Todennäköisyyspäätelmä päättely mallia diagnosointiin imusolmuke etäpesäke mahasyövän

Todennäköisyyspäätelmä päättely mallia diagnosointiin imusolmuke etäpesäke mahasyövän
tiivistelmä
tausta
Imusolmuke etäpesäke (LNM) mahasyövän on erittäin tärkeä ennustetekijä vaikuttava pysyvyyttä. Tällä hetkellä useita yhteisiä kuvantamismenetelmiä käytetään arvioimaan imusolmuke tila. Ne ovat kuitenkin voi saavuttaa sekä suuri herkkyys ja spesifisyys samanaikaisesti. Voidakseen käsitellä tätä monimutkaista asiaa, uusia todisteita päättely (ER), joka malli on ehdotettu tukemaan diagnoosin LNM mahasyövän. Tool Menetelmät
On 175 peräkkäistä potilasta, jotka menivät läpi multidetector tietokonetomografiaa (MDCT) peräkkäin ennen leikkausta. Kahdeksan indikaattoreita, jotka ovat seröösisiä invaasio, kasvaimen luokittelu, kasvain lisälaite kuvio, kasvaimen paksuus, määrä imusolmukkeiden, maksimi imusolmuke kokoa, imusolmuke asema ja imusolmuke lisälaite käytetään arvioimaan kasvain ja imusolmuke kautta CT-kuvia. Kaikki edellä mainitut indikaattorit heijastavat biologista käyttäytymistä mahasyövän. ER mallia rakennetaan ottamalla yllä indikaattorit syötteenä hakemisto. Tuotos indeksi määrittää, LNM tapahtuu potilaille, joka päättää leikkauksen ja histopatologia. Tekniikkaa kutsutaan k-kertainen ristivalidointi käytetään koulutukseen ja testaamalla uutta mallia. Diagnostinen kyky LNM arvioidaan vastaanotin toimii (ROC) käyriä. Radiologi luokittelee LNM hyväksymällä imusolmuke koko vertailun.
Tulokset
134 ulos 175 tapausta ovat tapauksia LNM, ja jäännökset eivät ole. Kahdeksan indikaattorit on tilastollisesti merkitsevä ero positiivisten ja negatiivisten ryhmien. Herkkyyttä, spesifisyyttä ja AUC ER mallia ovat 88,41%, 77,57% ja 0,813, tässä järjestyksessä. Kuitenkin radiologi arvioimiseksi LNM enimmäispainoin imusolmuke kokoa, vastaavat arvot ovat vain 63,4%, 75,6% ja 0,757. Näin ollen ehdotettu malli voi saada paremman suorituskyvyn kuin radiologin. Lisäksi ehdotetussa mallissa päihittää muut koneoppimisen menetelmiin.
Johtopäätökset
mukaan biologista käyttäytymistä tiedot mahalaukun syövän, ER perustuva malli voi diagnosoida LNM tehokkaasti ja ennen leikkausta.
Avainsanat
Mahasyöpää Lymph etäpesäke Todistusaineistona päättely Background
Mahasyöpää on tullut yksi tärkeimmistä syistä syöpään liittyvistä kuolemantapauksista maailmassa [1]. Imusolmuke etäpesäke (LNM) on erittäin tärkeä ennustetekijä koskien pysyvyyttä [2]. TNM pysähdyspaikan perustuva amerikkalainen sekakomiteassa Cancer otetaan arvioidun standardia ja on laajalti hyväksytty [3]. Tämän perusteella standardin, 5 vuoden eloonjäämisaste potilaiden N0 vaiheessa leikkauksen jälkeen on 86,1%, kun taas N1, N2 ja N3 vaiheessa potilaat voivat saada 58,1%, 23,3% ja 5,9%, vastaavasti [4].
Hetkellä lääkärit diagnosoida LNM empiirisesti perustuen kokoon imusolmukkeiden joka perustuu eri kuvantamismenetelmiä, kuten endoskooppinen ultraääni (EUS), vatsan ultraääni, multi-slice kierre tietokonetomografia (CT), magneettikuvaus (MRI) ja positron lasketaan Tomography (PET). Kuitenkaan mikään edellä mainituista kuvantamisen välineet voivat hankkia imusolmuke tila tyydyttävällä tavalla. Samaan aikaan systeeminen tarkastelu osoittaa, että EUS, MDCT, perinteisen MRI, ja FDG-PET ei voi käyttää vahvistamaan tai suljetaan pois LNM luotettavasti [2]. Syynä on