机器学习预测模型揭示了辅酶Q10对乳腺癌女性炎症指标的影响

医学信息学解锁24（2021）100614使用机器学习预测模型补充辅酶Q10对乳腺癌女性炎症指标的Amir Jamshidnezhada，b，*，Zohreh Anjomshoab，Sayed Ahmad Hosseini c，Ahmad Azizi ba癌症研究中心，Ahvaz Jundishapur医学科学大学，Ahvaz，伊朗b伊朗阿瓦士，阿瓦士Jundishapur医科大学联合医学系，卫生信息技术系。c伊朗阿瓦士，阿瓦士Jundishapur医科大学联合医学系营养系。A R T I C L EI N FO保留字：乳腺癌辅酶Q10炎症因子人工神经网络Logistic回归A B S T R A C T简介：乳腺癌是一种由遗传疾病引起的乳腺组织细胞恶性肿瘤，肿瘤细胞开始分裂和增殖，没有任何控制。癌症与促炎细胞因子如白细胞介素6（IL6）、白细胞介素8（IL8）和血管内皮生长因子（VEGF）的表面增加有关。辅酶Q10是一种天然化合物，通过减少细胞因子的分泌来执行抗炎功能。目的：建立乳腺癌诊断系统，并应用人工神经网络（ANN）和Logistic回归方法预测补充Q10对促炎因子水平的影响。方法：该数据集是根据对伊朗阿瓦士政府医院肿瘤内科受试者的研究创建的提取的属性，包括IL 6，IL 8和VEGF的表面被用作建模开发中的主要研究因素。设计了一个诊断乳腺癌患者的模型此外，开发了一个预测系统，用于估计Q10补充剂对促炎因子的影响。此外，从输入促炎变量的基础上的逻辑回归方法获得的结果进行了比较，与建议的人工神经网络预测模型。结果：结果表明，ANN模型诊断乳腺癌的准确率为79.8%，而预测Q10对每种炎症因子影响水平的准确率，即，IL 6、IL 8和VEGF的阳性率分别为96%、88%和92%。另一方面，逻辑回归技术预测Q10对IL 6、IL 8和VEGF水平影响的准确性分别为70%、66%和80%结论：在这项研究中，所使用的人工神经网络技术具有较高的灵敏度和精度识别乳腺癌的人。此外，与逻辑回归方法相比，使用ANN预测Q10对炎症因子的影响提供了高准确性。人工智能的研究结果可以对医生的决策产生很大影响，1. 介绍乳腺癌是由遗传疾病引起的乳腺组织细胞中的恶性肿瘤，如突变，染色体增强，缺失，置换和复制，其中肿瘤细胞开始分裂和增殖而不受任何控制[1]。目前，乳腺癌是世界范围内的一个重要健康问题[2]。这种癌症是美国女性最常见的癌症。[3]世界卫生组织报告说，2012年有8200万人死于乳腺癌[4]。此外，每年60%的乳腺癌新发病例发生在非洲、亚洲、中美洲和南美洲[5]。根据乳腺癌发病的标准化年龄，东地中海地区的乳腺癌患病率为12 -50/100，000，而伊朗的患病率为16/100，000 [6]。根据美国国家癌症研究所的数据，每八名女性中就有一名会患上这种癌症* 通讯作者。卫生信息技术系，联合医学科学学院，Ahvaz Jundishapur医学科学大学，GorningBoulevard，Esfand St.伊朗阿瓦士电子邮件地址：jamshidnejad@ajums.ac.ir（A.Jamshidnezhad）。https://doi.org/10.1016/j.imu.2021.100614接收日期：2021年4月16日;接收日期：2021年5月17日;接受日期：2021年5月2021年5月27日网上发售2352-9148/© 2021由Elsevier Ltd.发布这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表医学信息学期刊主页：www.elsevier.com/locate/imuA. Jamshidnezhad等人医学信息学解锁24（2021）1006142在他们的一生中[7]。在伊朗，这种癌症是妇女的主要癌症类型，占所有恶性肿瘤的24.4%[8]。根据以前的研究，伊朗患乳腺癌的年龄比其他国家低十岁左右[9]。治疗乳腺癌最常见的药物之一是TamoXifen，这是一种选择性雌激素受体调节剂。该药的商品名为Novae、Istubal、Valadez、GenoX和SoftamoX [10]。除了为癌症患者开药外，医生还使用了一些补充剂。