Ein Offenkundigkeitsschlussfolgern basiertes Modell für die Diagnose von Lymphknotenmetastasen im Magen-cancer

Ein Offenkundigkeitsschlussfolgern basiertes Modell für die Diagnose von Lymphknotenmetastasen bei Magenkrebs
Zusammenfassung
Hintergrund
Lymphknotenmetastasen (LNM) bei Magenkrebs ist ein sehr wichtiger prognostischer Faktor langfristige Überleben zu beeinflussen. Derzeit sind mehrere gemeinsame Abbildungstechniken verwendet, um die Lymphknotenstatus zu bewerten. Sie sind jedoch nicht in der Lage sowohl eine hohe Sensitivität und Spezifität gleichzeitig zu erreichen. Um mit diesem komplexen Thema, eine neue Offenkundigkeitsschlussfolgern (ER) basierendes Modell befassen wird vorgeschlagen, bei Magenkrebs Diagnose von LNM zu unterstützen.
Methoden
Es gibt 175 konsekutiven Patienten, die durch Multidetektor-Computertomographie ging (MDCT) nacheinander vor der Operation. Acht Indikatoren, die Serosa-Invasion sind, Tumorklassifikation, Tumor-Enhancement-Muster, Tumordicke, die Anzahl der Lymphknoten, der maximale Lymphknotengröße, Lymphknotenstation und Lymphknoten-Erweiterung verwendet, um den Tumor und Lymphknoten durch CT-Bilder zu bewerten. Alle der oben genannten Indikatoren reflektieren das biologische Verhalten von Magenkrebs. Ein ER-basiertes Modell wird berechnet, indem die obigen Indikatoren Eingangsindex aufgebaut. Der Ausgangsindex bestimmt, ob LNM für die Patienten auftritt, die durch die Operation und die Histopathologie entschieden wird. Eine Technik namens k-fache Kreuzvalidierung wird für die Ausbildung und Prüfung des neuen Modells verwendet. Die Diagnosefähigkeit von LNM wird durch receiver operating characteristic (ROC) Kurven ausgewertet. Ein Radiologe LNM klassifiziert durch Lymphknotengröße für den Vergleich anzunehmen.
Ergebnisse | 134 von 175 Fällen sind Fälle von LNM, und die Überreste sind es nicht. Acht Indikatoren haben statistisch signifikanten Unterschied zwischen den positiven und negativen Gruppen. Die Sensitivität, Spezifität und AUC des ER basierten Modells sind 88,41%, 77,57% und 0,813, respectively. Doch für den Radiologen LNM durch maximale Lymphknoten Größe Auswertung sind die entsprechenden Werte nur 63,4%, 75,6% und 0,757. Daher kann das vorgeschlagene Modell eine bessere Leistung als die Radiologen erhalten. Außerdem übertrifft das vorgeschlagene Modell auch andere Methoden des maschinellen Lernens.
Schlussfolgerungen
Nach dem biologischen Verhalten Informationen von Magenkrebs, das ER basiertes Modell LNM effektiv und präoperativ zu diagnostizieren.
Schlüsselwörter Magenkrebs Lymph Knoten Metastasierung Offenkundigkeitsschlussfolgern hintergrund und Magenkrebs hat eine der Hauptursachen für Krebs-Todesfälle in der Welt [1] werden. Lymphknotenmetastasen (LNM) ist ein sehr wichtiger prognostischer Faktor in Bezug auf langfristige Überleben [2]. Die TNM ein Staging-System auf Basis von American Joint Committee on Cancer wird als ausgewertet Standard genommen und weitgehend akzeptiert wurde [3]. Derzeit Basierend auf diesem Standard, die 5-Jahres-Überlebensrate von Patienten in N0 Phase nach der Operation 86,1%, während N1, N2 und N3 Stufe Patienten 58,1% erhalten, 23,3% und 5,9% bzw. [4].
