En bevismæssige ræsonnement baseret model for diagnose af lymfeknude metastaser i gastrisk cancer

En bevismæssige ræsonnement baseret model for diagnose af lymfeknude metastaser i mavekræft
Abstract
Baggrund
Lymfeknude metastaser (LNM) i gastrisk kræft er en meget vigtig prognostisk faktor, der påvirker langsigtede overlevelse. I øjeblikket er flere almindelige billeddannelsesteknikker anvendes til at evaluere lymfeknude-status. Men de er ude af stand til at opnå både høj følsomhed og specificitet samtidig. For at håndtere dette komplekse emne, er en ny bevismæssig ræsonnement (ER) model foreslået at understøtte diagnosen LNM i mavekræft.
Metoder
Der er 175 konsekutive patienter, der gik gennem multidetektor computertomografi (MDCT) konsekutivt før operationen. Otte indikatorer, som er serøse invasion, tumor klassificering, tumorforbedring mønster, tumor tykkelse, antal lymfeknuder, maksimal lymfeknude størrelse, lymfeknude station og lymfeknude enhancement er brugt til at evaluere tumor og lymfeknude gennem CT-billeder. Alle de ovennævnte indikatorer afspejler den biologiske opførsel af mavekræft. En ER baseret model konstrueres ved at tage de ovennævnte indikatorer som input indeks. Udgangen Indekset afgør, om LNM sker for patienterne, som er besluttet af kirurgi og histopatologi. En teknik kaldet k-fold krydsvalidering anvendes til træning og afprøvning af nye model. Den diagnostiske evne LNM vurderes ved Receiver Operating karakteristiske (ROC) kurver. En radiolog klassificerer LNM ved at vedtage lymfeknude størrelse til sammenligning.
Resultater
134 ud af 175 tilfælde er tilfælde af LNM, og resterne er ikke. Otte indikatorer har statistisk signifikant forskel mellem de positive og negative grupper. Den følsomhed, specificitet og AUC af ER baserede model er 88,41%, 77,57% og 0,813 henholdsvis. Men for radiologen evaluering LNM ved maksimal lymfeknude størrelse, de tilsvarende værdier er kun 63,4%, 75,6% og 0,757. Derfor kan den foreslåede model opnå bedre ydeevne end radiologen. Desuden den foreslåede model overgår også andre metoder machine learning.
Konklusioner
Ifølge den biologiske opførsel oplysninger af mavekræft, kan ER baseret model diagnosticere LNM effektivt og præoperativt.
Nøgleord
mavekræft lymfeknuder node metastase bevismateriale ræsonnement Baggrund
mavekræft er blevet en af ​​de vigtigste årsager til kræft dødsfald i verden [1]. Lymfeknudemetastase (LNM) er en meget vigtig prognostisk faktor for langsigtet overlevelse [2]. Den TNM en mellemstation system baseret på amerikanske fælles udvalg om kræft tages som den evaluerede standard og er blevet bredt accepteret [3]. Baseret på denne standard, 5-års overlevelse på patienter i n0 fase efter operationen er 86,1%, mens N1, N2 og N3 patienter stadie kan få 58,1%, 23,3% og 5,9%, henholdsvis [4].
Øjeblikket læger diagnosticere LNM empirisk baseret på størrelsen af ​​lymfeknuder, der er afhængig af forskellige billeddiagnostiske metoder, såsom endoskopisk ultralyd (EUS), abdominal ultralyd, multi-slice spiral edb tomografi (CT), magnetisk resonans (MRI) og Positron Emission beregnet Tomography (PET). ingen af ​​de ovennævnte imaging værktøjer kan imidlertid erhverve lymfeknude-status på en tilfredsstillende måde. I mellemtiden har en systemisk gennemgang viser, at EUS, MDCT, konventionel MRI, og FDG-PET ikke kan anvendes til at bekræfte eller udelukke forekomsten af ​​LNM pålideligt [2]. Årsagen er, at store lymfeknuder kan være forårsaget af inflammation, mens små kan være forårsaget af metastase. Derfor enkelt lymfeknude størrelse er ikke en stærk prædiktor. Faktisk har mange undersøgelser vist, at LNM er relateret til tumorstørrelse, patologisk lymfe inddragelse, histologisk type og andre faktorer [5-8]. Derfor bør betragtes som en fremgangsmåde, som kombinerer lymfeknude størrelse med disse faktorer. Desuden har et par undersøgelser [9-11] diskuteret de diagnostiske evner morfologiske karakteristika i endetarmen kræft. Ifølge disse undersøgelser, kan de morfologiske karakteristika, herunder grænsen kontur og signal intensitet lymfeknuder dels forbedre den diagnostiske evne metastaser. Men disse undersøgelser fokuserer primært på MR billeddannelse i endetarmen kræft. For patienter med gastrisk cancer i klinisk praksis, mave CT er en mere almindelig brugt afbildningsmodalitet end MRI-undersøgelse. Derfor overvejer vi at opbygge en model til at diagnosticere LNM med flere indikatorer.
