Tukivektorikone malli diagnosointiin imusolmuke etäpesäke mahasyövän kanssa multidetector tietokonetomografia: alustava tutkimus

Tukivektorikone malli diagnosointiin imusolmuke etäpesäke mahasyövän kanssa multidetector tietokonetomografia: esitutkimus
tiivistelmä
tausta
Imusolmuke etäpesäke (LNM) mahasyöpäriski on tärkeä ennustetekijä koskevat pitkän aikavälin eloonjääminen. Mutta useita kuvantamismenetelmät, joita käytetään yleisesti vatsassa voi tyydyttävästi arvioida mahasyövän imusolmuke tila. He eivät voi saavuttaa sekä korkea herkkyys ja spesifisyys. Eräänlaisena koneellisesti oppimismenetelmien, Support Vector Machine on potentiaalia ratkaista tämä monimutkainen kysymys. Tool Menetelmät
Institutional Review Board hyväksyi tämän retrospektiivinen tutkimus. 175 peräkkäisen potilailla mahalaukun syövän, jolle tehtiin MDCT ennen leikkausta olivat mukana. Arvioimme kasvain ja imusolmuke indikaattorit CT-kuvia kuten seröösisiä invaasio, kasvaimen luokittelu, kasvaimen suurin halkaisija, määrä imusolmukkeiden, maksimi imusolmuke kokoa ja imusolmukkeiden asemalle, joka heijasti biologista käyttäytymistä mahasyövän. Univariate analyysiä käytettiin analysoimaan suhdetta kuusi kuvaa indikaattoreiden kanssa LNM. SVM malli rakennettiin Näiden indikaattorien edellä syötteenä indeksin. Lähtö-indeksi oli, että imusolmuke etäpesäke potilas oli positiivinen tai negatiivinen. Se vahvistettiin leikkauksen ja histopatologia. Tavallinen kone-oppimisen tekniikkaa kutsutaan k-kertainen ristivalidointi (5-kertainen tutkimuksessamme) käytettiin kouluttaa ja testi SVM malleja. Arvioimme diagnostinen kyky SVM mallien imusolmuke etäpesäke vastaanottimeen toimii (ROC) käyriä. Ja radiologin luokitteli imusolmuke etäpesäke potilaiden käyttämällä maksimi imusolmuke koko CT kuvien kriteerinä. Vertasimme alueilla ROC käyrät (AUC) radiologin ja SVM malleja.
Tulokset
Vuonna 175 tapauksissa tapauksia imusolmuke etäpesäke olivat 134 ja 41 tapausta ei. Kuusi Kuva indikaattorit kaikilla oli tilastollisesti merkittäviä eroja LNM negatiivisen ja positiivisen ryhmiä. Keinot herkkyys, spesifisyys ja AUC SVM mallit joissa 5-kertainen ristivalidointi olivat 88,5%, 78,5% ja 0,876, tässä järjestyksessä. Vaikka diagnostinen teho radiologi luokittelussa imusolmuke etäpesäke mukaan enintään imusolmuke koko oli vain 63,4%, 75,6% ja 0,757. Jokainen SVM malli 5-kertainen ristivalidointi suorittaa huomattavasti parempi kuin radiologin.
Johtopäätökset
perusteella biologista käyttäytymistä tietoa mahasyövän on MDCT kuvia, SVM malli auttaa diagnosoimaan imusolmuke etäpesäke ennen leikkausta.
Taustaa
Mahalaukun syöpä on yksi johtavista syistä syöpään liittyvien kuolemien maailmanlaajuisesti [1]. Imusolmuke tila on tärkeä ennustetekijä koskien pysyvyyttä [2]. TNM lavastus perustuva amerikkalainen sekakomitean Cancer (AJCC) hyväksytään laajasti nyt [3]. 5 vuoden eloonjäämisaste potilaiden N0 vaiheessa leikkauksen jälkeen oli 86,1%, kun taas N1, N2 ja N3 vaiheessa potilaat laski 58,1%, 23,3% ja 5,9%, vastaavasti [4].
