Logistic回歸在多指標聯合診斷肺癌中的應用

江蘇省連云港市中醫院檢驗科（222004） 仲崇明

Logistic回歸在多指標聯合診斷肺癌中的應用

江蘇省連云港市中醫院檢驗科（222004） 仲崇明

ROC曲線是實驗室檢測指標臨床診斷性能評價的主要手段。臨床在某些疾病診斷過程中往往不滿足單個檢測指標的應用，有時需要幾個檢測項目的聯合應用即聯合檢測，目的是為了提高診斷敏感性，例如：在肺癌診斷實驗室檢查過程中，需要癌胚抗原（CEA）、神經特異性烯醇化酶（NSE）、細胞角蛋白19片段21－1（CYFRA21－1）、糖類抗原－125（CA－125）的聯合檢測，而不是其中單一項目的檢測。聯合檢測并非是指標越多越好，聯合檢測臨床診斷性能評價是聯合檢測得以合理應用的前提。本文將logistic回歸引入ROC曲線作聯合檢測臨床診斷性能評價。

理論和方法

1．ROC曲線

ROC曲線對檢測項目臨床診斷性能評價目前公認且實用。ROC曲線是以真陽性率（靈敏度）為縱坐標，假陽性率（1－特異度）為橫坐標繪制的曲線。在對同一種疾病的兩種或兩種以上診斷方法進行比較時，可將各試驗的ROC曲線繪制到同一坐標中，以直觀地鑒別優劣，靠近左上角的ROC曲線所代表的受試者工作最準確。亦可通過分別計算各個試驗的ROC曲線下的面積（AUC）進行比較，哪一種試驗的AUC最大，則哪一種試驗的診斷價值最佳。

2．聯合檢測

為了提高臨床靈敏度或特異度，采用多個指標聯合診斷的方法對調查對象檢查，這種方式稱為聯合試驗。指標之間的聯合診斷可分為系列診斷實驗（串聯）和平行診斷實驗（并聯），具體用什么聯合方法，依據專業而定。有的疾病需要早期診斷，早診斷對預后影響巨大，可采用并聯。有的疾病強調特異性，可以采用串聯提高特異性。簡單來說：串聯就是所有指標陽性才算陽性，并聯就是只要有一個指標陽性就算陽性。聯合檢測并非項目指標越多越好，項目指標的選用需要評價，評價一個新的實驗指標的選用，能否增強已有實驗指標的診斷效率。另外，多個指標的聯合應用增加了患者的經濟負擔。

3．聯合檢測ROC曲線的生成

聯合檢測項目指標為自變量，病變狀況為應變量（有病、無病），行logistic回歸產生回歸方程。將各病例檢測指標值代入logistic回歸方程，計算相應應變量值（概率值）。以各相應應變量值輸入ROC曲線統計軟件（SPSS 13．0）生成ROC曲線。

實例應用

1．研究對象

（1）肺癌患者114例（均經病理檢查確診），男80例，女34例，年齡41～82歲。其中小細胞肺癌19例，非小細胞肺癌95例（鱗癌45例，腺癌50例）。臨床分期Ⅰ期7例，Ⅱ期52例，Ⅲ期40例，Ⅳ15例。（2）肺部良性疾病61例，經臨床、影像、實驗室檢查并經治療證實而排除腫瘤，男36例，女25例，年齡35～80歲，其中支氣管炎17例，肺炎29例，哮喘15例。（3）正常人30例，均為成年人健康體檢者，并未發現明顯疾病，男19例，女11例，年齡30～60歲。肺部良性疾病與正常體檢未發現疾病歸為對照組。

2．檢測指標

癌胚抗原（CEA）、神經特異性烯醇化酶（NSE）、細胞角蛋白19片21－1（CYFRA21－1）、糖類抗原－125（CA－125）。各指標采用化學發光檢測方法，其試劑臨床參考值分別為CEA＞5 ng/m l為陽性，NSE＞13．6 ng/m l為陽性，CYFRA21－1＞3．30 ng/m l為陽性，CA－125＞41 U/m l為陽性。

