25、前列腺癌生物标志物研究与股骨自动分割技术探索

前列腺癌生物标志物研究与股骨自动分割技术探索

前列腺癌生物标志物研究

在前列腺癌的研究领域，找到能够区分正常情况和癌变情况的生物标志物是一项重要目标。有研究提出了一种迭代峰选择方法，并通过概率神经网络（PNN）分类器对其贡献进行了评估。

PNN分类器在区分PSA<1的无疾病证据个体和PSA≥4的前列腺癌患者时，在第一和第二全局阈值水平分别达到了96.2%和96.9%的准确率。通过采用迭代峰选择方法并研究其准确率，可以得出一个重要结论：实现高强度值的峰不一定是区分正常和前列腺癌病例的最关键因素。这种迭代峰选择方法有助于减少潜在生物标志物的数量，还能帮助研究人员专注于特定强度水平进行生物标志物的发现。具体来说，在特定全局阈值水平下发现的生物标志物具有最高的区分能力。

此外，该系统的性能还采用了外部交叉验证方法进行测试。具体操作是，将可用数据的1/3（从两类数据中随机选择）作为测试数据集，这些数据在分类系统的设计（使用2/3的数据）中未参与。系统设计重复10次（每次排除任意1/3的数据作为测试集），并记录分类准确率的均值和方差。在第一和第二全局阈值水平下获得的结果分别为90.88 ± 2.31和91.52 ± 2.27。

之前使用相同数据集的研究也提出了生物标志物，但有所不同。这可能是由于采用了不同的预处理方案和分类器。通过在ExPASy数据库中搜索，发现了一些可能与前列腺癌相关的蛋白质：
| m/z值 | 接近的蛋白质 | 相关信息 |
| ---- | ---- | ---- |
| 2082.2 | Nociceptin蛋白（2081.39道尔顿） | 与前列腺细胞生长刺激有关 |
| 4672 | BAX蛋白，细