最近，抗氧化剂，包括维生素A及其前体，维生素C，维生素E，维生素K，硒和锌，已经引起了科学家的大量关注，用于解决许多疾病中的氧化应激，如糖尿病，囊性纤维化，心血管问题和各种癌症，特别是乳腺癌[11，12]。通常使用的另一种补充剂是辅酶Q10。泛醌是具有不同异戊基侧链长度的1-和4-苯醌的衍生物。主要类型包括10个异戊基单元;因此，它们被称为Q10 [13]。辅酶Q10是一种天然化合物，在人体内内源性合成，也存在于一些食物来源中[14]。Q10的营养来源多种多样，这种辅酶的主要部分通过食用鱼油，种子，肉类和鱼类到达身体[10]。Q10在体内执行广泛的功能，这取决于Q10是否存在。癌症伴有炎症，在这种疾病中，促炎细胞因子的水平，例如，白细胞介素6、白细胞介素8和血管内皮生长因子（VEGF）可能升高[15]。因此，血清IL 6、IL 8和VEGF水平可作为乳腺癌诊断的重要生物标志物。考虑到乳腺癌的重要性和患病率，获得高度准确和负担得起的方法，诊断和治疗疾病是一个整体问题。机器学习是一近年来在医学研究中使用的方法。人工神经网络是一种机器学习数据算法，它对人脑进行建模，以在学习过程中存储相关信息。这种网络提供了学习的能力，类似于生物网络，它可以根据初始信息进行学习，或者根据它所学习的内容进行决策[16]。由于医学实验难度大、成本高，医学研究数据集的规模往往受到受试对象的限制。在机器学习方法中，人工神经网络方法能够用较小的数据集和有限的输入因素找到医疗问题的准确解决方案[17]。在最近关于诊断乳腺癌的研究中，神经网络已被用作具有可接受的准确度和速度水平的合适方法[18据我们所知，目前还没有类似的研究集中在基于促炎因子诊断这种疾病，并预测补充剂在改善乳腺癌患者中的作用。因此，基于本研究的主要目的是使用神经网络模型区分乳腺癌患者与健康个体，并以高准确度预测Q10补充剂对乳腺癌患者中IL6、IL8和VEGF的血清水平的影响，开发了一种基于机器学习的系统2. 材料和方法2.1. 数据集这项研究是一项基于输入变量的分析工作，以识别乳腺癌患者并预测Q10补充剂对促炎因子的影响水平，即，IL6、IL8和VEGF。该数据集基本上是根据转诊至伊朗阿瓦士政府医院肿瘤内科的受试者创建的[21]。受试者是从19 - 59岁的受试者中随机选择的，其中50%的人显示雌激素受体阳性。实验总共包括480和120个随机训练和测试数据，以评估模型的性能。2.2. 研究因素细胞因子是已知的对肿瘤的发展具有影响以及对肿瘤生长具有抑制作用不同的细胞因子在控制免疫系统中具有重要作用，例如白细胞介素6。Kupfer H.例如，在2007年的研究表明，IL-6是乳腺癌患者中唯一且令人惊讶的阴性预测因子[22]。另一方面，血管生成和血管内皮生长因子（VEGF）是肿瘤生长所必需的。根据Heer K.例如，2001年，癌症患者的血清VEGF水平与对照组相比显著升高[15]。术前血清VEGF可诊断乳腺癌，灵敏度为62.1% [23]。此外，IL 8是在肿瘤增殖中起自分泌或旁分泌作用的趋化因子[23]。Q10通过减少促炎细胞因子的分泌来发挥其抗炎特性[24，25]。表1列出了本研究选择用于预测模型的变量。2.3. 人工神经网络ANN模型比经典统计模型具有更少的限制，并且在许多情况下，其性能比统计模型更准确[26]。神经网络框架由几层组成，即，输入层、隐藏层和输出层[16]。分类，功能评估和系统识别是ANN应用的例子[27]。输入层中的节点数量与预测变量的数量一致，而输出层中的节点数量对应于响应变量的数量。此外，隐藏层中的节点数量通常由试错法确定[28]。人工神经网络可以从数据之间的关系中学习。一些不同类型的ANN（例如，多层感知器，径向基函数，Hopfied和Kohonen自组织）被推荐用于通过学习解决非线性问题[29]。图1说明了多层感知器神经网络（MLP），其包括输入层、隐藏层和输出层。本研究选择的神经网络具有MLP结构，与其他方法相比具有更好的性能[30]。MLP结构是输入、线性和非线性神经单元以及输出的标准组合。每层中所有处理单元的输出将被给予下一层的所有处理单元。输入层上的处理单元都是线性的;然而，在隐藏层，特别是输出层中，可以基于双曲正切函数、S形函数或任何连续和可微函数来使用非线性神经元。