乳腺癌針吸細(xì)胞形態(tài)定量的人工神經(jīng)網(wǎng)絡(luò)診斷模型的建立及應(yīng)用研究

1、乳腺癌針吸細(xì)胞形態(tài)定量的人工神經(jīng)網(wǎng)絡(luò)診斷模型的建立及應(yīng)用研究         08-08-23 15:59:00     編輯：studa20                  作者：龔平， 郭華雄， 王文清， 李春燕 【摘要】  目的 建立乳腺癌針吸細(xì)胞形態(tài)定量參數(shù)的人工神經(jīng)網(wǎng)絡(luò)診斷模型，并驗(yàn)證其

2、在輔助FNA診斷乳腺癌的價(jià)值。方法 利用MPIAS2000系統(tǒng)對(duì)60例乳腺癌及30例乳腺良性病變的針吸細(xì)胞學(xué)涂片進(jìn)行形態(tài)定量測(cè)定，對(duì)獲得的29項(xiàng)形態(tài)參數(shù)進(jìn)行人工神經(jīng)網(wǎng)絡(luò)建模分析，并用盲法對(duì)其鑒別診斷能力進(jìn)行評(píng)價(jià)。結(jié)果 所建立的網(wǎng)絡(luò)模型經(jīng)過(guò)14次訓(xùn)練后即可達(dá)到誤差要求，診斷模型對(duì)乳腺癌及乳腺良性病變的診斷正確率為100%，其特異性和敏感性均為100%。結(jié)論 乳腺良惡性病變的針吸細(xì)胞學(xué)涂片進(jìn)行ANN分析所建立的診斷模型，對(duì)乳腺癌及良性病病變的鑒別診斷具有較高的應(yīng)用價(jià)值，為輔助針吸細(xì)胞學(xué)診斷乳腺良惡性病變提供了新的思路。 【關(guān)鍵詞】  針吸細(xì)胞學(xué)； 乳腺癌； 細(xì)胞形態(tài)定量參數(shù)； 人工神經(jīng)網(wǎng)

3、絡(luò)； 診斷模型    Abstract: Objective  To establish diagnostic models of cell form parameters in mammary carcinoma FNAs smears by an artificial neural network (ANN) methods，and apply the models to discriminate the mammary cancer and benign lesion. Method  The cell form quantitative

4、 parameters of 60 breast cancer cases and 30 benign lesion cases were analysis by MPIAS2000,all of cases were provided pathologically. The ANN diagnosis models of cancer and benign lesion were established combined with the 29 cell quantitative parameters. The blindtest set were used to confirm the m

5、odels. Results  The ANN models  meet performance goal by 14 times trainlm. ANN model of cell form quantitative parameters had an accuracy and specialty of 100% for differentiation of breast carcinoma and benign lesion. Conclusion  Method of erecting models based on cell form quantitat

6、ive parameters with ANN could identify breast carcinoma and benign lesion. It may be valuable and new idea for FNAc in the differentiation of breast diseases.    Key words: fine needle aspiration cytology; mammary carcinoma; cell form quantity parameter;   artificial neural

7、network; diagnostic model    乳腺癌是人類(lèi)最常見(jiàn)的一種惡性腫瘤，也是女性主要惡性腫瘤之一。 針吸細(xì)胞學(xué)對(duì)術(shù)前早期診斷乳腺腫塊的性質(zhì)具有簡(jiǎn)便、快速、準(zhǔn)確等特點(diǎn)，其診斷的準(zhǔn)確率達(dá)到90%以上。目前對(duì)乳腺癌的針吸細(xì)胞學(xué)研究大多基于細(xì)胞形態(tài)學(xué)描述及腫瘤標(biāo)志物的檢測(cè)，少有對(duì)其腫瘤細(xì)胞本身進(jìn)行形態(tài)學(xué)定量的研究。本研究通過(guò)細(xì)胞形態(tài)定量方法，并用人工神經(jīng)網(wǎng)絡(luò)（artificial neural network，ANN）進(jìn)行建模分析，以建立高特異性和敏感性的乳腺癌的針吸細(xì)胞學(xué)定量診斷模型；同時(shí)用盲法驗(yàn)證模型的準(zhǔn)確診斷率，判斷其應(yīng)用價(jià)值。 

