modèle de vecteur de soutien de la machine pour le diagnostic de métastases ganglionnaires dans le cancer gastrique avec multidétecteur tomodensitométrie: un modèle préliminaire de la machine de vecteur study

de soutien pour le diagnostic de métastases ganglionnaires dans le cancer gastrique avec multidétecteur tomodensitométrie: une étude préliminaire
Résumé de l'arrière-plan
métastases ganglionnaires (LNM) du cancer gastrique est un facteur pronostique important en ce qui concerne la survie à long terme. Cependant, plusieurs techniques d'imagerie qui sont couramment utilisés dans l'estomac ne peut pas déterminer de façon satisfaisante le statut des ganglions lymphatiques d'un cancer gastrique. Ils ne peuvent pas obtenir à la fois une grande sensibilité et de spécificité. Comme une sorte de méthodes d'apprentissage automatique, Support Vector Machine a le potentiel de résoudre cette question complexe.
Méthodes
Le comité d'examen institutionnel approuvé cette étude rétrospective. 175 patients consécutifs atteints de cancer gastrique qui ont subi une MDCT avant la chirurgie ont été inclus. Nous avons évalué la tumeur et les ganglions lymphatiques indicateurs de noeuds sur les images CT, y compris l'invasion de la séreuse, la classification de la tumeur, la tumeur diamètre maximum, le nombre de ganglions lymphatiques, la taille maximale des ganglions lymphatiques et des ganglions lymphatiques station, qui reflète le comportement biologique du cancer gastrique. L'analyse univariée a été utilisé pour analyser la relation entre les six images indicateurs avec LNM. Un modèle SVM a été construit avec ces indicateurs ci-dessus comme indice d'entrée. L'indice de production est que les métastases ganglionnaires du patient était positif ou négatif. Il a été confirmé par la chirurgie et l'histopathologie. Une technique d'apprentissage machine standard appelée validation croisée (5 fois dans notre étude) k fois a été utilisé pour former et modèles SVM de test. Nous avons évalué la capacité de diagnostic des modèles de SVM dans métastase ganglionnaire avec le récepteur d'exploitation (ROC) courbes. Et le radiologue a classé les métastases des ganglions lymphatiques de patients en utilisant la taille maximale des ganglions lymphatiques sur les images de CT comme critère. Résultats de Nous avons comparé les zones sous les courbes ROC (AUC) du radiologue et modèles SVM.
Dans 175 cas, les cas de métastases ganglionnaires étaient 134 et 41 cas étaient pas. Les six images indicateurs avaient tous des différences statistiquement significatives entre les groupes négatifs et positifs LNM. Les moyens de la sensibilité, la spécificité et l'ASC de modèles SVM avec 5 fois la validation croisée ont été 88,5%, 78,5% et 0,876, respectivement. Tandis que la puissance de diagnostic du radiologue classification des métastases ganglionnaires de la taille maximale des ganglions lymphatiques était seulement de 63,4%, 75,6% et 0,757. Conclusions de chaque modèle SVM de validation croisée de 5 fois nettement mieux que le radiologue.
Basé sur des informations de comportement biologique du cancer gastrique sur les images MDCT, le modèle SVM peut aider à diagnostiquer le nœud lymphatique métastases préopératoire.
Contexte
le cancer gastrique est l'une des principales causes de décès liés au cancer dans le monde [1]. statut ganglionnaire est un facteur pronostique important en ce qui concerne la survie à long terme [2]. Le système de classification TNM basée sur American Joint Committee on Cancer (AJCC) est largement acceptée aujourd'hui [3]. Le taux de survie à 5 ans des patients au stade N0 après la chirurgie était de 86,1%, tandis que les patients de stade N1, N2 et N3 a chuté à 58,1%, 23,3% et 5,9%, respectivement [4].