在MLP神经网络中使用的学习算法是误差反向传播学习（EBPL）算法。在EBPL算法中有两个计算路径，即，前向路径，其中刺激函数作用于各个神经元;以及返回路径，其中灵敏度向量（误差向量）从最后一层返回到第一层。最后，使用从上述两条路径获得的信息，表1研究的变量因子属性安Logistic回归血清IL 6水平**血清IL 8水平**血清VEGF水平**婚姻状况*年龄*A. Jamshidnezhad等人医学信息学解锁24（2021）1006143=SP=NFig. 1. 具有一个隐层的MLP神经网络的结构。开发并测试IL 6、IL 8和VEGF的血清水平。图2示出了所开发的ANN模型的结构。预测系统使用了一个隐藏层，在其结构中有20个神经元。为了发现模型的可靠性，在训练阶段重复实验10次。最后，从诊断患者的实验平均值和预测Q10补充剂对受试者的影响的实验平均值中，分两个阶段获得模型性能的结果。通常，混淆矩阵用于评估诊断和预测系统的成功率和效率。在患者 的 分 类 和 诊 断 中 ， 该 矩 阵 的 分 析 产 生 了 四 类 ， 即 ， 真 阳 性（TP）、真阴性（TN）、假阳性（FP）和假阴性（FN）。准确度、灵敏度和特异性的平均评分从混淆矩阵的结果中获得。这些因素是根据以下公式计算的[34]：调整MLP网络的矩阵和偏置向量。为了计算本研究中的误差，使用均方误差（MSE）函数。从计算的角度来看，在此函数中执行以下三个操作：1. 计算系统2. 计算系统3. 求所有误差的平均值（每个误差都已平方）。该函数的公式如下：TP+TNTP+TN+FP+FN灵敏度TPTP+FN特异性TNTN+FP2.4. Logistic回归（二）（三）（四）MSE=1Σ（fi-yi）2（1）其中fi是系统本研究中的神经网络模型架构包括两个步骤，基于MLP神经网络模型。该模型的第一步是用于诊断患者并将其与健康个体区分开来的分类器，而第二步则预测Q10补充剂对患者的影响。该模型是在MATLAB中开发的，它包括三个输入，一个隐藏层，和20个神经元的分类系统。通过对多种结构的反复实验，获得了最佳结构。由于目标是诊断和预测，因 此 使 用 MATLAB 中 的 前 馈 网 络 算 法 ， 该 算 法 使 用 LevenbergMarquident（trainlm）训练函数[33]。在这个模型中，80%的数据集用于模型训练，其余的用于测试阶段。神经网络的迭代次数为训练阶段的20次运行。设计预测神经网络模型，预测其影响在对受试者的Q10补充中，MLP模型分别图二. 构建人工神经网络预测Q10对促炎因子的影响。使用逻辑回归进行Q10补充剂对乳腺癌患者的影响的预测在该步骤中，使用表1中的为了进行逻辑回归分析，使用SPSS软件应用程序。Logistic回归是一种二元因变量的统计回归模型。虽然逻辑回归被认为是一个非常强大的模型，但它取决于分析师在数据和数据分析方面分析师应根据其经验确定变量的正确解[35]。然而，应该注意的是，逻辑回归是最常见的分类和预测模型之一，它通常被用作预测两级或多级结局的合适方法[36]。3. 结果在基于本研究中选择的因素实施用于区分患者与健康个体的模型后，在学习过程中运行20次算法后获得的结果，包括准确度、灵敏度和特异性的平均值，如表2所示。Q10补充剂对三个因素的影响，即，IL 6、IL 8、VEGF的血清水平列于表3中。这些结果包括平均准确度、灵敏度和特异性，其中每一个都是单独计算的。根据公式[2]计算准确度、灵敏度和特异性的平均值。根据表3，最高预测准确度与IL 6相关，而最低预测准确度与VEGF相关图3示出了在用于确定所选因子的血清水平的训练过程中预测Q10补充剂的效果的准确性。此外，使用这些图表，也可以观察到所获得的误差值。根据图3，MSE的最低获得误差为3%。表2诊断乳腺癌的平均结果。准确度灵敏度特异性79.8%72.5%79准确度=A. Jamshidnezhad等人医学信息学解锁24（2021）1006144表3Q10对IL 6、IL 8和VEGF血清水平影响的平均结果血清水平精度灵敏度特异性血清IL 6水平百分之九十六百分之九十三百分之九十八血清IL 8水平百分之八十八百分之九十三百分之七十九血清血管内皮水平百分之九十二百分之九十七百分之八十一图三. 