基于人工神經網絡對粒細胞與子宮內膜惡性腫瘤的相關性研究

楊曉月 李平

[摘要] 目的 探討外周血中性粒細胞數及其與淋巴細胞比值對子宮內膜癌侵襲力的預測效能。方法 方便收集2012年1月—2017年1月該院收治的81例子宮內膜癌患者的臨床資料，包括術前外周血粒細胞數據（中性粒細胞百分比、中性粒細胞計數、淋巴細胞百分比、淋巴細胞計數、單核細胞百分比、單核細胞計數、中性粒細胞淋巴細胞比值、中性粒細胞單核細胞比值）、年齡、侵襲力相關指標（FIGO分期、病理分化程度、肌層浸潤深度、腹水轉移情況、淋巴轉移情況）。采用人工神經網絡分析方法，以中性粒細胞淋巴細胞比值、中性粒細胞計數、年齡為自變量，分析自變量對侵襲性指標的預測能力。 結果 訓練組總的不正確預測率為28.1%，中性粒細胞計數、NLR、年齡聯合預測子宮內膜癌FIGO分期、病理分化程度、肌層浸潤深度、腹水轉移及淋巴轉移的不正確率分別為29.1%、36.7%、55.7%、7.6%、11.4%。測試組總的不正確預測率10.0%，中性粒細胞計數、NLR、年齡年齡聯合預測子宮內膜癌FIGO分期、病理分化程度、肌層浸潤深度、腹水轉移及淋巴轉移的不正確率分別為0.0%、50.0%、0.0%、0.0%、0.0%。結論 中性粒細胞淋巴細胞比值、中性粒細胞、年齡聯合預測子宮內膜癌侵襲性，對肌層浸潤深度預測效果不佳，對FIGO分期、病理分化程度、腹水轉移及淋巴轉移預測效果滿意。

[關鍵詞] 中性粒細胞淋巴細胞比值;中性粒細胞計數;年齡;子宮內膜癌;人工神經網絡

[中圖分類號] R4? ? ? ? ? [文獻標識碼] A? ? ? ? ? [文章編號] 1674-0742（2019）11（c）-0017-03

[Abstract] Objective Predictive the value of peripheral blood neutrophil count and lymphocyte ratio to evaluate invasion of endometrial carcinoma. Methods Collect the clinical data of 81 patients with endometrial carcinoma from January 2012 to January 2017 were convenient selected， Artificial neural network analysis was used to analyze the predictive ability of the independent variable on the invasive index by the ratio of neutrophil lymphocyte， neutrophils count， and age as independent variable. Results In the training group， the total incorrect prediction rate was 28.1%， neutrophil count and neutrophil count， age combined prediction of endometrial carcinoma FIGO staging， pathological differentiation， depth of myometrial invasion， ascites metastasis and lymphatic metastasis were 29.1%， 36.7%， 55.7%， 7.6%， 11.4%，respectively.In the test group， the total incorrect prediction rate was 10.0%， the above corresponding proportion were 0.0%， 50.0%， 0.0%， 0.0%， and 0.0% respectively. Conclusion The combination of NLR， neutrophils and age were used to predict the invasion of endometrial carcinoma， was not satisfied to the depth of myometrium invasion， meanwhile the prediction to FIGO stage， pathological differentiation， ascites metastasis and lymphatic metastasis was satisfactory.

[Key words] Neutrophil lymphocyte ratio; Neutrophil count; Age; Endometrial carcinoma; Artificial neural network

近年來研究發現惡性腫瘤的發生、進展與炎癥密切相干，粒細胞的變化可影響惡性腫瘤患者病情發展與預后。中性粒細胞淋巴細胞比值（NLR）、中性粒細胞計數可反映機體的炎癥反應和免疫狀態之間平衡[1]，是一種非常容易獲取的外周血指標，與乳腺癌、宮頸癌[1]、前列腺癌、胃癌、非小細胞肺癌[2]、胰腺癌[3]、肝癌[4]、鼻咽癌[5]、滋養細胞腫瘤等腫瘤患者的臨床病理參數有相關性[6-7]。如果能用NLR、中性粒細胞計數、年齡等容易檢測或者統計的指標預測子宮內膜癌的侵襲性，將對子宮內膜癌的診斷與治療提供很大幫助。該研究方便選擇2012年1月—2017年1月在江蘇大學附屬婦科接受手術治療的81例子宮內膜癌患者為研究對象，采用人工神經網絡的統計方法，探討NLR、中性粒細胞計數、年齡聯合預測子宮內膜癌侵襲性的能力，現報道如下。

