Szupport vektor gép modell diagnosztizálásához nyirokcsomó-metasztázis gyomorrák multidetektoros komputertomográfia: előzetes tanulmány

Szupport vektor gép modell diagnosztizálásához nyirokcsomó-metasztázis gyomorrák multidetektoros komputertomográfia: előzetes tanulmány katalógusa Abstract Background katalógusa katalógusa nyirokcsomó áttét (LNM) gyomorrák egyik fontos prognosztikai tényező tekintetében hosszú távú túlélés. De számos képalkotó technikák, amelyek általánosan használt gyomor nem képesek kielégítő módon értékeli a gyomorrák nyirokcsomó állapotát. Ők nem tudják elérni a magas érzékenység és specificitás. Egyfajta gépi tanulási módszerek, Support Vector Machine rendelkezik azzal a potenciállal, hogy megoldja ezt a bonyolult kérdés. Katalógusa Módszerek
Az etikai bizottsága jóváhagyta a retrospektív vizsgálatban. 175 egymást követő gyomorrákos betegeknél, akiknél a műtét előtt MDCT vontak be. Értékeltük a daganat és a nyirokcsomó mutatók CT képeket, beleértve serosa invázió, daganat osztályozás, a tumor legnagyobb átmérője, számos nyirokcsomók, maximális nyirokcsomó mérete és nyirokcsomók állomás, amely tükrözi a biológiai viselkedését gyomorrák. Egyváltozós analízis segítségével közötti kapcsolat elemzése a hat kép mutatók LNM. A SVM modell épült ezek a mutatók fenti bemeneti index. A kimenet index volt, hogy a nyirokcsomó-metasztázis a beteg volt pozitív vagy negatív. Ezt megerősítette a műtét és a szövettani. A szabványos gépi tanulási technikát nevezzük k-szeres kereszt-érvényesítés (5-szörös vizsgálatunkban) használtunk, hogy a vonat és a vizsgálati SVM modellek. Értékeltük a diagnosztikai képességet az SVM modellek nyirokcsomómetastasis a vevő működési karakterisztika (ROC) görbék. És a radiológus besorolni a nyirokcsomó-metasztázis betegek felhasználásával maximális nyirokcsomó mérete a CT-képeket kritériumnak. Összehasonlítottuk az alatti területek ROC görbék (AUC) a radiológus és SVM modellek. Katalógusa Eredmények
175 esetben az ügyek nyirokcsomó-metasztázis volt 134 és 41 esetben nem volt. A hat kép mutatók minden volt statisztikailag szignifikáns különbség a LNM negatív és pozitív csoportokban. Az eszköz érzékenységét, specificitását és AUC SVM modellek 5-szörösen kereszt-érvényesítés volt 88,5%, 78,5% és 0,876, ill. Míg a diagnosztikai ereje a radiológus minősítette nyirokcsomó-metasztázis által legnagyobb nyirokcsomó mérete is csak 63,4%, 75,6% és 0,757. Minden SVM modell a 5-szörös kereszt-érvényesítés sokkal jobban teljesítettek, mint a radiológus. Katalógusa Következtetések összehasonlítás alapján a biológiai viselkedése információk a gyomorrák a MDCT képeket, SVM modell segíthet diagnosztizálni a nyirokcsomó-metasztázis műtét előtt.
Háttér katalógusa gyomorrák egyik vezető oka a rák összefüggő halálesetek világszerte [1]. Nyirokcsomóstátusz fontos prognosztikai tényező tekintetében a hosszú távú túlélés [2]. A TNM stádium rendszerben alapuló American Joint Committee on Cancer (AJCC) elfogadja körben most [3]. Az 5 éves túlélési arány a betegek az N0 szakaszban a műtét után 86,1%, míg a N1, N2, és N3 stádiumú betegeknél csökkent 58,1%, 23,3% és 5,9% -kal [4].