À l'heure actuelle, de nombreuses techniques d'imagerie ont été utilisées pour évaluer le cancer gastrique, y compris l'échographie abdominale, l'échographie endoscopique (EUS), multi-coupes spirale CT, IRM conventionnelle, et FDG-PET. Cependant, ces méthodes d'imagerie ne peut pas de manière fiable confirmer ou exclure la présence de métastases ganglionnaires [1]. Une méta-analyse a montré que la sensibilité moyenne et la spécificité dans la détermination LN métastases étaient les suivants: 39,9% et 81,8% pour l'échographie abdominale, 70,8% et 84,6% pour échoendoscopie, 80,0% et 77,8% pour MDCT, 68,8% et 75,0% pour l'IRM conventionnelle, 34,3% et 93,2% pour le FDG-PET, et 54,7% et 92,2% pour le FDG-PET /CT [2]. Toute seule application de ces outils d'imagerie ne peut pas évaluer de façon satisfaisante le statut ganglionnaire du cancer gastrique. La raison en est que l'on diagnostiquer principalement LNM par la taille des ganglions lymphatiques. Les critères de diagnostic varient de 5 à 10 mm [2]. Mais les gros ganglions lymphatiques peuvent être causés par l'inflammation et les petits ganglions lymphatiques peuvent être métastatique. De nombreuses études ont montré que gastrique LN cancer métastase a été associée à la taille de la tumeur, la profondeur de l'invasion, le type histologique et la participation lymphatique pathologique [5-8]. Il n'y a pas de méthode appropriée pour combiner la lymphe taille du noeud avec les multiples facteurs décrits ci-dessus pour faire une analyse complète. Comment intégrer les facteurs complexes affectant les ganglions lymphatiques et d'améliorer la précision du diagnostic LNM est le sujet de notre étude.
Dans la dernière décennie, les méthodes d'apprentissage automatique, complémentaires aux méthodes statistiques traditionnelles, ont été utilisés pour prédire les phénomènes biologiques complexes . Support Vector Machine est une nouvelle génération d'algorithmes d'apprentissage développés sur la base de la théorie statistique. L'algorithme de SVM a une base théorique solide, basée sur les idées de VC (Vapnik Chervonenkis) dimension et minimisation du risque structurel. Précision Il a satisfait [9]. SVM a été utilisé dans certaines applications médicales, principalement en biologie moléculaire et de neuro-imagerie [10 à 12]. Il peut être utilisé pour la classification et de régression. Étant donné un ensemble d'exemples de formation, chacun marqué comme appartenant à l'une des deux catégories, un algorithme de formation de SVM construit un modèle qui prédit si un nouvel exemple tombe dans l'une ou l'autre catégorie.
Le but de cette étude est d'utiliser SVM méthode pour analyser les informations d'imagerie MDCT liées au comportement biologique du cancer de l'estomac et d'établir des modèles mathématiques pour évaluer métastase ganglionnaire préopératoire.
Méthodes
Cette étude rétrospective des patients a été approuvée par notre comité d'examen institutionnel. Entre Avril 2006 et Septembre 2008, 368 patients consécutifs atteints de cancer gastrique nouvellement diagnostiqués ont été administrés préopératoires amélioration du contraste des examens de tomodensitométrie abdominale et ont ensuite reçu la gastrectomie à notre hôpital. Les patients correspondaient aux critères d'inclusion et d'exclusion ci-dessous ont été inclus dans cette étude l'inclusion de critères.
Les patients ont reçu une gastrectomie radicale et D2 ganglions lymphatiques dissection. Ils ont été examinés en préopératoire avec multi-détecteur ligne CT. Tous les patients ont été confirmés comme le cancer gastrique par histopathologie postopératoire.
