子宫内膜癌是一种常见的妇科癌症。 实验将Logistic回归作为一种建模方法引入到子宫内膜癌分类诊断模型中。 77个样本通过主成分判别分析和支持向量机判别分析进行降维, 应用拉丁配分方法选择训练集和测试集并确定Logistic回归模型参数。 结果表明, Logistic回归模型不仅能够对样本进行正确的分类, 而且能将样本的分类归属趋势与临床诊断结果很好的一致。 主成分判别分析结合Logistic回归有望发展为一种近红外光谱检测癌症组织的新方法。

近红外光谱结合化学计量学方法对癌症的辅助诊断已有了文献报道。 该文测定了77例不同生理阶段的子宫内膜组织病理切片的近红外光谱, 对其分别进行多元散射校正(MSC)、 正交信号校正(OSC)以及二者联用的预处理方法, 采用拉丁配分法选择3/4样本作为训练集, 1/4样本作测试集, 建立支持向量机(SVM)模型进行分类, 并与基于同样预处理方法建立的偏最小二乘(PLS)模型分类结果进行了比较。 SVM对正常、 增生和癌变三类不同的组织样品分类结果较好, 总分类正确率约92%, 好于PLS模型的结果(最高正确率90%)。 研究结果表明, 光谱数据的预处理和建模方法对分类结果有重要影响, SVM结合子宫内膜组织的近红外光谱有望发展成为一种新型的肿瘤诊断方法。