神经网络训练性能。3.1. Logistic回归结果在本研究中，使用逻辑回归作为统计预测方法来预测Q10补充剂对乳腺癌患者的影响。分类表显示了真实观测值与逻辑回归方法预测值之间的一致性。在建模过程的逻辑回归中使用最佳截止点。通过实施逻辑回归模型预测Q10补充剂对患者的影响获得的结果见表4。这些结果包括准确度、灵敏度和特异性的平均值，分别计算。根据表4，最高和最低预测准确度与VEGF和IL 8参数相关，比率分别为90%和76%。根据公式[2]计算结果4. 讨论这项研究旨在识别乳腺癌患者并将其与健康个体区分开来，并使用神经网络和逻辑回归预测Q10补充剂对癌症患者血清IL 6，IL 8和VEGF水平的影响。在这项研究中，通过实现79.8%的预测率，神经网络在识别健康个体方面具有可接受的性能。此外，它显示了强大的和快速的训练性能，使用小尺寸的输入因素。在Q10表4实际观测与逻辑回归模型预测的比较。在此基础上，提出了神经网络和Logistic回归模型。虽然两种模型都适用于预测Q10补充剂的效果，但神经网络模型在预测精度方面具有更高的效率。由于人工神经网络作为诊断和预测疾病的现代方法，已经引起了研 究 人 员 的 广 泛 关 注 ， 因 此 我 们 在 本 研 究 中 使 用 了 多 层 感 知 器（MLP），这是最简单，最有效的建模结构乳腺癌可能伴随着促炎细胞因子水平的升高[15]。因此，血清IL 6、IL 8和VEGF水平可作为乳腺癌诊断的重要生物标志物。在这一步中，首先使用训练样本训练网络，然后使用测试样本对其进行评估。这项研究清楚地表明了人工神经网络技术诊断乳腺癌的效率。快速准确地预测和诊断乳腺癌不仅可以降低治疗成本，还可以增加治疗机会。根据表5，近年来，广泛的方法已用于诊断乳腺癌患者。Dehghan等人使用了三种人工神经网络，即，多层感知器（MLP），LVQ神经网络和贝叶斯方法，它们分别获得了97.5%，97.6%和98.3%的准确率[37]。在沃纳等人的一项研究中，使用遗传算法方法，准确率达到96.3%[40]。 此外，Salama等人使用决策树和贝叶斯方法预测乳腺癌的准确率分别为93.15%和92.9%[39]。此外，Khosraviyan等人使用混合模糊逻辑回归方法，准确率达到96.3% [41]。当前研究的预测结果表明，该诊断模型能够识别乳腺癌患者并将其与健康个体区分开来，准确率为79.8%。虽然该模型的准确性不如其他现有的方法，但在本研究中，只有IL 6，IL 8，VEGF三个输入因子用于诊断乳腺癌，以前从未使用过。结果表明，促炎因子在乳腺癌的诊断中具有重要意义。鉴于乳腺癌的重要性和患病率，获得高度准确和负担得起的方法来帮助诊断和治疗这种疾病是一个不可分割的问题。结果表明，预测乳腺癌患者在接受药物治疗和补充化疗时血清炎症因子水平的重要性。心理治疗Q10补充剂对患者的影响如下：基于血清IL 6、IL 8和VEGF水平分别使用ANN进行预测，准确率分别为96%、88%和92%。考虑到Zahrooni等人[20]的研究结果，IL 6和IL 8水平的高准确度测定对于预测乳腺癌患者的治疗效果及其生活质量至关重要[21，42]。本研究中使用的ANN预测模型能够正确识别使用Q10补充剂后患者血清IL 6和IL 8水平的负变化。虽然Zahrooni等人的研究中没有报道Q10对VEGF血清水平的显著影响，结果表明， 使用开发的ANN模型准确预测VEGFLogistic回归模型对血清IL 6、IL 8和VEGF水平的预测准确率分别为83%、76%和90%。结果表明，Logistic回归模型在预测Q10补充剂对血清中所选因子水平的影响方面5. 结论血清水平准确度灵敏度专属性阳性指示性帐户负数指示性帐户在这项研究中，神经网络和逻辑回归模型用于诊断和预测Q10补充剂对促炎因子的影响。研究结果可以白介素6%83%66%94%88%80白介素8%76%66%83%72%78血管内皮生长因子%90%66%91%80%92改善乳腺癌患者的治疗，因为使用了在免疫系统中起重要作用的三种因素的血清水平，从而提高了患者因此我们建议A. Jamshidnezhad等人医学信息学解锁24（2021）1006145表5乳腺癌的早期症状有（%）9. 