Critères d'exclusion
Les patients ont reçu un traitement néoadjuvant préopératoire. Les métastases à distance a été trouvé dans l'examen préopératoire ou dans l'opération
Enfin, 175 patients (125 hommes, 50 femmes, âge moyen, 59,8 ans; gamme, 30-85 ans). comprenait notre population d'étude. Nous avons obtenu le consentement éclairé de tous les patients sélectionnés avant l'évolution clinique de routine des examens CT
MDCT CT Protocole a été réalisée en utilisant un 64 détecteur de ligne CT scanner (LightSpeed ​​64, GE Healthcare, Milwaukee, Wisconsin).. Chaque patient a jeûné pendant plus de 8 heures avant l'examen CT. Pour activer la distension gastrique et réduire la motilité gastrique, les patients ont reçu 8 cristaux de production de gaz g par voie orale et une injection intramusculaire de 10 mg anisodamine 10-15 minutes avant l'examen. Abdominale supérieure tomodensitométrie non améliorées des dômes diaphragmatiques à 2 cm au-dessous de la marge inférieure du corps gastrique air-distendu ont été acquises avec une collimation de 0,625 mm, 120-140 kVp et 300-350 mAs. Par la suite, un total de 100 ml d'iopromide (Ultravist; Schering, Berlin, Allemagne) a été administré par voie intraveineuse par un cathéter angiographique de calibre 18 inséré dans une veine antecubital à 3 mL /s en utilisant un injecteur automatique. tomodensitométrie contraste amélioré ont été réalisées dans la phase artérielle (30 secondes) et dans la phase de la veine porte (70 secondes). Nous avons fait la reconstruction multi-plan avec l'image portail phase veineuse. Analyse
Image
Deux radiologues, une avec 3 ans et l'autre avec une expérience de 8 ans dans le scanner abdominal effectué l'analyse d'images conjointement à un accord. S'il y avait désaccord, ils ont consulté un autre radiologue qui avait 20 ans d'expérience dans CT abdominale jusqu'à ce qu'un accord a été atteint. Nous avons mesuré et compté les six indicateurs sur les images MDCT par des mains comme suit:
Tumor diamètre maximal
Mesurer le diamètre du cancer gastrique dans le sens axial, coronal et sagittal images basées les images MPR. Et décider le diamètre maximal de la tumeur. Le cancer gastrique précoce classification des tumeurs
ou Borrmann classification du cancer avancé dans les images MPR a été déterminée.
Les images axiales et MPR de séreuse invasion ont été évalués simultanément pour déterminer la séreuse invasion. Le épaississement de la paroi de l'estomac toute anormalement améliorée et linéaire ou structures réticulaires dans la couche de graisse entourant l'estomac indiqué invasion séreuse [13].
Nombre de ganglions lymphatiques
Le nombre de tous les noeuds visibles lymphatiques régionaux gastriques dans les images MDCT par des groupes a été compté [14] la lymphe de.
maximum ganglionnaire taille
le petit axe de la plus grande ganglionnaire détectée dans CT images a été mesurée. noeuds Station
la station des ganglions lymphatiques avec des images MDCT base a été déterminé sur la classification japonaise de carcinome gastrique [14] machine
support Vector Machine de. vecteur de soutien est une technique d'apprentissage machine supervisé qui est largement utilisé dans la reconnaissance de formes et de classification des problèmes. algorithme SVM effectue un classement par la construction d'un hyperplan multidimensionnel qui discrimine de façon optimale entre deux classes en maximisant la marge entre les deux groupes de données. Cet algorithme permet d'obtenir une puissance élevée discriminative en utilisant des fonctions non linéaires spéciales appelées noyaux de transformer l'espace d'entrée dans un espace multidimensionnel [15]. Dans cette étude, un logiciel gratuit disponible appelé SVM libsvm 2,89 a été utilisé pour générer le modèle SVM [16]. Les indices d'entrée ont été les six indicateurs recueillis sur les images ci-dessus MDCT. Pour ces indicateurs, les données de mesure peuvent être entrées au modèle SVM directement. Bien que les données de comptage doivent être définies comme des chiffres. Par exemple, l'invasion séreuse positive a été définie comme 1 et négatif était -1. L'index de sortie est la métastase des ganglions lymphatiques du patient. Il a été confirmé par la chirurgie et l'histopathologie. Si le patient a eu un ou plusieurs ganglions lymphatiques métastases, il a été considéré comme LNM positif. Nous avons défini le LNM positif 1 tandis que le négatif était -1. Nous avons choisi le RBF Kernel pour construire le modèle. Pour former et tester notre modèle de SVM, nous avons utilisé une technique d'apprentissage machine standard appelée k-validation croisée. Parce que l'ensemble de la taille de notre étude de l'échantillon était pas très grande, nous avons utilisé 5 fois la validation croisée. Les données entières ont été divisés en 5 sous-ensembles égaux et distincts. Quatre de ces sous-ensembles sont combinés et utilisés pour la formation, et l'un ensemble restant est utilisé pour les tests. Ce processus de validation croisée a été répétée 5 fois, permettant à chaque sous-ensemble pour servir une fois que l'ensemble de données de test d'analyse statistique de.
