基于组织芯片和数据挖掘技术的早期非小细胞肺癌预后研究

《基于组织芯片和数据挖掘技术的早期非小细胞肺癌预后研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、中山大学博士学位论文基于组织芯片和数据挖掘技术的早期非小细胞肺癌预后研究768198Studyonprognosticfactorsinearly-stagenon-smaHcelllungcancerbasedontissuechipanddataminingtechniques答辩委员会主席答辩委员会成员学位申请人：朱志华导师姓名及职称：戎铁华教授专业名称：肿瘤学二oo五年四月中山大学基于组织芯片和数据挖搁技术的早期非小细胞肺癌预后研究中文摘要p21waf-1、Bc[一2、c--erbB一2五个分子标志物的

2、表达与早期NSCLC预后有统计学意义。进一步的多因素分析发现TNM分期和Bax、Bcl·2、p21waGl三个分子指标是影响早期NSCLC预后的独立因素。2．Kaplan．Meier单因素分析发现TNM分期和多基因同时联合表达与早期NSCLC预后有统计学意义。进一步的多因素分析也发现TNM分期和多基因同时联合表达是影响早期NSCLC预后的独立因素，差异有显著性。3．利用极端学习机或支持向量机的方法，对早期NSCLC的术后生存时间3年的预测准确率最高可以达到79．2％。结论：1．Bax、Cytokeratin(L

3、owMW)、p21war-1、Bcl一2、c-erbB一2五个分子标志物可能与早期NSCLC患者预后有关。2．多基冈同时联合表达能够更好的反映早期NSCLC的预后情况。3．利用极端学习机或支持向量机等数据挖掘方法可以较好的实现对早期NSCLC患者的个体化预后预测。关键词：非小细胞肺癌：预后：多因素分析；组织芯片；数据挖掘中山大学摹于组织芯片和数据挖掘技术的早期非小细胞肺癌预后研究英史摘要StudyOHprognosticfactorsinearly-stagenon-smallcelllungcancerbas

4、edOiltissuechipanddataminingtechniques1．Toinvestigatepotentialprognosticfactorsinnon—smallcelllungcancer(NSCLC)2．Toestablishindividualpredictmathematicalmodelsforearly-stageNSCLCprognosis．1．Onethousandtwohundredandtwentypatientsundergoingsurgicallytreatedwit

5、hNONSCLCand304patientswithcompletelyresectedpathologicalStageIandIINSCLCwereevaluatedretrospectively．Thenwecorrelatedhistopathologicfindingswithpatientclinicaloutcome2．Usinghigh—throughputtissuechipandimmunohistochemicaltechniques，weretrospectivelyanalyzedfo

6、rmalin-fixed，paraffin·embeddedsamplesfrom213patientswithcompletelyresectedpathologicalStageIandIINSCLC．ThenwecorrelatedthesedatawithpatientcLinicaloutcome3．Usingdataminingtechniques，wetoestablishindividualpredictmathematicalmodelsforNSCLCprognosis．III中山大学基于组

7、织芯片和数据挖掘技术的早期非小细胞肺癌预后研究英文摘要I．Univariateanalysisidentifiedfivesignificantprognosticators：Bax，Cytokeratin(LowMW)，p21waf-1，Bcl·2，c-erbB一2andTNMstage．Atmultivariateanalysis，threeindependentprognosticatorsenteredthemodel：Bax，Bcl-2，p21waf-I，andTNMstage2．Univariate

8、analysisandmultivariateanalysisalsoidentifiedtwosignificantprognosticators：synchronousexpressionofmultiplegenesandTNMstage3．ApplyingtheExtremeLearningMachineandSupportVectorMachinetoforecastthep