Ärzte diagnostizieren LNM empirisch basierend auf der Größe der Lymphknoten, die auf verschiedenen Bildgebungsverfahren beruht, wie endoskopische Ultraschall (EUS), Bauch-Ultraschall, Multi-Slice-spiral-Computertomographie (CT), Magnetresonanztomographie (MRT) und Positronenemissions berechnet Tomographie (PET). Jedoch keine der genannten bildgebenden Verfahren können die Lymphknotenstatus in zufriedenstellender Weise erhalten. Inzwischen ist eine systemische Überprüfung zeigt, dass EUS, MDCT, konventionellen MRT und FDG-PET nicht zuverlässig das Vorhandensein von LNM zu bestätigen oder auszuschließen verwendet werden [2]. Der Grund ist, dass große Lymphknoten durch Entzündung verursacht werden können, während kleine kann durch Metastase verursacht werden. Daher ist einzelne Lymphknoten Größe nicht ein starker Prädiktor. In der Tat haben viele Studien gezeigt, dass LNM zu Tumorgröße, pathologische lymphatische Beteiligung, histologischen Typ und anderen Faktoren zusammenhängt [5-8]. Daher ist ein Verfahren in Betracht gezogen werden Lymphknotengröße mit diesen Faktoren kombiniert. Außerdem ein paar Untersuchungen [9-11] haben die diagnostischen Möglichkeiten der morphologischen Eigenschaften im Rektum Krebs diskutiert. Nach diesen Studien ist, verbessern sich die morphologischen Eigenschaften einschließlich der Grenzkontur und Signalintensität der Lymphknoten können teilweise die Diagnosefähigkeit der Metastasierung. Allerdings konzentrieren sich diese Studien vor allem auf die MRT-Bildgebung im Rektum Krebs. Bei Patienten mit Magenkrebs in der klinischen Praxis ist Abdomen CT ein häufiger verwendeten Bildgebungsmodalität als MRT-Untersuchung. Daher betrachten bauen wir ein Modell LNM mit mehreren Indikatoren zu diagnostizieren.
Da es qualitative und quantitative Daten in acht Indikatoren, ein Verfahren, das diese beiden Arten von Daten integrieren können angenommen werden sollte. Die ER-Ansatz wurde ursprünglich zu befassen sich mit mehreren Attributentscheidungsanalyse Probleme vorgeschlagen, die sowohl qualitative als auch quantitative Attribute unter Unsicherheiten unterworfen sind [12]. Der Kern ist die ER-Algorithmus, der auf der Grundlage der Entscheidungstheorie und der Dempster-Shafer (D-S) Theorie der Nachweis entwickelt [13, 14]. Als ER kann die qualitative Informationen und quantitative Daten integrieren vernünftig, sie angewendet wird. Eines der Ziele in dieser Arbeit ist es, auf die Indikatoren beziehen sich auf das biologische Verhalten von Magenkrebs zu analysieren und ein mathematisches Modell konstruieren LNM präoperativ zu beurteilen.
