基于人工神经网络对粒细胞与子宫内膜恶性肿瘤的相关性研究

杨晓月 李平

[摘要] 目的 探讨外周血中性粒细胞数及其与淋巴细胞比值对子宫内膜癌侵袭力的预测效能。方法 方便收集2012年1月—2017年1月该院收治的81例子宫内膜癌患者的临床资料，包括术前外周血粒细胞数据（中性粒细胞百分比、中性粒细胞计数、淋巴细胞百分比、淋巴细胞计数、单核细胞百分比、单核细胞计数、中性粒细胞淋巴细胞比值、中性粒细胞单核细胞比值）、年龄、侵袭力相关指标（FIGO分期、病理分化程度、肌层浸润深度、腹水转移情况、淋巴转移情况）。采用人工神经网络分析方法，以中性粒细胞淋巴细胞比值、中性粒细胞计数、年龄为自变量，分析自变量对侵袭性指标的预测能力。 结果 训练组总的不正确预测率为28.1%，中性粒细胞计数、NLR、年龄联合预测子宫内膜癌FIGO分期、病理分化程度、肌层浸润深度、腹水转移及淋巴转移的不正确率分别为29.1%、36.7%、55.7%、7.6%、11.4%。测试组总的不正确预测率10.0%，中性粒细胞计数、NLR、年龄年龄联合预测子宫内膜癌FIGO分期、病理分化程度、肌层浸润深度、腹水转移及淋巴转移的不正确率分别为0.0%、50.0%、0.0%、0.0%、0.0%。结论 中性粒细胞淋巴细胞比值、中性粒细胞、年龄联合预测子宫内膜癌侵袭性，对肌层浸润深度预测效果不佳，对FIGO分期、病理分化程度、腹水转移及淋巴转移预测效果满意。

[关键词] 中性粒细胞淋巴细胞比值;中性粒细胞计数;年龄;子宫内膜癌;人工神经网络

[中图分类号] R4          [文献标识码] A          [文章编号] 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

近年來研究发现恶性肿瘤的发生、进展与炎症密切相干，粒细胞的变化可影响恶性肿瘤患者病情发展与预后。中性粒细胞淋巴细胞比值（NLR）、中性粒细胞计数可反映机体的炎症反应和免疫状态之间平衡[1]，是一种非常容易获取的外周血指标，与乳腺癌、宫颈癌[1]、前列腺癌、胃癌、非小细胞肺癌[2]、胰腺癌[3]、肝癌[4]、鼻咽癌[5]、滋养细胞肿瘤等肿瘤患者的临床病理参数有相关性[6-7]。如果能用NLR、中性粒细胞计数、年龄等容易检测或者统计的指标预测子宫内膜癌的侵袭性，将对子宫内膜癌的诊断与治疗提供很大帮助。该研究方便选择2012年1月—2017年1月在江苏大学附属妇科接受手术治疗的81例子宫内膜癌患者为研究对象，采用人工神经网络的统计方法，探讨NLR、中性粒细胞计数、年龄联合预测子宫内膜癌侵袭性的能力，现报道如下。

1  資料与方法

1.1  一般资料

方便选择在江苏大学附属妇科接受手术治疗的81例子宫内膜癌患者，年龄36～82岁，平均57.1岁。术后病理检查证实子宫内膜癌的诊断。排除标准：①术前接受辅助放化疗患者;②未接受全面分期手术患者。收集上述患者临床资料，包括术前外周血粒细胞数据（中性粒细胞百分比、中性粒细胞计数、淋巴细胞百分比、淋巴细胞计数、单核细胞百分比、单核细胞计数、中性粒细胞淋巴细胞百分比、中性粒细胞单核细胞百分比）、年龄、侵袭性指标（FIGO分期、病理分化程度、浸润深度、腹水转移情况、淋巴转移情况）。

1.2  人工神经网络的建立及分析方法

连续变量中性粒细胞计数、淋巴细胞计数、单核细胞计数均按实际数值取值，单位×109/L;中性粒细胞百分比、淋巴细胞百分比、单核细胞百分比均按实际数值取值，单位%;NLR、中性粒细单核细胞比值均实际取值。分类变量FIGO分期IA期、IB期、II期、III期、IV期分别取值0、1、2、3、4，病理分化程度高、中、低分化分别取值0、1、2，肌层浸润深度黏膜层、全层分别取值0、1，腹水转移无、有分别取值0、1，淋巴结转移无、有分别取值0、1。

选择NLR、中性粒细胞计数、年龄为自变量。将81例患者按8∶3∶0的比例分为训练组、测试组及验证组。训练组用于训练神经网络，测试组为用于跟踪训练过程中的错误以防止超额训练，对训练好的网络的泛化能力做出测试，以确定或肯定这个网络;验证组评估最终神经网络的功能。人工神经网络分为输入层、隐含层、输出层3层。输入层节点151个，包括NLR、中性粒细胞数值及年龄。隐含层有两层，第一个隐含层20个单元，第二个隐含层15个单元，激活函数为双曲正切函数，输出层共有两个因变量，每个尺度因变量创建了一个输出单元，采用调整的标准化法进行重标度，激活函数为双曲正切函数。输出层神经节点分别为FIGO分期、病理分化程度、肌层浸润程度、腹水转移情况、淋巴转移情况，采用Softmax函数传递[8-9]。