有丝分裂9. 有丝分裂9. 有丝分裂10. 乳腺癌病史5目前的研究1。IL6多层神经网络79.82. IL83. VEGF（MLP）在更大的人群中扩展和执行这项研究，并使用其他机器学习方法，通过提供适当的诊断来降低医疗成本。此外，这些方法帮助患者在适当的时间执行预测性操作。此外，Q10补充剂效果的预测可以帮助医生将这种补充剂与其他药物一起使用，或者代替具有不良副作用的药物伦理批准和参与同意所有参与者均签署了书面知情同意书，本研究中进行的所有程序均获得Ahvaz Jundishapur医科大学伦理委员会的批准研究项目编号：CRC-9908。作者输入属性分类算法精度参考文献1Dehghan等人1. 团块厚度，多层神经网络97.5[37个]2.细胞大小的均匀性，（MLP）3.细胞形状的均匀性，4. 边缘粘连，5.单个上皮细胞大小，6.裸核，7. 无色染色质，2Dehghan等人8.正常核仁，1. 团块厚度，学习矢量量化97.6372.细胞大小的均匀性，（LVQ）3.细胞形状的均匀性，4. 边缘粘连，5.单个上皮细胞大小，6.裸核，7. 无色染色质，3Dehghan等人8.正常核仁，1. 团块厚度，朴素贝叶斯98.3[37个]2.细胞大小的均匀性，3.细胞形状的均匀性，4. 边缘粘连，5.单个上皮细胞大小，6.裸核，7. 无色染色质，8.正常核仁，Salama等人1.样本代码编号，决策树93.15[38个]2. 团块厚度，3.细胞大小的均匀性，4.细胞形状的均匀性，5. 边缘粘连，6. 单层上皮7. 裸核8. 无色染色质9. 正常核仁10. 丝分裂Salama等人1.样本代码编号朴素贝叶斯92.97[38个]2.团块厚度3.细胞大小4.细胞形状5. 边缘粘连6. 单层上皮7. 裸核8. 无色染色质9. 正常核仁4Hemmasian等人10. 丝分裂1. 国籍最大期望值（EM）88.99[39]第三十九章2. 年龄类别3.癌症病史4.记忆时代5.首次怀孕5.乳腺密度6.激素治疗7. 更年期8. BMI9.活检史A. Jamshidnezhad等人医学信息学解锁24（2021）1006146发表同意书不适用因资金这项工作得到了伊朗Ahvaz Jundishapur医学科学大学的支持和资助。竞合利益作者声明，本手稿的出版不存在利益冲突。确认非常感谢伊朗阿瓦士医学科学大学癌症研究中心对本项目的支持（研究项目编号：CRC-9908）。此外，感谢Ahvaz Jundishapur医科大学的Zahrooni女士提供本研究中使用的数据集引用[1] 刘伟，刘伟.肿瘤学原理&与实践：肿 瘤 学 年度进展。 Lippincott Williams&Wilkins; 2012.[2] [10]杨文军，李文军.情绪调节困难作为乳腺癌患者恶心呕吐发生率和严重程度预测因子的研究。Journal of Fundamentals of Mental Health2015;17（3）：125-31.[3] Harrington S，Michener LA，Kendig T，Miale S，George SZ.乳腺癌幸存者患者报告的上肢结局指标：一项系统性综述Arch Phys Med Rehabil 2014;95（1）：153-62。[4] 癌症IAfRo。2012年全球乳腺癌发病率、死亡率和流行率估计数。世界卫生组织（2012年更新）。2015.可在线查阅：http：//globocaniarcfr/Pages/fact_sheets_cancer aspX. [2015年10月[5] 作者：John W.美国的实际死亡原因。Jama 1993;270（18）：2207-12.[6] SmithRA，Cokkinides V，Eyre HJ. 美国癌症协会癌症早期检测指南。 CA癌症临床杂志2006;56（1）：11-25。 2006年。[7] Wooster R，Bignell G，LancasterJ，Swift S，Seal S，MangionJ， et al. 乳腺癌易感基因BRCA2的鉴定 Nature 1995;378（6559）：789-92.