Une analyse statistique univariée utilisant le SPSS /PC + statistique version logiciel 11.5 (SPSS Inc, IL, Chicago, États-Unis) a été réalisée pour évaluer les différences de six indicateurs d'imagerie entre les patients qui avaient LNM ou non. Les méthodes d'analyse statistique ont été les indépendants-échantillons T essai et de test de Mann-Whitney U. P < 0,05 a été considérée comme différence significative. (ROC) courbe caractéristique de fonctionnement du récepteur a été utilisé pour évaluer la performance diagnostique du modèle SVM. La version du logiciel Medcalc 11.2 (Medcalc, Medcalc Software, Gand, Belgique) a été utilisé pour faire les courbes ROC et les comparer. En résumé, nous avons en moyenne l'aire sous la courbe (ASC) des courbes ROC de la 5 fois la validation croisée. Nous avons également compté les moyens de sensibilité et de spécificité. Pour comparer avec le modèle SVM, nous avons construit la courbe ROC pour l'évaluation des radiologiste en utilisant la taille maximale des ganglions lymphatiques comme critères pour classer le LNM. Les résultats de la sensibilité et la spécificité de la meilleure coupure points ont été comptés.
Dans ces 175 cas, il y avait 134 cas qui avaient des métastases ganglionnaires et 41 cas avaient pas. caractéristiques clinico des patients ont été détaillées au Tableau 1. Nous avons recueilli les six indicateurs sur les images MDCT. Les résultats de l'analyse statistique univariée a indiqué que l'ensemble des six indicateurs, y compris l'invasion de la séreuse, la classification de la tumeur, la tumeur diamètre maximum, le nombre de ganglions lymphatiques, la taille maximale des ganglions lymphatiques et des ganglions lymphatiques poste étaient significatifs différents entre le groupe positif et négatif LNM (P < 0,001). Les moyens de tumeur diamètre maximum, le nombre de ganglions lymphatiques, et la lymphe taille maximale de nœud dans le groupe positif LNM étaient de 56,6 ± 19,5 mm, 10,0 ± 5,5 mm, et 12 ± 8, respectivement. Ils étaient tous plus élevés que ceux du groupe négatif LNM (tableau 2) .Table 1 Caractéristiques des patients
caractéristiques clinicopathologiques
Valeur
No. des patients
175
âge (y)
59,8 (30-85) Moyenne
Ratio des femmes aux hommes
50: 125
histopathologie de adénocarcinome
173 ( 98,9%)
bien différencié 6 (3,4%)
différencié Modérément
91 (52%)
mal différencié
76 (43,5%)
carcinome à petites cellules
2 (1,1%)
métastase ganglionnaire
134 (76,6%)
positif
négatif
41 (23,4%)
Remarque .-- les chiffres entre parenthèses sont les plages.
Tableau 2 les données du patient: les données des 6 indicateurs des images MDCT et les résultats de l'analyse statistique univariée
les données du patient
LNM (. -)
LNM (+)
valeur P
nombre des patients
41/175 (23,4%)
134/175 (76,6%)
Les données de mesure *
Tumor diamètre maximum (mm)
39,0 ± 17,0 56,6 ± 19,5

< 0,001
taille maximale des ganglions lymphatiques (mm)
6,5 ± 2,8
10,0 ± 5,5
< 0,001
Nombre de ganglions lymphatiques
7 ± 4
12 ± 8
< 0,001
données de comptage #
invasion séreuse
< 0,001
Oui
15/175 (8,6%)
120/175 (68,6%)
Non
26/175 (14,8%)
14/175 (8%)
classification des tumeurs
< 0,001
cancer gastrique précoce
9/175 (5,1%)
1/175 (0,6%)
BorrmannI
2/175 (1,1%)
0/175
BorrmannII
3/175 (1,7%)
9/175 (5,1%)
Borrmann III
27/175 (15,4%)
121 /175 (69,1%)
Borrmann IV
0/175
3/175 (1,7%)
Ganglions Station
< 0,001
Station1
29/175 (16,6 %)
44/175 (25,1%)
Station2
12/175 (6,9%)
54/175 (30,9%)
Station3
0/175
36 /175(20.5)
* la valeur des données de mesure est un moyen ± écart-type. La valeur de p était de T pour échantillons indépendants test.