Methoden
Patienten
In diesem Experiment wurden 175 CT Fälle erhalten von Peking University Cancer Hospital & Institute (Beijing, China P. R.) bilden die Probe eingestellt. Gemäß der internationalen Behandlungsrichtlinie von Magenkrebs, ist CT eine der am häufigsten verwendeten Kontrollen [15]. Jedoch können andere Verfahren, wie beispielsweise PET und EUS werden als ausgewählte Prüfung verwendet. Diese Patienten wurden präoperative Kontrastverstärkung Bauch in den CT-Untersuchungen verabreicht und erhielt die Gastrektomie zwischen April 2006 und September 2008. Diese retrospektive Studie von Institutional Review Board (IRB) genehmigt wurde. Sie wurden präoperativ mit MDCT untersucht. Beachten Sie, dass wir die informierte Einwilligung von allen ausgewählten Patienten an die Routine klinischen Verlauf von CT-Untersuchungen vor erhalten haben. Es gibt 125 Männer und 50 Frauen bei diesen Patienten und deren Durchschnittsalter beträgt 59,8 Jahre. Die Details sind in Tabelle 1 1.Table Patientencharakteristika
Klinik pathologischen Merkmale gezeigt

Wert
Anzahl der Patienten
175
Durchschnittsalter (y)
59,8 (30-85)
Verhältnis von Männern zu Frauen
125: 50
Histopathologie
Adenokarzinome
173 (98,9%)
gut differenziert
6 (3,4%)
Mäßig
91 (52%) differenziert
Poorly
76 (43,5%) differenziert
kleinzelligen
2 (1,1%)
Lymphknotenmetastasen
Positiv
(76,6%)
Negative
41 (23,4%)
Indikatoren
Es gibt acht Indikatoren, die von zwei Radiologen extrahiert wurden, eine mit drei Jahren ein weiteres mit acht Jahren Erfahrung in der Bauch-CT. Die acht Indikatoren wurden gemessen und von Hand auf MDCT Bilder gezählt, wie folgt: (1) Serosa invasion: Axial und MPR Bilder die Serosa invasion gleichzeitig zu bestimmen, werden ausgewertet. Die gesamte Verdickung Magenwand abnormal lineare oder Netzstrukturen in die Fettschicht verbessert rund um den Magen serosal Invasion angegeben [16]
(2) Tumorklassifizierung:. Frühe Magenkrebs oder Bormann Klassifizierung von Krebs im fortgeschrittenen Stadium in MPR Bildern . bestätigt
(3) Tumor-Enhancement-Muster. Tumor-Enhancement ist bei Portal Phase der CT-Bilder in drei Muster unterteilt, die Schleimhautoberfläche Verbesserung, homogene und heterogene Erweiterung Erweiterung sind
(4) Tumordicke: Die maximale Dicke des Tumors wird an den axialen CT-Bilder gemessen
(5) Die Zahl der Lymphknoten. Die Zahl der Magen regionalen Lymphknoten mit einer Größe von mehr als 3 mm in MDCT Bilder von Gruppen gezählt wird [17]. Da die Lymphknoten, die kleiner als 3 mm, zu klein sind, um sie erkennbar zu machen, werden sie weggelassen
(6) Maximale Lymphknoten Größe:. Die kurze Achse des Knotens größte Lymphe in CT-Bildern entdeckt gemessen wird
(7) Lymph Knotenstation. die Lymphknoten-Station mit MDCT Bilder auf dem japanischen Klassifikation von Magenkarzinom basiert bestimmt [17]
(8) Lymphknoten Erweiterung.: Es bedeutet, CT Dämpfungswert von Lymphknoten, die an der Pfortader-Phase des CT-Bildes gemessen wird.