[8] [10] Sharifian A，Pourhoseingholi MA，Emadedin M，Rostami Nejad M，Ashtari S，Hajizadeh N，et al. 伊朗妇女的乳腺癌负担正在增加。 AsianPacJCancer Prev APJCP 2015;16（12）：5049-52.[9] [10] Montazeri A，Vahdaninia M，Harirchi I，Harirchi AM，Sajadian A，Khaleghi F，et al. 伊朗的乳腺癌：需要提高妇女对预警信号和有效筛查方法的认识。Asia Pac Fam Med2008;7（6）：1-7.[10] 皮尔特岛乳腺介入治疗和乳腺癌治疗选择。Radiol Technol2015;86（5）。535米至58米。[11] Peluso M，Munnia A，Risso GG，Catarzi S，Piro S，Ceppi M，et al. Breast fine-needleaspiration malondialdehyde deo X yguanosine addition in breast cancer.自由基研究2011;45（4）：477-82。[12] Li Y，Ambrosone CB，McCullough MJ，AhnJ，Stevens VL，Thun MJ，et al.氧化应激相关基因型、水果和蔬菜消费与乳腺癌风险。致癌作用2009;30（5）：777-84。[13] 放大图片创作者：J. 克劳斯的食物和营养护理过程。13号St Louis，Mo，USA：Saunders;2012.[14] Molyneu X SL，Florkowski CM，George PM，Pilbrow AP，Frampton CM，Lever M，et al. Coenzyme Q10：an independent predictor of mortality inchronicheart failure. 美国心脏病学杂志2008;52（18）：1435-41。[15] Heer K，Kumar H，Read JR，Fo X JN，Monson JR，Kerin MJ.乳腺癌患者血清血管内皮生长因子水平与肿瘤类型及雌激素受体状态的关系。临床癌症研究2001;7（11）：3491-4。[16] Kazemi M，Mehdizadeh H，Shiri A.利用神经网络数据挖掘技术预测心脏病。伊拉姆医科大学科学杂志2017;25（1）：20-32。[17] Shaikhina T，Khovanova NA.在医疗应用中使用神经网络处理有限数据集：小数据方法。 Artif Intell Med 2017;75：51-63.[18] Bhardwaj A，Tiwari A.使用遗传优化的神经网络模型诊断乳腺癌。E X pert SystAppl 2015;42（10）：4611-20。[19] Arams BK.使用FinGrain并行遗传算法优化MLP神经网络用于乳腺癌诊断。 计算机文章2019;17（57）：12.[20] Fooladi S，Farsi H，Mohamadzadeh S.利用深度神经网络检测前列腺癌和乳腺癌的恶性程度。马什哈德医科大学医学杂志2018;61（5）：1178-87。[21] Zahrooni N，Hosseini SA，Ahmadzadeh A，Angali KA，Assaubrizadegan MA.补充辅酶Q10对乳腺癌妇女血管内皮生长因子和血清白细胞介素6和8水平的影响：一项双盲、安慰剂对照、随机临床试验Therapeut临床风险管理2019;15：1403-10。[22] Knüpfer H，Prei R.白细胞介素-6在乳腺癌中的意义乳腺癌研究治疗2007;102（2）：129-35。[23] [10]张文辉，张文辉，张文辉.使用数据挖掘技术预测乳腺癌复发。 Iran J BreastDis 2013;5（4）：23-34.[24] Schmelzer C，Kitano M，Rimbach G，Niklowitz P，Menke T，Hosoe K，et al.Effects ofubiquinol-10 on microRNA-146a expression in vitro and in vivo. MediatInflamm2009;2009.