Da der er kvalitative og kvantitative data i otte indikatorer, en metode, der kan integrere bør vedtages disse to typer data. ER fremgangsmåde blev oprindeligt foreslået at beskæftige sig med flere beslutningsprocesser attribut analyse problemer, der involverer både kvalitative og kvantitative egenskaber under usikkerhed [12]. Kernen er den ER algoritme, der er udviklet på grundlag af afgørelsen teori og Dempster-Shafer (D-S) teori om bevismateriale [13, 14]. Som ER kan integrere de kvalitative oplysninger og kvantitative data rimeligt, det er påført. Et af målene i dette dokument er at analysere, hvilke indikatorer er relateret til biologiske opførsel af gastrisk kræft og konstruere en matematisk model til at vurdere LNM præoperativt.
Metoder
Patienter
I dette eksperiment, opnåede 175 CT sager fra Peking University Cancer Hospital & Institute (Beijing, Kina P. R.) udgøre stikprøven sæt. Ifølge den internationale behandling retningslinje af gastrisk kræft, CT er en af ​​de mest almindeligt anvendte inspektioner [15]. andre metoder såsom PET og EUS bruges dog som valgt check. Disse patienter blev administreret præoperativ kontrastforbedring abdominal i CT-undersøgelser og fik gastrektomi fra april 2006 og september 2008. Denne retrospektiv undersøgelse blev godkendt af institutionel Review Board (IRB). De blev præoperativt undersøgt med MDCT. Bemærk, at vi har indhentet et informeret samtykke fra alle udvalgte patienter forud for den rutinemæssige kliniske forløb af CT undersøgelser. Der er 125 mænd og 50 kvinder blandt disse patienter, og deres gennemsnitlige alder er 59,8 år. Detaljerne er vist i tabel 1.Table 1 patientkarakteristika
Clinic patologiske funktioner
Value
Antal patienter
175
Gennemsnitsalder (y)
59,8 (30-85)
Ratio mænd til kvinder
125: 50
Histopatologi
Adenocarcinom
173 (98,9%)
Nå differentieret
6 (3,4%)
moderat differentieret
91 (52%)
dårligt differentieret
76 (43,5%)
småcellet carcinom
2 (1,1%)
lymfeknudemetastase
Positive
134 (76,6%)
Negativ
41 (23,4%)
indikatorer
der er otte indikatorer, der blev udvundet af to radiologer, et med tre år og en anden med otte års erfaring i abdominal CT. De otte indikatorer blev målt og talt manuelt på MDCT billeder som følger: (1) serøse invasion: Aksiale og MPR billeder evalueres for at bestemme serosa invasion samtidigt. Hele fortykkelse mave væg unormalt øger lineære eller retikulære strukturer i fedtlaget omkring maven angivne serøse invasion [16]
(2) Tumor klassifikation:. Tidlig gastrisk kræft eller Bormann klassificering af fremskreden kræft i MPR billeder er . bekræftet
(3) Tumor enhancement mønster:. Tumor enhancement er opdelt i tre mønstre på portalen fase af CT-billeder, som er slimhindeoverflade ekstraudstyr, homogen forbedring og heterogene ekstraudstyr
(4) tumor tykkelse: Den maksimale tykkelse tumor målt ved de aksiale CT-billeder
(5) antallet af lymfeknuder:. antallet af mavens regionale lymfeknuder med størrelse større end 3 mm i MDCT billeder ved grupper tælles [17]. Som lymfeknuder, som er mindre end 3 mm, er alt for lille til at gøre dem tydelige, er de udeladt
(6) Maksimal lymfeknude størrelse:. Den korte akse af største lymfeknude påvist i CT-billeder måles
(7) lymfeknude station:. det lymfeknude station med MDCT billeder baseret på den japanske klassifikation af gastrisk karcinom bestemmes [17]
(8) lymfeknude ekstraudstyr.: det betyder CT dæmpning værdi lymfeknude, som måles på portalen venøse fase af CT-billede.