Nykyisin monet kuvantamismenetelmät on käytetty arvioida mahasyövän, kuten vatsan ultraääni, endoskooppinen ultraääni (EUS), multi-slice spiraali CT, perinteisen MRI, ja FDG-PET. Kuitenkin nämä kuvantamismenetelmiä voi luotettavasti vahvistaa tai sulkea pois imusolmukkeiden etäpesäke [1]. Meta-analyysi osoitti, että keskimääräinen herkkyys ja tarkkuus määritettäessä LN etäpesäke olivat seuraavat: 39,9% ja 81,8% vatsan ultraääni, 70,8% ja 84,6% Endoskooppisen ultrasonography, 80,0% ja 77,8% ja MDCT, 68,8% ja 75,0% perinteisen MRI, 34,3% ja 93,2% ja FDG-PET, ja 54,7% ja 92,2% ja FDG-PET /TT [2]. Jokainen yksittäinen soveltaminen näiden kuvantamisen välineitä ei voi tyydyttävästi arvioida mahasyövän imusolmuke tila. Syynä on, että olemme lähinnä diagnosoida LNM koon imusolmukkeiden. Diagnostiset kriteerit vaihtelevat 5 mm ja 10 mm [2]. Mutta suuria imusolmukkeita voidaan aiheuttama tulehdus ja pieni imusolmukkeiden voi olla metastaattinen. Monet tutkimukset ovat osoittaneet, että mahasyövän LN etäpesäkkeitä liittyi kasvaimen koko, syvyys invaasio, histologinen tyyppi ja patologinen imusuonten osallistumista [5-8]. Ei ole sopiva menetelmä yhdistää imusolmuke koko kanssa useita tekijöitä edellä kuvatun tehdä kattava analyysi. Miten integroida monimutkaisia ​​tekijöitä imusolmukkeisiin ja tarkkuuden parantamiseksi diagnosoinnin LNM on aihe Tutkimuksemme.
Viime vuosikymmenellä, kone-oppimisen menetelmiä, täydentää perinteisiä tilastollisia menetelmiä, on käytetty ennustamaan monimutkaisia ​​biologisten ilmiöiden . Support Vector Machine on uuden sukupolven oppimisen algoritmeja kehitetty pohjalta tilastoteorian. SVM-algoritmi on vahva teoreettinen perusta, joka perustuu ajatuksia VC (Vapnik Chervonenkis) ulottuvuus ja rakenteellista riskien minimointia. Se on täyttänyt tarkkuus [9]. SVM on käytetty joissakin lääketieteellisissä sovelluksissa, lähinnä molekyylibiologian ja aivokuvantamisen [10-12]. Sitä voidaan käyttää luokituksen ja regressio. Koska joukko harjoitusesimerkkien, kukin merkitty kuuluvaksi johonkin kahteen luokkaan, eli SVM koulutus algoritmi rakentaa malli, joka ennustaa, onko uusi esimerkki kuuluu johonkin ryhmään tai toisella.
Tämän tutkimuksen tarkoituksena on käyttää SVM menetelmä analysoida MDCT kuvantamisen liittyvät tiedot biologisesta käyttäytymisestä mahasyövän ja vahvistaa matemaattisia malleja arvioida imusolmuke etäpesäke ennen leikkausta. Tool menetelmät
Potilaat
Potilasaineisto hyväksyi meidän Institutional Review board. Vuosina huhtikuussa 2006 ja syyskuussa 2008 368 peräkkäistä potilasta, joilla oli äskettäin diagnosoitu mahalaukun syöpä annettiin ennen leikkausta kontrastinparannuksen vatsan TT-tutkimukset ja sitten sai gastrectomy meidän sairaalassa. Potilaat vastasi ja poissulkukriteereitä alla olivat mukana tässä tutkimuksessa.
Mukaanottokriteerit
potilaat saivat radikaali gastrectomy ja D2 imusolmukkeiden leikkelyn. Ne preoperatively tutkittiin usean ilmaisimen rivin CT. Kaikki potilaat olivat vahvistettiin mahasyövän leikkauksen jälkeen histopatologisesti.
Poissulkemisperusteet
Potilaat saivat preoperative neoadjuvant terapiaa. Etäpesäkkeiden löydettiin ennen leikkausta tutkimuksen tai toiminnassa.
Lopuksi 175 potilasta (125 urosta, 50 naarasta, keski-ikä, 59,8 vuotta valikoima, 30-85 vuotta) koostui tutkimuksemme väestöstä. Saimme tietoisen suostumuksen kaikilta valitut potilaille ennen rutiini kliinistä TT-tutkimukset.