2  结果

81例患者中79例被分配至训练组，2例被分配至测试组。因变量因变量训练组总的不正确预测率为28.1%，中性粒细胞计数、NLR、年龄年龄联合预测子宫内膜癌FIGO分期、病理分化程度、肌层浸润深度、腹水转移及淋巴转移的不正确率分别为29.1%、36.7%、55.7%、7.6%、11.4%。测试组总的不正确预测率10.0%，中性粒细胞计数、NLR、年龄年龄联合预测子宫内膜癌FIGO分期、病理分化程度、肌层浸润深度、腹水转移及淋巴转移的不正确率分别为0.0%、50.0%、0.0%、0.0%、0.0%。

3  讨论

人工神经网络研究中最常用的多层感知器是一种单向传播的多层前馈网络结构[10]，是目前神经网络研究与应用中最基本的网络模型之一，根据预测变量的值来生成一个或多个因变量的预测模型。MLP神经网络的拓扑结构见图1。虽然人工神经网络并不是解决问题的最优方法，但它应用于许多非线性的复杂问题时表现出良好的泛化能力，是解决许多实际问题稳定可靠的方法。该研究应用人工神经网络的多层感知器模型研究NLR、中性粒细胞计数、年龄联合预测子宫内膜癌侵袭性的能力，旨在为基础免疫学研究开拓一个合理可行的分析途径[11]。

研究结果证实炎症反应参与了恶性肿瘤的发生、进展。中性粒细胞和淋巴细胞在肿瘤发生、发展中的作用各不相同[12]，NLR升高反映中性粒细胞和淋巴细胞之间的平衡状态被打破。研究表明，恶性肿瘤基质血管中浸润的炎症细胞与肿瘤进展密切相关，炎症细胞与肿瘤细胞之间的相互作用可以促进恶性肿瘤的发生、发展、侵袭和远处转移[13]。

子宫内膜癌患者术前外周血NLR、中性粒细胞计数和年龄，能方便获取和检测。如能用术前外周血NLR、中性粒细胞计数和年龄预测肿瘤的侵袭，对于临床治疗及随访具有重要意义。该研究结果显示，术前外周血NLR、中性粒细胞计数和年龄联合预测子宫内膜癌侵袭性，对肌层浸润深度预测效果不佳，对FIGO分期、病理分化程度、腹水转移及淋巴转移预测效果满意。结果显示，训练组总的不正确预测率为28.1%，中性粒细胞计数、NLR、年龄联合预测子宫内膜癌FIGO分期、病理分化程度、肌层浸润深度、腹水转移及淋巴转移的不正确率分别为29.1%、36.7%、55.7%、7.6%、11.4%。测试组总的不正确预测率10.0%，这与李萍等人[14]的研究中，观察组总的不正确预测率为29.0%%，中性粒细胞计数、NLR、年龄联合预测子宫内膜癌FIGO分期、病理分化程度、肌层浸润深度、腹水转移及淋巴转移的不正确率分别为29.5%、36.3%、55.8%、7.5%、11.9%。对照组总的不正确预测率10.6%的结果一致。均证实了上述猜想。肿瘤相关性炎症可存在于恶性肿瘤的早期阶段，炎症细胞及相关炎症因子进一步参与了肿瘤细胞的侵袭和转移[15]。该研究局限性在于样本量较少、患者接受手术方式不统一、腹水转移及淋巴转移可能存在漏诊和误诊。

综上所述，NLR、中性粒细胞计数、年龄联合预测子宫内膜癌侵袭性的能力仍然需要多中心、前瞻性研究证实。

[参考文献]

[1]  冯然，刘涛，刘静芹.中性粒细胞与淋巴细胞的比值与糖尿病肾病的关系[J].山西医科大学学报，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， 熊佳时， 何忠惠，等. 中性粒细胞-淋巴细胞比率与老年NSCLC患者临床病理及预后的相关性分析[J]. 现代生物医学进展， 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. 复发鼻咽癌的治疗进展[J].现代肿瘤医学， 2017， 25（12）：2014-2018.

[7]  胡信， 潘君芬， 吴国民. CIP2A在鼻咽癌中的表达及其与鼻咽癌临床病理特征的关系研究[J].浙江医学，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]  吴影杰， 王海波， 李元璋，等. 多肿瘤标志物蛋白芯片检测临床应用研究[J]. 国际免疫学杂志， 2017， 40（2）：152-155.

[11]  贺锋， 葛宇曦， 陈林，等. 人工神经网络模型基于增强CT影像征象在评估胃癌腹膜微转移中的应用[J]. 南通大学学报：医学版， 2017， 37（3）：206-210.

[12]  周斌， 张毅. 慢性炎症微环境与肿瘤[J]. 临床检验杂志， 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，刘馨，刘洪璐，等.癌相关性炎症因子IL-6在肿瘤微环境中的作用研究进展[J].现代肿瘤医学，2017，25（19）：154-157.

[15]  李瑶，高颖生，吕晓丹，等.巨噬细胞游走抑制因子在肿瘤中的作用研究进展[J].现代生物医学进展，2017，17（20）：3992-3995.

（收稿日期：2019-08-23）