577,8Da）和表达降低的蛋白（4215.8Da,5890.9Da,7749.3Da）。利用筛选出8个有明显表达差并的蛋白质组建立食管癌人工神经网络筛查模型和诊断模型,其灵敏度达到93．2％和96.3％,特异度分别为95．6％和97．2％,经大样本盲法验证的灵敏度为75.4％和75.8％,特异度分别为84．8%和86．7％,经蛋白组数据库检索发现两种蛋白分别为血清淀粉样蛋白A和子宫球蛋白。结论血清蛋白质谱指纹图结合人工神经网络技术进行蛋白组学数据挖掘对食管癌的筛查和诊断以及探索其基因和蛋白调控机制具有重要的临床意义。     

超声影像组学标签对乳腺癌腋窝淋巴结转移的预测价值

目的探讨基于常规超声的影像组学特征预测乳腺癌腋窝淋巴结转移的应用价值。 方法回顾性收集2020年1月至2020年10月于中山大学肿瘤防治中心就诊经手术病理确诊的265例乳腺癌患者的临床资料和术前超声图像,按超声检查时间顺序,将患者分为训练集（159例）和验证集（106例）。应用ImageJ软件手动勾画病灶区域,使用Pyradiomics从每个病灶区域中提取影像组学特征,采用多种方法逐步筛选特征,应用Logistic回归构建预测乳腺癌腋窝淋巴结转移的超声影像组学标签。在训练集和验证集上采用ROC曲线、校准曲线和决策曲线评估超声影像组学标签预测乳腺癌腋窝淋巴结转移的效能。 结果最终筛选出8个关键超声影像组学特征用于构建超声影像组学标签。该标签在训练集和验证集中预测乳腺癌腋窝淋巴结转移的ROC曲线下面积分别为0.805（95%CI：0.734~0.876）、0.793（95%CI：0.706~0.880）。在校准曲线中,该标签在训练集和验证集均表现出较好的校准度（P=0.592、0.593）,决策曲线分析进一步表明了该标签具有一定的临床实用性。 结论基于超声的影像组学标签在预测乳腺癌腋窝淋巴结转移方面具有一定价值,可为治疗前乳腺癌的准确分期以及治疗方案的合理选择提供参考依据。