CT pöytäkirja
MDCT suoritettiin käyttäen 64-ilmaisin rivi tomografiin (LightSpeed ​​64, GE Healthcare, Milwaukee, Wis). Kukin potilas paastosi yli 8 tuntia ennen CT tutkimus. Jotta mahan laajeneminen ja vähentää mahan, potilaat saivat 8 g kaasua tuottavat kiteet suullisesti ja injektio lihakseen 10 mg anisodamine 10-15 minuutin ennen tutkimusta. Ylävatsan tehostamattomiin TT päässä pallea kupolit 2 cm alle alemman marginaalin ilma-laajentunut mahalaukun runko hankittiin kanssa kollimointi 0,625 mm, 120-140 kVp, ja 300-350 mAs. Sen jälkeen, yhteensä 100 ml: lla jopromidi (Ultravist, Schering, Berliini, Saksa) annettiin suonensisäisesti 18 gaugen Angiografisen katetri insertoidaan kyynärtaivelaskimoon 3 ml /s käyttäen automaattista injektoria. Varjoainetehostettu TT tehtiin valtimon vaiheessa (30 sekuntia) ja laskimovaiheessa (70 sekuntia). Teimme monitasoiseksi jälleenrakentamisen laskimovaiheessa kuva.
Image Analysis
Kaksi radiologia, toisessa 3 v ja toinen 8 vuotta kokemusta vatsan TT suoritetaan kuvan analysoi yhdessä sopimukseen. Jos oli erimielisyyttä, ne kuullaan toisen radiologi, joka oli 20 vuotta kokemusta vatsan TT kunnes sopimus saavutettiin. Me mitata ja laskea kuusi indikaattorit MDCT kuvia käsin seuraavasti:
Kasvain maksimihalkaisija
läpimitta mitataan mahasyövän akselin, koronan ja sagittaalinen kuvien perustuu MPR kuvia. Ja päättää kasvaimen suurin läpimitta.
Kasvaimen luokittelu
Early mahasyöpä tai Borrmann luokittelu kehittyneen syövän MPR kuvien määritettiin.
Seröösisiä invaasio
Aksiaalinen ja MPR kuvat oli samanaikaisesti arvioitiin määrittämään seröösisiä invaasio. Koko paksuuntumista mahassa seinä poikkeuksellisen tehostettu ja lineaarisia tai reticular rakenteiden rasvakerrokseen ympäröivä vatsan merkitty seröösisiä hyökkäys [13].
Lukumäärä imusolmukkeiden
määrä kaikkien näkyvissä mahalaukun alueellisten imusolmukkeet MDCT kuvat ryhmät laskettiin [14].
suurin imusolmuke koko
lyhyt akseli suurimman imusolmuke havaita CT-kuvia mitattiin.
imusolmukkeet asema
imusolmukkeet asemalle MDCT kuvien perustuvat on japanilainen luokittelusta mahakarsinooman määritettiin [14].
tukivektorikone
Support Vector Machine on valvottu koneoppimisen tekniikka, jota käytetään laajasti hahmontunnistuksen ja luokittelu ongelmia. SVM-algoritmi suorittaa luokittelun rakentamalla moniulotteinen hypertaso joka optimaalisesti syrjitään kahden luokan maksimoimalla marginaali kahden datan klustereita. Tämä algoritmi saavutetaan korkea erottelukyky teho käyttämällä erityistä epälineaarinen toimintoja kutsutaan ytimet muuttaa panos avaruudessa moniulotteinen tilaan [15]. Tässä tutkimuksessa vapaa saatavilla SVM ohjelmisto nimeltään LibSVM 2,89 tuotettiin SVM malli [16]. Panos indeksit olivat kuusi indikaattorit kerätään MDCT kuvien yläpuolella. Näiden indikaattorien, mittaustiedot voidaan syöttää SVM mallin suoraan. Vaikka määrä data olisi määriteltävä joitakin numeroita. Esimerkiksi positiivinen seröösisiä invaasio määriteltiin 1 ja negatiivinen oli -1. Lähtö-indeksi oli imusolmuke etäpesäke potilaalle. Se vahvistettiin leikkauksen ja histopatologia. Jos potilaalla oli yksi tai useampia imusolmukkeiden etäpesäke, sitä pidettiin positiivisena LNM. Olemme määritelleet positiivinen LNM kuin 1, kun taas negatiivinen oli -1. Valitsimme RBF Kernel Mallin laatimisessa. Kouluttaa ja testata SVM mallia, käytimme standardi kone-oppimisen tekniikkaa kutsutaan k-kertainen ristivalidointi. Koska koko otoksen koko Tutkimuksemme ei ollut kovin suuri, käytimme 5-kertainen ristivalidointi. Koko data jaettiin 5 yhtäläiset ja erilliset osajoukot. Neljä näistä subsets yhdistetään ja käytetään koulutukseen ja loput yhdet käytetään testaukseen. Tämä ristivalidointi prosessi toistettiin 5 kertaa, jotta kukin osajoukko palvelemaan kerran testin keräämiseen.