se, että suuria imusolmukkeita voi aiheuttaa tulehdusta, kun taas pienet voi johtua etäpesäkkeiden. Siksi yksittäiset imusolmuke koko ei ole vahva ennustaja. Itse asiassa, monet tutkimukset ovat osoittaneet, että LNM on liittyy kasvaimen kokoa, patologinen lymfaattinen osallistumista, histologinen tyyppi ja muut tekijät [5-8]. Siksi menetelmä, joka yhdistää imusolmuke koko nämä seikat tulee ottaa huomioon. Lisäksi muutamia tutkimuksia [9-11] ovat keskustelleet diagnosointivalmius morfologisten ominaisuuksien peräsuolen syöpä. Näiden tutkimusten mukaan, morfologisiin ominaisuuksiin kuten raja ääriviivat ja signaalin voimakkuuden imusolmukkeiden saattaa osittain parantaa diagnostista kykyä etäpesäke. Nämä tutkimukset keskittyvät pääasiassa MRI kuvantamisen peräsuolen syöpä. Potilaille, joilla on mahalaukun syövän kliinisessä käytännössä, vatsan CT on yleisempää käytetyn kuvantamismodaliteetin kuin MRI tutkimusta. Siksi pidämme rakentaa malli diagnosoida LNM useita indikaattoreita.
Koska on olemassa laadullisia ja määrällisiä tietoja kahdeksassa indikaattoreita, menetelmä, joka voidaan yhdistää nämä kaksi tiedon olisi hyväksyttävä. ER lähestymistapa alunperin ehdotti käsitellä useita määrite päätösanalyysi liittyviin ongelmiin sekä annostelun määritteitä epävarmuuden vallitessa [12]. Ydin on ER-algoritmi, joka on kehitetty pohjalta päätöksen teorian ja Dempster-Shafer (D-S) teoria todisteiden [13, 14]. Koska ER voivat integroida laadullisten että määrällisten tietojen kohtuudella, sitä sovelletaan. Yhtenä tavoitteena tässä asiakirjassa on analysoida, mitkä indikaattorit liittyvät biologista käyttäytymistä mahasyövän ja rakentaa matemaattisen mallin arvioida LNM ennen leikkausta. Tool Menetelmät
Potilaat
Tässä kokeessa 175 CT tapauksissa saatu alkaen Pekingin yliopiston Cancer Hospital & Institute (Beijing, Kiina P. R.) muodostavat vedostulostus. Mukaan kansainvälinen hoitoon suuntaviivat mahalaukun syövän, CT on yksi yleisimmin käytetty tarkastuksissa [15]. Kuitenkin muita menetelmiä, kuten PET, ja EUS käytetään valittu tarkistaa. Nämä potilaat annettiin ennen leikkausta kontrastinparannuksen vatsan CT tutkimukset ja sai gastrectomy välillä huhtikuussa 2006 ja syyskuussa 2008. Tämä Potilasaineisto hyväksyi Institutional Review Board (IRB). Ne preoperatively tutkittiin MDCT. Huomaa, että olemme saaneet tietoisen suostumuksen kaikilta valitut potilaille ennen rutiini kliinistä TT-tutkimukset. On 125 urosta ja 50 naarasta näistä potilaista, ja heidän keski-ikänsä on 59,8 vuotta. Yksityiskohdat on esitetty taulukossa 1.Table 1 Potilasominaisuudet
Clinic patologiset ominaisuudet
Arvo
Potilaiden lukumäärä
175
Keski-ikä (y) B 59,8 (30-85) B-suhde miesten ja naisten
125: 50
Histopatologia
Adenokarsinooma
173 (98,9%) B No eriytetty
6 (3,4%)
Kohtalaisen eriytetty
91 (52%) B Huonosti eriytetty
76 (43,5%) B pienisoluinen karsinooma
2 (1,1%) B imusolmuke etäpesäke
Positiivinen
134 (76,6%) B Negatiivinen
41 (23,4%) B indikaattorit
on kahdeksan indikaattoreita, jotka poimittiin kaksi radiologia, yksi kolme vuotiaita ja toinen kahdeksan vuoden kokemus vatsan TT. Kahdeksan indikaattorit mitattiin ja laskettiin manuaalisesti MDCT kuvia seuraavasti: (1) seröösisiä invaasio: Aksiaalinen ja MPR kuvat arvioidaan määrittämään seröösisiä hyökkäystä samanaikaisesti. Koko paksuuntumista mahassa seinä poikkeuksellisen parantaa lineaarinen tai verkkomaisen rakenteiden rasvakerrokseen ympäröivä vatsan merkitty seröösisiä hyökkäys [16].