In diesem Papier, alle Indikatoren manuell gemessen. Die Anzahl der Lymphknoten ist die Menge der Lymphknoten um den Magen. Maximum Lymphknoten Größe und Lymphknoten Verbesserung wird aus dem maximalen Lymphknoten extrahiert. Ziel ist es, vorherzusagen, ob LNM andere tritt als maximale Lymphknoten LNM hat. Mit anderen Worten, ist das Objekt, um vorherzusagen, ob LNM für jeden Patienten auftritt. Das Endergebnis für LNM Diagnose wird durch die Operation und Histopathologie entschieden. Die pathologische Ergebnis kann definitiv bestätigen, ob LNM auftritt oder nicht. Wir wollen keine Metastase für jeden Lymphknoten zu prognostizieren. Der Grund dafür ist, dass Eins-zu-Eins-Entsprechung der Lymphknoten mit CT und Pathologie, hängt von sehr präzise und eine ausgezeichnete Erfahrung von Radiologen. Es ist normalerweise nicht ausreichend konsistent für unterschiedliche Radiologen, die die Vorhersagegenauigkeit des mathematischen Modells beeinflussen können. Deshalb haben wir nicht die Korrespondenz eins zu eins für sämtliche Lymphknoten. Die Details sind in Tabelle 2.Table 2 Beschreibung von acht Indikatoren Patientendaten
LNM (-)
LNM (+)
Patientennummer
41/175
134/175
Messdaten
Tumordicke (mm)
13,3 ± 14,0
16,6 ± 28,4
Maximale Lymphknoten Größe (mm)
6,5 ± 2,8
10,0 ± 5,5
Die Anzahl der Lymphknoten
7 ± 4
12 ± 8
Lymphknoten Erweiterung
39,5 ± 58,5
62,5 ± 66,5
Daten Count
Tumor-Enhancement-Muster
Muster 1 | 13/175
6/175
Muster 2
26/175
118/175
Muster 3
2/175
10/175
serosalen Invasion
Ja
15/175
120/175
Kein
26/175
14/175
Tumorklassifikation
Frühmagenkrebs
9/175
1/175
Borrmann I 2/175
0/175
Borrmann II Bei
3/175
9/175
Borrmann III
27/175
121/175
Borrmann IV
0/175
3/175
Lymphknoten Station
Station 1
29 /175
44/175
Station 2
12/175
54/175
Station 3
0/175
36/175
der Wert der Messdaten manuell, und die Zähldaten war die Anzahl der Daten gemessen wurde. In diesem Modell ER basiertes Modell
stellen wir jeden Fall von einem über komplettes Wörterbuch, dessen Elemente die Trainingsmuster. Wenn genügend Trainingsproben aus jeder Klasse verfügbar sind, wird es möglich sein, die Testprobe darstellen.
Davon aus, dass Trainingsmuster bezeichnet werden durch X = {X
1 | X
2
, ..., X
p
}
∈ R
MXN
, wobei n Was ist die Anzahl der Trainingsmuster, und m Was ist die Anzahl von Indikatoren. y
∈ {1,2, ..., p}
das Etikett und p
ist der Klassenindex. T = [T
1 | T
2
..., T
m
]
T
bezeichnet eine Testprobe. Die Über komplette Wörterbuch ist ein
wie folgt bezeichnet: 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
(1) Hier A
besteht aus Trainingsbeispielen und A
m, n
stellt jeden Indikator in Trainingsmuster. Entsprechend den Grenzen der ER, sollten die Spalten von A und T

zuerst normalisiert werden. Dann wird jeder Indikator T i
in Testprobe durch A
dargestellt wird und die entsprechenden Koeffizienten w
i
, i
= 1,2, ..., m
. Dann nutzen wir die ER analytischen Algorithmus [13] wie folgt: T
j
=
μ
×
Π
k
=
1 | n
ω
k
A
j
,
k
+
1 | -
ω
k
Σ
i
=
1 | m
A
i
,
k
-
Π
k
=
1 | n
1 | -
ω
k
Σ
i
=
1 | m
A
i
,
k
1
-
μ
×
Π
k
=
1 | n
1 | -
ω
k
(2) μ
=
[
Σ
j
=
1 | m
Π
k
=
1 | n
ω
k
A
j
,
k
+
1 | -
ω
k
Σ
i
=
1 | m
A
i
,
k
-
m
-
1 | Π
k
=
1 | n
1 | -
ω
k
Σ
i
=
1 | m
A
i
,
k
]
-
1 | (3) Alle Indikatoren in T
durch A dargestellt werden
und w

i, i
= 1,2, ..., m
mit dem ER-Ansatz. Es sei angenommen, dass ER
die ER-Ansatz darstellt. Daher wird T
wie folgt dargestellt: T
=
ER
A
,
ω
(4) wobei ω∈R
n
der Koeffizientenvektor ist. Allerdings ist es nicht möglich, die optimale Lösung zu garantieren, und stattdessen wir es durch die Näherungslösung in Gleichung (5) vorgesehen ersetzen: 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 Autoren gelesen und genehmigt haben das endgültige Manuskript.

• Polymorphismen von TGFB1 und VEGF-Gene und das Überleben von Patienten mit Magenkrebs
• Genomsequenz von Helicobacter suis unterstützt seine Rolle bei Magen-Pathologie