Tilastollinen analyysi
yhden muuttujan tilastollinen analyysi SPSS /PC + tilastollinen ohjelmistopaketti versio 11.5 (SPSS Inc., IL, Chicago, USA) suoritettiin arvioimaan eroja kuuden kuvantamisen indikaattoreiden välillä potilailla, joilla oli LNM vai ei. Tilastolliset analyysimenetelmät olivat Independent-näytteet T testi ja U-testi. P < 0,05 pidettiin merkittävä ero. Vastaanotin toimii (ROC) käyrä käytettiin arvioimaan diagnostinen suorituskyky SVM mallin. MedCalc ohjelmistoversio 11,2 (MedCalc, MedCalc Software, Ghent, Belgia) käytettiin tekemään ROC käyrät ja vertailla niitä. Yhteenvetona keskimäärin alue käyrän alla (AUC) ROC käyrät 5-kertainen ristivalidointi. Olemme myös laskea keinot herkkyys ja spesifisyys. Verrata SVM mallia, rakensimme ROC käyrä radiologi arviointiin käyttämällä maksimi imusolmuke koko kriteerinä luokitella LNM. Herkkyys ja parhaista rajakohta laskettiin.
Tulokset
Näissä 175 tapauksissa oli 134 tapauksia, jotka oli imusolmuke etäpesäke ja 41 tapausta ei ollut. Potilaiden kliinis oli yksityiskohtainen pöydässä 1. Keräsimme kuusi indikaattorit MDCT kuvia. Tulokset yhden muuttujan tilastollinen analyysi osoitti, että kaikki kuusi indikaattoreihin seröösisiä invaasio, kasvaimen luokittelu, kasvaimen suurin halkaisija, määrä imusolmukkeiden, maksimi imusolmuke kokoa ja imusolmukkeiden asema oli merkittävä eri välillä LNM positiivisten ja negatiivisten (p <0,001). Keinot Kasvaimen suurin halkaisija, määrä imusolmukkeiden, ja maksimi imusolmuke koko LNM positiivisia ryhmässä oli 56,6 ± 19,5 mm, 10,0 ± 5,5 mm, ja 12 ± 8, tässä järjestyksessä. He olivat kaikki korkeampia kuin LNM negatiivisten ryhmässä (taulukko 2) .table 1 Potilastiedot
kliinis-
Arvo
No. potilaista
175
keski-ikä (y) B 59,8 (30-85) B-suhde naisten miesten
50: 125
Histopatologia
Adenokarsinooma
173 ( 98,9%) B No eriytetty
6 (3,4%) B Kohtalaisen eriytetty
91 (52%) B Huonosti eriytetty
76 (43,5%)
pienisoluinen karsinooma
2 (1,1%) B imusolmuke etäpesäke
Positiivinen
134 (76,6%) B Negatiivinen
41 (23,4%) B Huomautus .-- suluissa ovat valikoimia.
Taulukko 2 Potilaan tiedot: 6 indikaattorien datan MDCT kuvien ja tulokset yhden muuttujan tilastollisen analyysin.