# La valeur des données de comptage était le nombre de données. La valeur de p était de test de Mann-Whitney U.
Le radiologue a réalisé une ASC de 0,757 en classant métastase ganglionnaire du patient par la taille maximale des ganglions lymphatiques. Le meilleur point de la taille maximale des ganglions lymphatiques de coupure était de 7,7 mm. La sensibilité et la spécificité étaient seulement 63,4% et 75,6%. Les moyens de la SVM de la sensibilité, la spécificité et l'ASC avec 5 fois la validation croisée ont été 88,5%, 78,5% et 0,876, respectivement (tableau 3). Par rapport au radiologue, chaque AUC des modèles de SVM de validation croisée de 5 fois des résultats significativement meilleurs (P < 0,05) que le radiologue (figure 1, tableau 3). Figure 1 courbe ROC pour LNM. Récepteur caractéristique de fonctionnement (ROC) courbe métastase ganglionnaire avec 5-fold modèles SVM de validation croisée et radiologue. L'ASC de k1 à K5 modèles SVM étaient 0.862, 0.866, 0.878, 0.900 et 0876, respectivement. En comparaison avec le radiologue, les valeurs P étaient tous inférieurs à 0,05 (voir le tableau 3). Pour les cinq modèles SVM, la moyenne des ASC était 0,876. Et l'ASC de la taille radiologue LN base était 0,757.
Tableau 3 ASC du modèle SVM et le radiologiste
Model

K-fold

Sensitivity

Specificity

AUC*

P valeur (AUC par rapport à Radiologue)
SVM
K1
0,881
0,780
0,862 ± 0,038 0,002

K2
0,866
0,780
0,866 ± 0,037
< 0,001
0,858
0,805
0,878 ± 0,033
<K3; 0,001
0,933
0,780
0,900 de K4 ± 0,031
< 0,001
0,888
0,780
0,876 ± 0,038
K5 < 0,001
signifie
0,885
0,785
0,876
radiologue
0,634
0,756
0,757 ± 0,042
La sensibilité, la spécificité et l'ASC de modèles de validation croisée SVM 5 fois et radiologiste pour le diagnostic de métastases ganglionnaires du patient.
* La valeur des données était de ± AUC noeud Discussion
lymphe la métastase de l'écart type. affecte le traitement chirurgical des patients atteints de cancer gastrique et est également un facteur important dans le pronostic. À l'heure actuelle, le diagnostic pré-opératoire dépend essentiellement de diverses méthodes d'imagerie. La norme pour juger métastase ganglionnaire repose sur des indicateurs morphologiques. la taille des ganglions lymphatiques est l'indicateur dominant. Cependant, RE Dorfman et al ont rapporté que les limites supérieures de la normale pour la taille des ganglions lymphatiques à la tomodensitométrie abdominale variait de 6 à 11 mm [17]. Ils chevauchent en partie avec l'adénopathie maligne. Fukuya T et al ont montré que CT atténuation et la configuration des ganglions lymphatiques pourraient aider au diagnostic des adénopathies malignes [18]. Au contraire, Deutch SJ et al exprimé que la taille, l'emplacement, le contour, la densité était pas utile pour distinguer les tumeurs bénignes des adénopathies malignes [19]. Le manque de critères pour juger est la principale contrainte pour la prédiction des métastases ganglionnaires préopératoire.
