肺癌血清数据的模式识别解析与诊断及其特征标记物的探寻

Human serum contains abundant information, which can provide important clues to the diagnosis and treatment of cancer. But the early screening method of cancer based on serum has the problems of low sensitivity, low accuracy and poor specificity. To solve the above problems, the project will develop the research of chemoinformatics (chemometrics) methods on lung cancer serum. Raman spectra and multiple components data on serums of healthy people and lung cancer patients will be analyzed, and comparatively accurate early clinical diagnosis of lung cancer or lung cancer subtype are expected. At present, the related research work is expected to carry out systematically. In the project, ULDA algorithm will be improved by non-negative matrix factorization etc. for searching the best classification subspace and feature variables, and furthermore, improved robust consensus modeling algorithm will be combined to improve the accuracy and stability of model recognition; Feature information extraction methods (combined pretreatment methods and new variable selection criterions) for cancer serum data will be proposed; And the results of principal component analysis method etc. will be compared for comprehensive evaluations of pattern recognition methods. The reliable and practical new Raman spectra model and serum multiple attribute decision model based on pattern recognition technology for early clinical diagnosis of lung cancer or lung cancer subtype will be established; The potential highly specific lung cancer or lung cancer subtype markers with clinical value or application prospect will be explored, and corresponding theoretical basis will be provided.

人体血清含有的丰富信息能为癌瘤的诊断和治疗提供重要线索。但目前基于血清的临床癌瘤的早期筛查方法，存在灵敏度低、准确率低、特异性差的问题。项目拟针对这些问题，展开对肺癌血清的化学信息（计量）学方法的研究。对健康人和肺癌患者血清的拉曼光谱和多项成分指标数据进行解析，实现对（亚型）肺癌较准确地早期诊断。目前，此项相关工作有待展开系统的研究。项目拟采用非负矩阵分解等对非相关线性判别分析(ULDA)方法进行改进，寻找最佳分类子空间及特征变量，并结合改进的稳健多模型共识算法，提高识别的准确率和稳定性；研究适于血清数据的癌瘤特征信息提取方法（联合预处理方法、变量筛选新判据）；并与主成分分析等方法的识别结果进行综合评价。以期建立稳健可靠、实用的基于模式识别技术的新型拉曼光谱（亚型）肺癌诊断方法和（亚型）肺癌血清多指标决策模型，探寻潜在的有临床价值或应用前景的（亚型）肺癌的特异性标记物及提供相应理论依据。

目前基于血清的临床癌瘤的早期筛查方法，存在灵敏度低、准确率低、特异性差的问题。项目针对这些问题展开了对肺癌血清的化学信息（计量）学方法的研究。.首先建立了健康人和肺癌患者血清的拉曼谱图数据库和血清多项成分指标数据库。然后开展了以下研究：一，对健康人和肺癌患者血清的拉曼光谱数据进行解析。谱图经过平滑、扣背景处理后，将具有代表性的各癌症与健康人体血清的谱图出现的峰位、峰高进行了初步对比。然后重点采用多元散射校正、导数预处理、变量筛选等光谱预处理方法提取出谱图特征信息，与模式识别方法非非负矩阵NMF、线性判别分析ULDA结合，寻找最佳分类子空间及特征变量，并结合改进的稳健多模型共识算法，提高了识别的准确率和稳定性。与其它传统模式识别方法如偏最小二乘判别法PLS-DA、主成分分析PCA、线性判别分析LDA、非线性判别分析ULDA、k-means等方法进行综合评价，优化挑选出最优诊断模型，较好地鉴别了早期肺癌患者与健康人，诊断的特异度、敏感度、正确率都较高。二，采用统计学分析及化学计量学方法解析血清多成分指标（肿瘤标志物、氨基酸、微量元素等）数据。研究了适于血清多指标数据的癌瘤特征信息提取方法（联合预处理方法）；并与PCA、自组织人工神经网络（self-organizing ANN）、K聚类等方法的识别结果进行了综合评价，并与医院临床诊断结果进行了比对。建立了稳健可靠、实用快速的基于模式识别技术的新型肺癌血清多指标决策模型，并找出潜在的有临床价值、应用前景的肺癌的特异性标记物。. 围绕任务书研究内容和目标，项目探索了肺癌早期筛查的新方法及潜在的肺癌标志物，发表了多篇较高水平论文、软件著作权、专著1部；参加相关学术会议，作口头报告。开发出诊断模型界面化软件，初步应用于医院肺癌筛查辅助手段。项目研究结果具有学术价值和应用意义。随着更多样本的采集测试、数据库的扩充，可以进行更加系统深入的研究。