(2) Kasvaimen luokittelu: Early mahasyöpä tai Bormannin luokittelu kehittyneen syövän MPR kuvia on vahvistettu.
(3) Kasvaimen lisälaite kuvio: Kasvain lisälaite on jaettu kolmeen esiintymismallit portaali vaiheessa CT-kuvia, jotka ovat limakalvon pinnalla lisälaite, homogeeninen lisälaite ja heterogeeninen lisälaite.
(4) kasvain paksuus: maksimaalinen paksuus kasvaimen mitataan aksiaalinen CT-kuvia.
(5) määrä imusolmukkeiden: numero mahalaukun paikallisiin imusolmukkeisiin kanssa on suurempi kuin 3 mm MDCT kuvien ryhmien lasketaan [17]. Koska imusolmukkeet, jotka ovat pienempiä kuin 3 mm, ovat liian pieniä, jotta ne havaittavissa, ne on jätetty pois.
(6) Suurin imusolmukkeesta koko: lyhyt akseli suurimman imusolmuke havaittu CT-kuvia mitataan.
(7) imusolmuke asema: imusolmuke asemalle MDCT kuvien perusteella japani luokittelusta mahakarsinooman määräytyy [17].
(8) imusolmuke lisälaite: se tarkoittaa CT vaimennus arvo imusolmuke, joka mitataan portaalin laskimoiden vaiheen CT kuvan.
tässä asiakirjassa, kaikki indikaattorit mitataan manuaalisesti. Määrä imusolmukkeiden on määrä imusolmukkeiden vatsan. Maksimi imusolmuke koko ja imusolmukkeiden lisälaite uutetaan maksimaalinen imusolmuke. Tavoitteena on ennustaa, LNM tapahtuu muu kuin suurin imusolmuke on LNM. Toisin sanoen tavoitteena on ennustaa, LNM tapahtuu kullekin potilaalle. Lopullinen tulos LNM diagnoosi päättää leikkauksen ja histopatologia. Patologinen tulos voi varmasti vahvistaa, onko LNM tapahtuu vai ei. Emme halua ennustaa etäpesäkkeiden kullekin imusolmuke. Syynä on, että yksi-yksi imusolmuke yhteydenpidossa CT ja patologia riippuu hyvin tarkka ja erinomainen kokemus radiologin. Se on yleensä ole yhdenmukainen riittävästi eri radiologia, jotka voivat vaikuttaa ennusteen tarkkuuteen matemaattisen mallin. Siksi emme tee yksi-yhteen vastaavuus jokaista imusolmuke. Yksityiskohdat on kuvattu taulukossa 2.Table 2 kuvaus kahdeksasta indikaattorien
Potilaan tiedot
LNM (-)
LNM (+)
potilaan numero
41/175
134/175
Mittaustietoja
Kasvaimen paksuus (mm) B 13,3 ± 14,0
16,6 ± 28,4
Suurin imusolmuke koko (mm) B 6,5 ± 2,8
10,0 ± 5,5
määrä imusolmukkeiden
7 ± 4
12 ± 8
imusolmuke lisälaite
39,5 ± 58,5
62,5 ± 66,5
Count tiedot
Kasvain lisälaite pattern
kuvio 1
13/175
6/175
Pattern 2
26/175
118/175
M.3
2/175
10/175
seröösisiä invaasio
Kyllä
15/175
120/175
Ei
26/175
14/175
Kasvaimen luokittelu
Early mahasyövän
9/175
1/175
Borrmann I
2/175
0/175
Borrmann II
3/175
9/175
Borrmann III
27/175
121/175
Borrmann IV
0/175
3/175
imusolmukkeet station
Station 1
29 /175
44/175
Station 2
12/175
54/175
Station 3
0/175
36/175
arvo mittaustietojen mitattiin käsin, ja laskenta-tulokset olivat tietojen määrä.
ER mallia
tässä mallissa edustamme joka tapauksessa yli-täydellinen sanakirja jonka alkiot ovat harjoitusnäytteet. Jos riittävää koulutusta näytteet ovat saatavilla kunkin luokan, se on mahdollista esittää testinäytteen.
Oletetaan, että koulutuksen näytteet on merkitty X = {X
1
, X
2
, ..., X
p
}
∈ R
m ×
, jossa n
on määrä opetusnäytteitä, ja m
on määrä indikaattoreita. y
∈ {1,2, ..., p}
on etiketti ja p
on luokan indeksi. T = [T
1
, T
2
..., T
m
]
T
tarkoittaa näytettä. Yli-täydellinen sanakirja
merkitään seuraavasti:
=