3．方法

（1）應變量為疾病狀態（是否患肺癌），肺癌組設為1，對照組設為0；自變量為CEA、NSE、CYFRA21－1、CA－125，產生logistic方程，即產生各自變量回歸系數；（2）再將各自變量值代入回歸方程，計算疾病發生概率，根據各病例的疾病發生概率作ROC曲線。（3）聯合檢測ROC曲線生成：將各自變量值代入回歸方程，計算疾病發生概率，根據各病例的疾病發生概率作ROC曲線。

結 果

（1）logistic回歸結果顯示自變量CEA、NSE、CYFRA21－1、CA－125均對應變量的發生有顯著影響，其P值分別為0．03、0．000、0．000、0．005，回歸系數分別為0．465、0．327、0．872、0．044。

（2）聯合檢測ROC曲線的生成。各單項指標及聯合檢測ROC曲線結果如圖1。

表1 CEA、CA－125、NSE、CYFRA21－1回歸系數

圖1 CEA、NSE、CYFRA21－1、CA－125、聯合檢測ROC曲線

（3）效能評價

各指標ROC曲線下面積大小即為臨床診斷效能大小。CEA、NSE、CYFRA21－1、CA－125及聯合檢測（logistic）ROC曲線下面積分別為0．836、0．909、0．894、0．795、0．984。以聯合檢測曲線下面積最大，顯示聯合檢測對肺癌診斷效能最好。

討 論

聯合檢測的目的是為了提高診斷疾病或排除疾病的效能，即提高敏感性或特異性。但提高敏感性必然降低特異性，提高特異性必降低敏感性。ROC曲線是綜合敏感性與特異性對臨床診斷效能評價的良好方法［1－3］。利用logistic回歸將聯合檢測引入ROC曲線可對聯合檢測臨床診斷效能進行評價［4］。本文實例應用的結果也表明了多指標聯合檢測的ROC曲線比單項指標具有更大的AUC，對臨床診斷的價值更大。

logistic回歸屬于概率型非線性回歸，是研究一個或多個水平的結果變量與其影響因素之間關系的多變量分析方法。logistic回歸中應變量為分類變量（如二分類變量，發病與未發病、死亡與存活、陽性與陰性、治療有效與無效等）或多分類無序結果變量和多分類有序結果變量。研究一個應變量與多個影響因素之間的關系是logistic回歸的主要應用，這也包括了自變量的篩選，分析哪些因素對應變量有影響哪些自變量對對應變量無影響。在使用過程中必須注意臨床要求及logistic回歸條件［5］。

ROC曲線是評價檢測指標對臨床診斷效能的有效方法，但多數情況是針對單個檢測指標進行臨床效能評價。利用logistic回歸把聯合檢測引入ROC曲線，對聯合檢測的臨床效能進行ROC曲線分析，對臨床是有較好幫助且有重要價值。logistic回歸分析及ROC曲線繪制有多種統計軟件可以完成［5］，基本滿足使用者需求，使用者選擇相對熟悉的軟件即可。

［1］仲崇明，孫詠梅．相關腫瘤標志物檢測在肺癌診斷性能中的評價．腫瘤防治研究，2008，35（11）：827-828．

［2］張莉娜．含截尾數據的時間依依的ROC曲線分析．中國衛生統計，2014，31（5）：867-869．

［3］潘靜靜，康鍇，王彥霞，等．Logistic回歸及ROC曲線綜合評價危重手足病的預測指標．中國衛生統計，2014，31（5）：809-811．

［4］秦正積，沈毅，崔曉莉，等．Logistic回歸在疾病多指標聯合診斷中的應用．中國衛生統計，2014，31（1）：116-117．

［5］郭秀花主編．醫學統計學與SPSS軟件實現方法．第1版．北京：科學出版社，2012，206-216．

（責任編輯：張 悅）