Potilastiedot
LNM ( -)
LNM (+)
P-arvo
Patient numero
41/175 (23,4%) B 134/175 (76,6%)
Mittaustietojen *
Kasvaimen suurin halkaisija (mm) B 39.0 ± 17.0
56,6 ± 19,5
< 0,001
suurin imusolmuke koko (mm) B 6,5 ± 2,8
10,0 ± 5,5
< 0,001
lukumäärä imusolmukkeiden
7 ± 4
12 ± 8
< 0,001
Count tiedot #
seröösisiä invaasio
< 0,001
Kyllä
15/175 (8,6%) B 120/175 (68,6%) B o
26/175 (14,8%) B 14/175 (8%)
Kasvaimen luokittelu
< 0,001
Early mahasyövän
9/175 (5,1%)
1/175 (0,6%) B BorrmannI
2/175 (1,1%)
0/175
BorrmannII
3/175 (1,7%)
9/175 (5,1%) B Borrmann III
27/175 (15,4%) B 121 /175 (69,1%) B Borrmann IV
0/175
3/175 (1,7%) B imusolmukkeet station
< 0,001
Station1
29/175 (16,6 %)
44/175 (25,1%) B Station2
12/175 (6,9%) B 54/175 (30,9%) B Station3
0/175
36 /175(20.5) B * arvo mittaustietojen oli keskiarvo ± keskihajonta. P-arvo oli peräisin Independent-näytteistä T testi.
# Arvo laskea tiedot olivat tietojen määrä. P-arvo oli välillä U-testi.
Radiologi saavuttanut AUC 0,757 luokittelemalla imusolmuke etäpesäke potilaalle enintään imusolmuke kokoa. Paras rajakohta enintään imusolmuke koko oli 7,7 mm. Herkkyys ja spesifisyys olivat vain 63,4% ja 75,6%. SVM: n avulla herkkyyttä, spesifisyyttä ja AUC 5-kertaiseksi ristivalidointi olivat 88,5%, 78,5% ja 0,876, vastaavasti (taulukko 3). Verrattuna radiologi, kukin AUC 5-kertaiseksi ristivalidointi SVM mallit tehdään merkittävästi parempi (P < 0,05) kuin radiologi (kuvio 1, taulukko 3). Kuva 1 ROC käyrä LNM. Vastaanotin toimii (ROC) käyrä imusolmuke etäpesäke 5-kertainen ristivalidointi SVM malleja ja radiologin. AUC K1 K5 SVM mallit olivat 0,862, 0866, 0,878, 0,900 ja 0876, vastaavasti. Verrattuna radiologi, P-arvot olivat kaikki alle 0,05 (taulukko 3). Viiden SVM mallia, keskiarvo AUC oli 0,876. Ja AUC radiologin perustuu LN koko oli 0,757.
Taulukko 3 AUC SVM malli ja radiologin
Model

K-fold

Sensitivity

Specificity

AUC*

P arvo (AUC verrattuna Radiologist)
SVM
K1
0,881
0,780
0,862 ± 0,038
0,002
K2
0,866
0,780
0,866 ± 0,037
< 0,001
K3
0,858
0,805
0,878 ± 0,033
< 0,001
K4
0,933
0,780
0,900 ± 0,031
< 0,001
K5
0,888
0,780
0,876 ± 0,038
< 0,001
tarkoittaa
0,885
0,785
0,876
radiologist
0,634
0,756
0,757 ± 0,042
herkkyys, spesifisyys ja AUC 5-kertaiseksi ristivalidointi SVM malleja ja radiologin diagnosoimiseksi imusolmuke etäpesäke potilaalle.
* arvo tietojen oli AUC ± keskihajonta.
keskustelu
Imusolmukkeen etäpesäkkeiden vaikuttaa kirurginen hoito potilaille, joilla on mahalaukun syöpä ja se on myös tärkeä tekijä ennusteeseen. Tällä hetkellä ennen leikkausta diagnoosi riippuu pääasiassa eri kuvantamismenetelmiä. Standardi päätellen imusolmuke etäpesäke perustuu morfologisiin indikaattoreita. Imusolmuke koko on hallitseva indikaattori. Kuitenkin Dorfman RE et al raportoitu, että normaaliarvon yläraja imusolmukkeen koko on vatsan tietokonetomografialla vaihtelivat 6-11 mm [17]. He osittain päällekkäin kanssa pahanlaatuinen lymfadenopatia. Fukuya T et al osoittivat, että CT vaimennus ja imusolmukkeiden kokoonpano voisi tukea diagnoosin pahanlaatuinen adenopathy [18]. Päinvastoin, Deutch SJ ym ilmaisivat, että koko, sijainti, ääriviivat, tiheys eivät ole olleet avuksi erottamaan hyvänlaatuista pahanlaatuiset lymfadenopatia [19]. Puute arviointikriteerit on tärkein rajoite ennustamisessa imusolmuke etäpesäke ennen leikkausta.