Le comportement biologique du cancer gastrique reflète la performance histopathologique de malignité et de l'invasion de la tumeur. Elle affecte métastase ganglionnaire directement ou indirectement. La manifestation concrète du comportement biologique comprend, par exemple, la taille de la tumeur, la profondeur de l'invasion, l'invasion tumorale d'autres organes, métastase ganglionnaire et les métastases à distance. MDCT peut clairement afficher ces événements pathologiques. Certaines études ont rapporté que la précision de cancer gastrique T mise en scène avec MDCT combiné avec reconstruction 3D était 84-89% [20, 21]. Zhang XP et al ont rapporté que le nombre de ganglions lymphatiques détectés par MDCT a montré une différence significative entre le groupe de métastases des ganglions lymphatiques et aucun groupe de métastases dans le cancer cardiaque [22]. MDCT peut également indiquer la situation dans d'autres organes abdominaux et le péritoine. Par conséquent, l'imagerie MDCT peut refléter avec précision le comportement biologique de l'histopathologie du cancer gastrique. L'analyse univariée dans notre étude a montré que les 6 indicateurs de l'estomac des informations sur les ganglions lymphatiques et cancer sur les images CT ont tous un rapport avec LNM. Donc, nous devrions considérer ces facteurs de comportement biologique globalement dans la prédiction de LNM.
Il y avait quelques autres méthodes d'apprentissage machine utilisés dans les études médicales. La méthode principalement était réseau de neurones artificiels (ANN). ANN est considéré comme une méthode appropriée pour l'analyse médicale de données [23]. Bollschweiler et al appliqué un perceptron simple couche, qui est une sorte de ANN, pour prédire métastases ganglionnaires dans le cancer gastrique. La précision de ANN était de 79% [24]. Cependant, l'ANN a eu quelques inconvénients. Le modèle ANN était enclin à overfitting. Il a fallu long temps de développement et d'optimiser. Ils étaient plus difficiles à utiliser dans le domaine en raison des exigences de calcul [25]. En contrepartie des raisons ci-dessus, nous avons choisi le modèle SVM à la place. Le SVM pourrait produire moindre erreur de prédiction par rapport à classificateurs basés sur d'autres méthodes telles que les réseaux de neurones artificiels [26]. Par rapport à ANN, SVM peut avoir la même capacité encore mieux prédictive [27, 28]. À l'heure actuelle, il y a peu de rapports sur l'application de SVM dans l'estomac ganglionnaire du cancer métastatique. Comme une étude préliminaire, nos résultats indiquent que le modèle SVM a une meilleure capacité de diagnostic pour LNM que les critères traditionnels de taille LN. L'ASC a réalisé une bonne puissance de diagnostic. Avec une nouvelle amélioration, SVM peut devenir une méthode efficace pour prédire ganglionnaire stadification du cancer gastrique.
Conclusions
Basé sur des informations de comportement biologique du cancer gastrique sur les images MDCT, le modèle SVM peut aider à diagnostiquer les métastases des ganglions lymphatiques préopératoire.
Déclarations de les Remerciements
Nous remercions Jie Li, Yong Cui, Li-Ping Qi, Xiao-Ting Li pour le soutien éditorial et Jun Shan, Ning Wang, Ying Li, Shun-Yu Gao pour la révision du manuscrit.
projet soutenu par la national science Foundation naturel de la Chine (Grant No. 30970825) et la Fondation municipale de Beijing Natural science (n ° 7092020). les fichiers originaux soumis de
auteurs pour les images
Voici les liens vers les auteurs 'origine des fichiers soumis pour les images. fichier original Auteurs 12885_2010_2503_MOESM1_ESM.jpeg pour la figure 1 Intérêts concurrents
Les auteurs déclarent qu'ils ont aucun conflit d'intérêts.

• Les altérations de la E-cadhérine et β-caténine dans Transformations de cancer
• L'expression de p53, la synthase inductible de l'oxyde nitrique et le facteur de croissance vasculaire endothéliale des lésions précancéreuses et cancéreuses gastriques: corrélation avec les car…