[25] SchmelzerC，LindnerI，RimbachG，NiklowitzP，MenkeT，D？ringF. 辅酶Q10在炎症和基因表达中的作用生物因子2008;32（1-4）：179-83。[26] Sedehi M，Mehrabi Y，Khodabakhshi A.应用主成分分析提高人工神经网络和逻辑回归模型预测代谢综合征的准确性。Shahrekord University of MedicalSciences2011;13（4）：18-27.[27] AdeliM，Biglarian A，Bakhshi E，Adeli OA. 人工神经网络模型在预测动脉粥样硬化疾病混合反应中的应用。 Razi J Med Sci2013;20（113）：20-8.[28] Franco L，Jerez JM，Alba E，编辑.人工神经网络与医学预后。乳腺癌患者的生存分析ESANN; 2005年。[29] 周世铭，李天生，邵烨，陈一芳.使用人工神经网络和多元自适应回归样条挖掘乳腺癌模式。Expert SystAppl 2004;27（1）：133-42.[30] Kurt I，Ture M，Kurum AT.比较逻辑回归、分类和回归树以及神经网络预测冠状动脉疾病的性能。Expert Syst Appl 2008;34（1）：366-74.[31] 邓恩岭用于模式识别的神经网络的统计方法。JohnWiley &Sons; 2007.[32] Rahmani H，Menhaj MB，Ramzanianpour A. A.基于统计分析的混凝土抗压强度和耐磨性预测的神经网络设计。 Amirkabir Scientific Research Journal 2008;38（2）：39-46.[33] Khoshhal dastjerdiJ，Hosseini SM.人工神经网络在气候要素模拟和干旱周期预测中的应用（以伊斯法罕省为例）。地理与环境规划2010;21（3）：107-20。[34] Baratloo A，Safari S.循证医学。第1部分：试验灵敏度、特异性和准确性的定义和简单计算。伊朗急诊医学杂志2015;20。[35] 张文辉，王晓刚.分类和回归树Monterey，CA：Wadsworth Brooks/ColeAdvanced Books Software; 1984&&.[36] 大野马查多湖医学预后建模：生存分析技术。 JBiomed Inf 2001;34（6）：428-39.[37] Dehghan P，Mogharabi M，Zabbah I，Layeghi K，Maroosi A.使用数据挖掘方法建立乳腺癌模型。Journal of Health and Biomedical Informatics 2018;4（4）：266-78.[38] Salama GI，Abdelhalim M，Zeid MA-e.使用多分类器在三个不同数据集上进行乳腺癌诊断。乳腺癌（WDBC）2012;32（569）：2。[39] Hemmasian Etefagh M，Nadimi Shahraki MH.通过数据挖掘技术中的EM算法，对乳腺癌危险因素的综合评价进行比较，为确定乳腺癌发生的可能性提供一个模型。 伊朗乳腺疾病季刊2016;9（1）：21-30。[40] 遗传规划在重大疾病诊断中的应用。In：Werner JC，Fogarty TC，editors.医学与药理学智能数据分析会议录。IDAMAP-2001）;2001年。[41] 许文，王晓，等.基于模糊数学的乳腺肿瘤诊断系统的研究.中国医学科学院学报，2000，24（1）：117 - 118.伊朗乳腺疾病季刊2017;10（3）：55-66。[42] Hosseini SA，Zahrooni N，Ahmadzadeh A，Ahmadiangali K，AssaubarzadeganMA. 辅酶Q10补充剂对接受tamo x ifen治疗的乳腺癌妇女生活质量的影响：一项双盲，安慰剂对照，随机临床试验 Psychol Res Behav Manag 2020;13：151-9.