Biologisesta käyttäytymisestä mahasyövän heijastaa histopatologinen suorituskykyä kasvaimen malignance ja hyökkäystä. Se vaikuttaa imusolmuke etäpesäke suoraan tai välillisesti. Konkreettinen osoitus biologista käyttäytymistä ovat esimerkiksi, kasvaimen koko, syvyys invaasio, kasvaimen invaasio muiden elinten, imusolmuke etäpesäke ja etäinen etäpesäke. MDCT voidaan selvästi näyttää nämä patologiset poikkeamista. Jotkut tutkimukset ovat raportoineet, että tarkkuus mahasyövän T lavastus kanssa MDCT yhdistettynä 3D jälleenrakennukseen oli 84-89% [20, 21]. Zhang XP ym raportoitu, että määrä imusolmukkeiden havaita MDCT oli merkitsevä ero imusolmuke etäpesäke ryhmä eikä etäpesäkkeitä ryhmä sydämen syöpä [22]. MDCT voi myös ilmoittaa tilanteesta muille vatsaontelon elimiä ja vatsakalvon. Siksi MDCT kuvantaminen voi tarkasti heijastaa biologista käyttäytymistä mahasyövän histopatologia. Univariate analyysi meidän tutkimus osoitti, että 6 indikaattorit mahasyövän ja imusolmukkeiden tiedot CT-kuvia kaikilla on suhteessa LNM. Joten meidän pitäisi harkita näitä biologista käyttäytymistä tekijät kattavasti ennustettaessa LNM.
Oli joitakin muita kone-oppimisen menetelmiä käytetään lääketieteellisissä tutkimuksissa. Lähinnä menetelmä oli keinotekoinen neuroverkko (ANN). ANN pidetään tarkoituksenmukainen menetelmä lääketieteellisten tietojen analysointi [23]. Bollschweiler et ai soveltaa yksikerroksinen perceptron, joka on eräänlainen ANN, ennustaa imusolmuke etäpesäke mahasyövän. Tarkkuus ANN oli 79% [24]. Kuitenkin ANN oli joitakin haittoja. ANN malli oli altis overfitting. Se vaati pitkä kehitys ja aika parantaa. Ne olivat vaikeampi käyttää alalla, koska laskennalliset vaatimukset [25]. Kun otetaan huomioon edellä mainituista syistä, valitsimme SVM mallin sijaan. SVM voisi tuottaa pienemmän ennustevirhe verrattuna luokittelijoiden perustuvat muihin menetelmiin, kuten keinotekoiset neuroverkot [26]. Verrattuna ANN, SVM voi olla sama jopa parempi ennustava kyky [27, 28]. Tällä hetkellä on olemassa muutamia raportteja soveltamisesta SVM mahasyövän imusolmuke etäpesäke. Aluksi tutkimus, tuloksemme osoittavat, että SVM malli on parempi diagnosointia LNM kuin perinteiset LN kokoa kriteerit. AUC on saavuttanut hyvän diagnostinen teho. Lisäparanemista, SVM voi tulla tehokas tapa ennustaa imusolmuke lavastus mahasyövän.
Johtopäätökset
perusteella biologista käyttäytymistä tietoa mahasyövän on MDCT kuvia, SVM malli auttaa diagnosoimaan imusolmuke etäpesäke ennen leikkausta.
julistukset
Kiitokset
Kiitämme Jie Li Yong Cui, Li-Ping Qi, Xiao-Ting Li toimituksellisista tukea ja Jun Shan, Ning Wang, Ying Li, Shun-Yu Gao tarkistamisen käsikirjoituksen.
Projektin tukemana National Natural Science Foundation of China (Grant nro 30970825) ja Pekingin Kunnan Natural Science Foundation (nro 7092020).
kirjoittajien alkuperäinen toimitti asiakirjat kuville
Alla linkkejä kirjoittajat "alkuperäinen toimitti asiakirjat kuville. 12885_2010_2503_MOESM1_ESM.jpeg Kirjoittajien alkuperäinen tiedosto kuvio 1 Kilpailevat edut
Kirjoittajat ilmoittavat, että heillä ei ole kilpailevia intressejä.

• Korjauksilla E-kadheriinin ja β-kateniinin mahalaukun cancer
• P53, indusoituvan typpioksidisyntaasi ja endoteelikasvutekijä mahalaukun syöpää edeltävät ja pahanlaatuisten vaurioiden: korrelaatio kliinisen features