8、60;  1  對(duì)象和方法1.1  對(duì)象    2000年至2007年本院住院經(jīng)病理確診的乳腺癌患者60例，乳腺良性病變30例。乳腺癌均為女性，年齡2468歲；良性病變也為女性，年齡1847歲，良性病變中乳腺纖維腺瘤24例，乳腺增生6例。所有病例均先行細(xì)胞病理學(xué)檢查，最后經(jīng)組織病理學(xué)證實(shí)。    1.2  細(xì)胞學(xué)制片與染色    研究標(biāo)本均為針吸細(xì)胞學(xué)涂片，用推片法制成，待自然干燥后用瑞吉氏復(fù)合染色法（WrightsGiemsas staining）染色1。染色時(shí)間

9、10  min。    2  圖像分析與參數(shù)選擇2.1  圖像分析    在HPIAS2000圖像分析系統(tǒng)（武漢清平影像有限公司）中通過(guò)定標(biāo)處理后，選擇細(xì)胞細(xì)胞核測(cè)量功能，對(duì)CCD獲取的細(xì)胞涂片圖像進(jìn)行二值化處理，將二值化的細(xì)胞進(jìn)行濾波及連斷分隔，用點(diǎn)測(cè)量或自動(dòng)測(cè)量法進(jìn)行測(cè)量。如細(xì)胞與背景二值化不明顯時(shí)，可采用畫(huà)的方式（橢圓逼近法或自由畫(huà)線(xiàn)法）進(jìn)行標(biāo)記測(cè)量。    2.2  測(cè)量細(xì)胞個(gè)數(shù)    乳腺癌每例隨機(jī)選擇細(xì)胞50個(gè)，60例；乳腺

10、良性病變每例隨機(jī)選擇細(xì)胞30個(gè)，30例。    2.3  參數(shù)選擇    選擇的定量參數(shù)共有29個(gè)，分別是：與細(xì)胞及細(xì)胞核有關(guān)的面積、周長(zhǎng)、直徑、形態(tài)因子、圓球度、異形指數(shù)、X投影、Y投影、S體積、L體積等20個(gè)參數(shù)，與細(xì)胞漿有關(guān)的細(xì)胞漿面積、胞漿厚度Me、胞漿厚度Ma、胞漿厚度Mi等4個(gè)及核漿比值、核漿中心距及細(xì)胞比表面、細(xì)胞漿及細(xì)胞核體密度。    2.4  定量參數(shù)獲取    HPIAS2000所測(cè)定數(shù)據(jù)為Access格式，轉(zhuǎn)換后進(jìn)行數(shù)據(jù)歸一化處理，

11、以備后續(xù)建模分析。    3  數(shù)據(jù)處理及ANN建模設(shè)計(jì)    用ANN軟件MATLAB建立診斷模型。ANN采用前饋式反向傳播算法，分設(shè)三層，輸入層29個(gè)神經(jīng)元，隱含層8個(gè)神經(jīng)元，輸出層2個(gè)神經(jīng)元。各層之間均采用TanSigoid傳遞函數(shù)（tansig），訓(xùn)練函數(shù)使用Scaled Conjugate Gradient算法；權(quán)重與偏值隨機(jī)初始化，系統(tǒng)誤差閾值為10-8。本研究的乳腺癌與乳腺良性病變的針吸細(xì)胞形態(tài)定量參數(shù)作為輸入值，設(shè)定乳腺癌的目標(biāo)值為1，乳腺良性病變的目標(biāo)值為0，所有樣本隨機(jī)劃分，2/3作為訓(xùn)練組，1/3樣本為

12、盲法測(cè)試組；所用軟件為MATLAB 7（R14）For Windows。    4  模型驗(yàn)證    用盲法測(cè)試所建模型對(duì)乳腺癌及乳腺良性病變的鑒別診斷準(zhǔn)確率。    5  結(jié)果5.1  建模訓(xùn)練結(jié)果    ANN 模型建立后，經(jīng)過(guò)計(jì)算機(jī)程序處理，得到的網(wǎng)絡(luò)訓(xùn)練結(jié)果為：    TRAINLM, Epoch 0/3000, MSE 0.481259/1e008, Gradient 5.66104/1e020    TRAINLM, Epoch 14/3000, MSE 4.58661e009/1e008, Gradient 1.69586e006/1e020    TRAINLM, Performance goal met.    從上可知，網(wǎng)絡(luò)經(jīng)過(guò)14次訓(xùn)練后即可達(dá)到誤差要求，結(jié)果如圖1所示：    圖1&#