1? 資料與方法

1.1? 一般資料

方便選擇在江蘇大學附屬婦科接受手術治療的81例子宮內膜癌患者，年齡36～82歲，平均57.1歲。術后病理檢查證實子宮內膜癌的診斷。排除標準：①術前接受輔助放化療患者;②未接受全面分期手術患者。收集上述患者臨床資料，包括術前外周血粒細胞數據（中性粒細胞百分比、中性粒細胞計數、淋巴細胞百分比、淋巴細胞計數、單核細胞百分比、單核細胞計數、中性粒細胞淋巴細胞百分比、中性粒細胞單核細胞百分比）、年齡、侵襲性指標（FIGO分期、病理分化程度、浸潤深度、腹水轉移情況、淋巴轉移情況）。

1.2? 人工神經網絡的建立及分析方法

連續變量中性粒細胞計數、淋巴細胞計數、單核細胞計數均按實際數值取值，單位×109/L;中性粒細胞百分比、淋巴細胞百分比、單核細胞百分比均按實際數值取值，單位%;NLR、中性粒細單核細胞比值均實際取值。分類變量FIGO分期IA期、IB期、II期、III期、IV期分別取值0、1、2、3、4，病理分化程度高、中、低分化分別取值0、1、2，肌層浸潤深度黏膜層、全層分別取值0、1，腹水轉移無、有分別取值0、1，淋巴結轉移無、有分別取值0、1。

選擇NLR、中性粒細胞計數、年齡為自變量。將81例患者按8∶3∶0的比例分為訓練組、測試組及驗證組。訓練組用于訓練神經網絡，測試組為用于跟蹤訓練過程中的錯誤以防止超額訓練，對訓練好的網絡的泛化能力做出測試，以確定或肯定這個網絡;驗證組評估最終神經網絡的功能。人工神經網絡分為輸入層、隱含層、輸出層3層。輸入層節點151個，包括NLR、中性粒細胞數值及年齡。隱含層有兩層，第一個隱含層20個單元，第二個隱含層15個單元，激活函數為雙曲正切函數，輸出層共有兩個因變量，每個尺度因變量創建了一個輸出單元，采用調整的標準化法進行重標度，激活函數為雙曲正切函數。輸出層神經節點分別為FIGO分期、病理分化程度、肌層浸潤程度、腹水轉移情況、淋巴轉移情況，采用Softmax函數傳遞[8-9]。

2? 結果

81例患者中79例被分配至訓練組，2例被分配至測試組。因變量因變量訓練組總的不正確預測率為28.1%，中性粒細胞計數、NLR、年齡年齡聯合預測子宮內膜癌FIGO分期、病理分化程度、肌層浸潤深度、腹水轉移及淋巴轉移的不正確率分別為29.1%、36.7%、55.7%、7.6%、11.4%。測試組總的不正確預測率10.0%，中性粒細胞計數、NLR、年齡年齡聯合預測子宮內膜癌FIGO分期、病理分化程度、肌層浸潤深度、腹水轉移及淋巴轉移的不正確率分別為0.0%、50.0%、0.0%、0.0%、0.0%。

3? 討論

人工神經網絡研究中最常用的多層感知器是一種單向傳播的多層前饋網絡結構[10]，是目前神經網絡研究與應用中最基本的網絡模型之一，根據預測變量的值來生成一個或多個因變量的預測模型。MLP神經網絡的拓撲結構見圖1。雖然人工神經網絡并不是解決問題的最優方法，但它應用于許多非線性的復雜問題時表現出良好的泛化能力，是解決許多實際問題穩定可靠的方法。該研究應用人工神經網絡的多層感知器模型研究NLR、中性粒細胞計數、年齡聯合預測子宮內膜癌侵襲性的能力，旨在為基礎免疫學研究開拓一個合理可行的分析途徑[11]。

研究結果證實炎癥反應參與了惡性腫瘤的發生、進展。中性粒細胞和淋巴細胞在腫瘤發生、發展中的作用各不相同[12]，NLR升高反映中性粒細胞和淋巴細胞之間的平衡狀態被打破。研究表明，惡性腫瘤基質血管中浸潤的炎癥細胞與腫瘤進展密切相關，炎癥細胞與腫瘤細胞之間的相互作用可以促進惡性腫瘤的發生、發展、侵襲和遠處轉移[13]。