1
,
1
,

1
,
2

...
,

1
,
n

2
,
1
,

2
,
2
,
...
,

2
,
n
...
,
...
,
...
,
...

m
,
1
,

m
,
2
,
...
,

m
,
n
(1) Täällä
koostuu opetusnäytteitä ja
m, n
edustaa jokainen osoitin koulutukseen näytteitä. Mukaan rajat ER, sarakkeet A
ja T
tulisi normalisoida ensiksi. Sitten kunkin indikaattorin T i
vuonna testinäytteestä edustaa
ja vastaava w
i
, i
= 1,2, ..., m
. Sitten käyttää ER analyyttinen algoritmi [13] seuraavasti: T
j
=
μ
x
Π
k
=
1
n
ω
k

j
,
k
+
1
-
ω
k
Σ
i
=
1
m

i
,
k
-
Π
k
=
1
n
1
-
ω
k
Σ
i
=
1
m

i
,
k
1
-
μ
x
Π
k
=
1
n
1
-
ω
k
(2) μ
=
[
Σ
j
=
1
m
Π
k
=
1
n
ω
k

j
,
k
+
1
-
ω
k
Σ
i
=
1
m

i
,
k
-
m
-
1
Π
k
=
1
n
1
-
ω
k
Σ
i
=
1
m

i
,
k
]
-
1
(3) Kaikki indikaattorit T
voi edustaa A
ja w
i
, i
= 1,2, ..., m
käyttäen ER lähestymistapaa. Oletetaan, että ER
edustaa ER lähestymistapaa. Siksi T
on edustettuina seuraavasti: T
=
ER

,
ω
(4) missä ω∈R
n
on kerroin vektori. Kuitenkaan ei ole mahdollista taata optimaalinen ratkaisu ja sen sijaan me korvata se likimääräinen ratkaisu annetaan yhtälössä (5): T
≈
ER

,
ω
(5) Koska uusi asia voidaan riittävästi esittää koulutusta näytteet samaan luokkaan, saadaan ennustuksen ω. model
0.948
0.020
0.000
0.908
0.988
ANN
0.798
0.043
0.000
0.713
0.882
SVM Kaikki kirjoittajat luettu ja hyväksytty lopullinen käsikirjoitus.

• Polymorfismia TGFB1 ja VEGF-geenien ja selviytymistä potilaalla on mahasyöpä
• Genomin Helicobacter suis tukee sen rooli mahan pathology