目的 建立结直肠癌风险预测模型用于结直肠癌的辅助诊断.方法 依据纳入与排除标准,收集结直肠癌患者99例和健康人对照受试者1464例的血常规、血清生化和血清肿瘤标志物的结果.将数据集分为训练集和验证集,70％数据用于训练构建模型,30％数据用于验证模型.利用LASSO交叉验证算法筛选指标建立风险预测模型,绘制ROC曲线评估诊断效能.结果 比较健康人对照和结直肠癌患者手术前检查的血常规、血清生化和肿瘤标志物结果,统计分析发现中性粒细胞百分比(NEU％)、淋巴细胞百分比(LYM％)、单核细胞百分比(MON％)、嗜碱性粒细胞百分比(BAS％)、中性粒细胞计数(NEU)、淋巴细胞计数(LYM)、嗜碱性粒细胞计数(BAS)、平均红细胞血红蛋白浓度(MCHC)、平均血小板体积(MPV)、血小板分布宽度(PDW)、大型血小板比率(P.LCR)、尿素(Urea)、肌酐(Cr)、尿酸(UA)、钾(K)、钠(Na)、钙(Ca)、磷(P)、镁(Mg)、三酰甘油(TG)、高密度脂蛋白胆固醇(HDL?C)、总胆红素(T?Bil)、直接胆红素(D?Bil)、总蛋白(TP)、清蛋白(Alb)、清球比(A/G)、γ-谷氨酰转肽酶(GGT)、碱性磷酸酶(ALP)、淀粉酶(AMS)、天冬氨酸氨基转移酶(AST)、糖化清蛋白比例(GA％)、糖化清蛋白(GA)、清蛋白2(Alb2)、癌胚抗原(CEA)、糖链抗原125(CA125)、糖链抗原CA15?3、糖链抗原19?9(CA19?9)和甲胎蛋白(AFP)在结直肠癌和健康人对照组间的差异有统计学意义(P<0.05).相关性分析结果显示,WBC、PCT、BAS、RBC和MCH水平之间,以及D?Bil、K和Mg之间呈正相关.血清Na与P、Alb2、Urea、Glu呈负相关,同样血清Cl与AG、BAS和Mg水平之间也呈负相关.利用LASSO交叉验证算法筛选确定LYM、P.LCR、HDL、Alb2、CEA和AFP 6个特征参数入选,回归系数分别为0.42、-0.025、0.071、0.4、-0.19和-0.071,将此模型命名为M6.ROC曲线评估M6模型诊断效能,结果显示训练集中诊断模型的AUCROC、敏感性和特异性分别为0.92、85.92％和86.23％,诊断效能高于常规结直肠癌标志物.验证集的AUCROC、敏感性和特异性分别为0.92、85.71％和90.68％,诊断效能与训练集一致(P=0.98).采用验证集评估训练集模型效果,错分误差为0.053,能够较好地鉴别结直肠癌.结论 采用LASSO交叉验证算法建立的M6风险预测模型可显著提高结直肠癌诊断效能.

结直肠癌;机器学习;LASSO交叉验证;风险预测;临床指标

钱昌顺;李招胜;竺明晨

江苏省肿瘤医院&江苏省肿瘤防治研究所&南京医科大学附属肿瘤医院检验科,南京210009

临床检验杂志

[1]钱昌顺;李招胜;竺明晨-.应用LASSO交叉验证算法筛选临床实验室指标并构建结直肠癌风险预测模型)[J].临床检验杂志,2022(09):706-712

糖化清蛋白,Alb2

LASSO,交叉验证,临床实验室,实验室指标,风险预测模型,辅助诊断,排除标准,集结,结直肠癌患者,健康人,血常规,血清生化,血清肿瘤标志物,训练集,验证集,构建模型,验证模型,筛选指标,评估诊断,诊断效能,手术前,术前检查,中性粒细胞百分比,NEU,淋巴细胞百分比,LYM,单核细胞,MON,嗜碱性粒细胞,BAS,中性粒细胞计数,淋巴细胞计数,平均红细胞血红蛋白浓度,MCHC,平均血小板体积,MPV,血小板分布宽度,PDW,LCR,Urea,肌酐,尿酸,UA,Na,Mg,三酰甘油,高密度脂蛋白胆固醇,HDL,总胆红素,Bil,直接胆红素,总蛋白,TP,谷氨酰转肽酶,GGT,碱性磷酸酶,ALP,淀粉酶,AMS,天冬氨酸氨基转移酶,AST,GA,癌胚抗原,CEA,糖链抗原,CA125,CA15,CA19,甲胎蛋白,AFP,WBC,PCT,RBC,Glu,Cl,AG,回归系数,M6,集中诊断,诊断模型,AUCROC,错分,临床指标

0.292038