i dette papir, er alle indikatorer målt manuelt. Antallet af lymfeknuder er mængden af ​​lymfeknuder omkring maven. Maksimal lymfeknude størrelse og lymfeknude enhancement ekstraheres fra den maksimale lymfeknude. Målet er at forudsige, om LNM sker andet end maksimal lymfeknude har LNM. Med andre ord er formålet at forudsige, om LNM forekommer for hver patient. Det endelige resultat for LNM diagnose er besluttet af kirurgi og histopatologi. Den patologiske resultat kan helt sikkert bekræfte, om LNM opstår eller ej. Vi ønsker ikke at forudsige metastase for hver lymfeknude. Årsagen er, at en-til-en lymfeknude korrespondance med CT og patologi afhænger meget præcis og fremragende oplevelse af radiolog. Det er normalt ikke konsekvent tilstrækkeligt til forskellige radiologer, som kan påvirke forudsigelse nøjagtighed den matematiske model. Derfor har vi ikke gøre en-til-en korrespondance for hver lymfeknude. Detaljerne er beskrevet i tabel 2.Table 2 Beskrivelse af otte indikatorer
Patient data
LNM (-)
LNM (+)
Patient nummer
41/175
134/175
Måling data
Tumor tykkelse (mm)
13,3 ± 14,0
16,6 ± 28,4
Maksimal lymfeknude størrelse (mm)
6,5 ± 2,8
10,0 ± 5,5
antallet af lymfeknuder
7 ± 4
12 ± 8
Lymfeknude enhancement
39,5 ± 58,5
62,5 ± 66,5
Count data
Tumor enhancement mønster
M.1
13/175
6/175
M.2
26/175
118/175
mønster 3
2/175
10/175
serøse invasion
Ja
15/175
120/175
Ingen
26/175
14/175
Tumor klassificering
Tidlig mavekræft
9/175
1/175
BORRMANN jeg
2/175
0/175
BORRMANN II
3/175
9/175
BORRMANN III
27/175
121/175
BORRMANN IV
0/175
3/175
lymfeknuder station
Station 1
29 /175
44/175
Station 2
12/175
54/175
Station 3
0/175
36/175
værdien af ​​måledata blev målt manuelt, og optællingen data var antallet af data.
eR baseret model
i denne model, vi repræsenterer hvert enkelt tilfælde af en over-komplet ordbog, hvis elementer er uddannelsen prøver. Hvis tilstrækkelig uddannelse prøver er tilgængelige fra hver klasse, vil det være muligt at repræsentere prøven.
Antage, at uddannelse prøver er angivet med X = {X
1
, X
2
, ..., X
s
}
∈ R
MXN
, hvor n
er antallet af uddannelse prøver, og m
er antallet af indikatorer. y
∈ {1,2, ..., s}
er etiketten og p
er den klasse indeks. T = [T
1
, T
2
..., T
m
]
T
betegner en testprøve. Den over-komplet ordbog A
betegnes som følger: A
=
A
1
,
1
,
A
1
,
2

...
,
A
1
,
n
A
2
,
1
,
A
2
,
2
,
...
,
A
2
,
n
...
,
...
,
...
,
...
A
m
,
1
,
A
m
,
2
,
...
,
A
m
,
n Hotel (1) Her A
består af uddannelse prøver og En
m, n
repræsenterer hver indikator i uddannelse prøver. Ifølge grænserne for ER, bør kolonner af A
og T
normaliseres først. Så hver indikator T Jeg
i prøven er repræsenteret ved A
og tilsvarende koefficienter w
jeg
, jeg
= 1,2, ..., m
. Så udnytter vi ER analytiske algoritme [13] som følger: T
j
=
μ
×
Π
k
=
1
n
ω
k
A
j
,
k
+
1
-
ω
k
Σ
jeg
=
1
m
A
i
,
k
-
Π
k
=
1
n
1
-
ω
k
Σ
jeg
=
1
m
A
jeg
,
k
1
-
μ
×
Π
k
=
1
n
1
-
ω
k Hotel (2) μ
=
[
Σ
j
=
1
m
Π
k
=
1
n
ω
k
A
j
,
k
+
1
-
ω
k
Σ
jeg
=
1
m
A
jeg
,
k
-
m
-
1
Π
k
=
1
n
1
-
ω
k
Σ
jeg
=
1
m
A
jeg
,
k
]
-
1 Hotel (3) Alle indikatorer i T
kan være repræsenteret ved A
og w
jeg
, jeg
= 1,2, ..., m
hjælp af ER tilgang. Antag, at ER
repræsenterer ER tilgang. Derfor er T
repræsenteret således: T
=
ER
A
,
ω
(4), hvor ω∈R
n
er koefficienten vektor. Det er dog ikke muligt at garantere den optimale løsning og i stedet vi erstatte den med den omtrentlige løsning, i ligning (5): T
≈
ER
A 0.948
0.020
0.000
0.908
0.988
ANN
0.798
0.043
0.000
0.713
0.882
SVM Alle forfattere læst og godkendt den endelige manuskript.

• Polymorfier af TGFB1 og VEGF gener og overlevelsen af ​​patienter med mavekræft
• Genom sekvens af Helicobacter suis understøtter sin rolle i gastrisk patologi