子宮內膜癌患者術前外周血NLR、中性粒細胞計數和年齡，能方便獲取和檢測。如能用術前外周血NLR、中性粒細胞計數和年齡預測腫瘤的侵襲，對于臨床治療及隨訪具有重要意義。該研究結果顯示，術前外周血NLR、中性粒細胞計數和年齡聯合預測子宮內膜癌侵襲性，對肌層浸潤深度預測效果不佳，對FIGO分期、病理分化程度、腹水轉移及淋巴轉移預測效果滿意。結果顯示，訓練組總的不正確預測率為28.1%，中性粒細胞計數、NLR、年齡聯合預測子宮內膜癌FIGO分期、病理分化程度、肌層浸潤深度、腹水轉移及淋巴轉移的不正確率分別為29.1%、36.7%、55.7%、7.6%、11.4%。測試組總的不正確預測率10.0%，這與李萍等人[14]的研究中，觀察組總的不正確預測率為29.0%%，中性粒細胞計數、NLR、年齡聯合預測子宮內膜癌FIGO分期、病理分化程度、肌層浸潤深度、腹水轉移及淋巴轉移的不正確率分別為29.5%、36.3%、55.8%、7.5%、11.9%。對照組總的不正確預測率10.6%的結果一致。均證實了上述猜想。腫瘤相關性炎癥可存在于惡性腫瘤的早期階段，炎癥細胞及相關炎癥因子進一步參與了腫瘤細胞的侵襲和轉移[15]。該研究局限性在于樣本量較少、患者接受手術方式不統一、腹水轉移及淋巴轉移可能存在漏診和誤診。

綜上所述，NLR、中性粒細胞計數、年齡聯合預測子宮內膜癌侵襲性的能力仍然需要多中心、前瞻性研究證實。

[參考文獻]

[1]? 馮然，劉濤，劉靜芹.中性粒細胞與淋巴細胞的比值與糖尿病腎病的關系[J].山西醫科大學學報，2016，47（4）：356-359.

[2]? Kitano Y， Yamashita YI， Yamamura K，et al.Effects of Preoperative Neutrophil-to-Lymphocyte and Platelet-to-Lymphocyte Ratios on Survival in Patients with Extrahepatic Cholangiocarcinoma[J].Anticancer Research，2017，37（6）：3229.

[3]? 李士英， 熊佳時， 何忠惠，等. 中性粒細胞-淋巴細胞比率與老年NSCLC患者臨床病理及預后的相關性分析[J]. 現代生物醫學進展， 2017， 17（10）：1846-1848.

[4]? Kitano Y， Yamashita YI， Yamamura K， et al. Effects of Preoperative Neutrophil-to-Lymphocyte and Platelet-to-Lymphocyte Ratios on Survival in Patients with Extrahepatic Cholangiocarcinoma[J].Anticancer Research，2017，37（6）：3229.

[5]? Nanki Y， Chiyoda T， Kataoka F， et al. Elevated preoperative neutrophil：lymphocyte ratio as a preoperative indicator of mature cystic teratoma with malignant transformation[J]. Journal of Obstetrics & Gynaecology Research， 2017， 43（4）：744-748.

[6]? 張慧慧， 江浩， 汪庚明，等. 復發鼻咽癌的治療進展[J].現代腫瘤醫學， 2017， 25（12）：2014-2018.

[7]? 胡信， 潘君芬， 吳國民. CIP2A在鼻咽癌中的表達及其與鼻咽癌臨床病理特征的關系研究[J].浙江醫學，2017，39（19）：1661-1663.

[8]? Takahashi R， Mabuchi S， Kawano M， et al. Prognostic significance of systemic neutrophil and leukocyte alterations in surgically treated endometrial cancer patients： A monoinstitutional study[J].Gynecologic Oncology，2015， 137（1）：112-118.

[9]? Suh DH， Kim HS， Chung HH， et al. Pre-operative systemic in-flammatory response markers in predicting lymph node metastasis in endometrioid endometrial adenocarcinoma[J].Eur.Obstet Gynecol Reprod Biol， 2012，162（2）：206-210.

[10]? 吳影杰， 王海波， 李元璋，等. 多腫瘤標志物蛋白芯片檢測臨床應用研究[J]. 國際免疫學雜志， 2017， 40（2）：152-155.

[11]? 賀鋒， 葛宇曦， 陳林，等. 人工神經網絡模型基于增強CT影像征象在評估胃癌腹膜微轉移中的應用[J]. 南通大學學報：醫學版， 2017， 37（3）：206-210.

[12]? 周斌， 張毅. 慢性炎癥微環境與腫瘤[J]. 臨床檢驗雜志， 2017， 35（11）：840-843.

[13]? Zhang M， Zhang L， Cui M， et al. miR-302b inhibits cancer-related inflammation by targeting ERBB4， IRF2 and CXCR4 in esophageal cancer[J]. Oncotarget， 2017， 8（30）：49053-49063.

[14]? 李萍，劉馨，劉洪璐，等.癌相關性炎癥因子IL-6在腫瘤微環境中的作用研究進展[J].現代腫瘤醫學，2017，25（19）：154-157.

[15]? 李瑤，高穎生，呂曉丹，等.巨噬細胞游走抑制因子在腫瘤中的作用研究進展[J].現代生物醫學進展，2017，17（20）：3992-3995.

（收稿日期：2019-08-23）