[发明专利]使用分类系统及其试剂盒识别和诊断肺部疾病的方法

说明书

本发明提供用于诊断肺部疾病，例如反应性气道疾病的非小细胞肺癌的生物标记物和生物标记物组合。将这些生物标记物的测定值输入诸如支持向量机或AdaBoost的分类系统，以帮助确定个体患有肺部疾病的可能性。还提供了包括检测所述生物标记物和生物标记物组合的试剂的试剂盒，以及帮助诊断肺部疾病的系统。

本申请是申请日为2012年4月30日、申请号为201280031514.2、发明名称为“使用分类系统及其试剂盒识别和诊断肺部疾病的方法”的发明专利申请的分案申请。

发明背景

(a)技术领域

本发明涉及使用生物标记物及其试剂盒对肺部疾病的检测、识别和诊断，以及根据生物标记物帮助确定疾病存在或不存在的可能性的系统。更具体地讲，本发明涉及通过测定特定生物标记物的表达水平，并且将这些测定值输入分类系统，例如支持向量机对非小细胞肺癌和反应性气道疾病进行的诊断。

(b)相关技术的描述

人类肺组织的病变

数以百万计的美国人患有呼吸系统的病变，例如哮喘和肺癌。事实上，据AmericanLung报告，几乎有2000万美国人患有哮喘。American Cancer Society,Inc.估计，仅在2007年新增的呼吸系统癌症为229,400例，呼吸系统癌症死亡为164,840例。虽然在检测到癌症还处于原位时，所有癌症病例的五年存活率均为46％，但肺癌患者的五年存活率仅为13％。相应地，仅有16％的肺癌在疾病扩散之前被发现。根据癌细胞的病变，肺癌通常分为两种主要类型。每种类型根据转化变为癌性的细胞类型命名。小细胞肺癌来源于人类肺组织中的小细胞，而非小细胞肺癌通常涵盖非小细胞类型的所有肺癌。非小细胞肺癌组合在一起，因为对于所有非小细胞类型治疗通常是相同的。非小细胞肺癌或NSCLC一起构成了约75％的所有肺癌。

肺癌难以在早期诊断，这一事实是肺癌患者低存活率的主要因素。当前诊断肺癌或识别其在人体中存在的方法仅限于采取肺部的X-射线、计算机断层成像(CT)扫描以及类似的测试，物理确定肿瘤的存在或不存在。因此，肺癌的诊断通常仅响应于明显或存在一段显著时间的症状，以及疾病存在于人体中的时间足以产生可物理检测的肿块之后作出。

相似地，当前检测哮喘的方法通常在症状，例如反复喘息、咳嗽和胸闷的出现很久以后才进行。当前检测哮喘的方法通常仅限于肺功能测试，例如肺活量测试或挑战测试。此外，这些测试通常由内科医生安排，随着多个其他测试进行，以排除其他病变或反应性气道疾病，例如慢性阻塞性肺病(COPD)、支气管炎、肺炎和充血性心力衰竭。

分类系统

已经广泛探索了各种分类系统，例如用于数据分析和数据挖掘的机器学习方法，用于识别模式，以及在存在恰为无关数据的其他信息的情况下启动包含于大数据库中的重要信息的提取。学习机器包括可训练为使用具有已知分类的数据归纳的算法。然后，训练的学习机器算法可用于在未知结果的情况下预测结果，即根据学习模式对数据分类。机器学习方法，包括神经网络、隐藏马尔可夫模型、信度网络和基于核的分类器例如支持向量机，可用于特征为大量数据、噪声模式以及一般理论缺乏的问题。

模式分类、回归和群集问题的多个成功方法依赖于确定一对模式的相似性的核。这些核通常定义为可以实数的向量表示的模式。例如，线性核、径向基核和多项式核均测定一对实数向量的相似性。当数据以该方式最佳地表示为实数序列时，此类核是适当的。核的选择对应于数据在特征空间中表示的选择。在多个应用中，模式具有更大的结构度。可开发这些结构用于改善学习算法的性能。机器学习应用中常见的结构化数据类型的例子为字符串、文档、树、图例如网站或化学分子、信号例如微阵列表达谱、光谱、图像、时空数据、关系数据和生物化学浓度等等。