Jelenleg sok képalkotó technikákat értékeléséhez használt gyomorrák, beleértve a hasi ultrahang, endoszkópos, ultrahanggal (EUS), multi-szelet spirális CT, hagyományos MRI, és FDG-PET. Azonban ezek a képalkotó eljárások nem tudja megbízhatóan megállapítására vagy kizárására jelenlétének nyirokcsomó-metasztázis [1]. A meta-analízis azt mutatta, hogy az átlagos érzékenység és specificitás meghatározására LN metasztázis a következők voltak: 39,9%, illetve 81,8% a hasi ultrahang, 70,8% és 84,6% endoszkópos ultrahangvizsgálat, 80,0% és 77,8% a MDCT, 68,8% és 75,0% a hagyományos MRI, 34,3% és 93,2% a FDG-PET, és 54,7%, illetve 92,2% a FDG-PET /CT [2]. Bármilyen egységes kérelem ilyen képalkotó eszközök nem képesek kielégítő módon értékeli a gyomorrák nyirokcsomóstátusz. Az ok az, hogy mi elsősorban diagnosztizálni LNM által a méret a nyirokcsomók. A diagnosztikai kritériumok tartomány 5 mm-től 10 mm-es [2]. De a nagy nyirokcsomót lehet okozta gyulladás és a kis nyirokcsomók lehet áttétes. Számos tanulmány kimutatta, hogy a gyomorrák LN metasztázis járt a daganat mérete, mélysége invázió, szövettani típusa és kóros limfatikus bevonása [5-8]. Nincs megfelelő módszer, hogy összekapcsolják a nyirokcsomó mérete a több fent említett tényezők, hogy egy átfogó elemzést. Hogyan lehet integrálni a komplex befolyásoló tényezők nyirokcsomók és pontosságának javítása diagnosztizálására LNM a témája a tanulmány.
Az elmúlt évtizedben, gépi tanulási módszerek, kiegészítve a hagyományos statisztikai módszerekkel, már használt megjósolni komplex biológiai jelenségek . Support Vector Machine egy új generációs tanulási algoritmusok alapján fejlesztett statisztikai elmélet. Az SVM algoritmus egy erős elméleti alapot, elképzelései alapján a VC (Vapnik Chervonenkis) mérete és szerkezeti kockázat minimalizálására. Meggyő pontosság [9]. SVM felhasználásra került néhány orvosi alkalmazások, elsősorban a molekuláris biológia és a képalkotó [10-12]. Ezt fel lehet használni a besorolás és regresszió. Adott egy sor képzési példák, minden jelölt tartozó két kategória egyikébe, egy SVM tanítóalgoritmus felépít egy modellt, amely megjósolja, hogy egy új példa esik egy kategóriába, vagy a másik.
A tanulmány célja az, hogy használja SVM módszer, hogy elemezze a MDCT képalkotó kapcsolatos információkat biológiai viselkedését a gyomorrák és létrehozza a matematikai modellek értékelésére nyirokcsomómetastasis műtét előtt. katalógusa módszerek katalógusa Betegek katalógusa a retrospektív vizsgálatot jóváhagyta a kórház felülvizsgáló bizottsága. Között 2006. április 2008. szeptember 368 egymást követő beteg újonnan diagnosztizált gyomorrákos adtuk preoperatív kontraszterősítést hasi CT-vizsgálat, majd megkapta a gastrectomián nálunk kórházban. A betegek megfelelt a felvételi és kizárási kritériumok alább vontak be a vizsgálatba. Katalógusa Inclusion kritériumok
A betegek radikális gastrectomián és D2 nyirokcsomó dissectio. Ezeket a műtét előtt megvizsgálták multi- detektor sor CT. Minden beteget megerősítést gyomorrák posztoperatív szövettani. Katalógusa kizárási kritériumok katalógusa A betegek preoperatív neoadjuváns terápia. Távoli áttét találtak a műtét előtti vizsgálat vagy a műveletben.
Végül 175 beteg (125 férfi, 50 nő, átlagéletkor 59,8 év; tartomány 30-85 év) áll a vizsgálati populáció. Kaptunk beleegyezését az összes kiválasztott beteg előtt a rutin klinikai vizsgálatok során a CT.
CT jegyzőkönyv katalógusa MDCT végeztünk 64 detektor sor CT (LightSpeed ​​64. GE Healthcare, Milwaukee, Wisconsin). Mindegyik beteg böjtölt több mint 8 órával a CT vizsgálat. Annak érdekében, hogy a gyomor puffadás, és csökkenti a gyomor motilitását, a betegek 8 g gáztermelő kristályokat orálisan és intramuszkuláris injekció 10 mg anisodamine 10-15 perces a vizsgálat előtt. Felső hasi fokozva a CT a rekeszizom kupolák alatt 2 cm az alsó margó a levegő-felfúvódott gyomor test szerezték a kollimációjához 0,625 mm, 120-140 kV, és 300-350 mAs. Ezt követően összesen 100 ml iopromide (Ultravist; Schering, Berlin, Németország) adtunk be intravénásán keresztül egy 18-as méretű angiográfiás katéterbe egy könyökvénába 3 ml /s segítségével egy automata injektor. Kontrasztanyagos CT-vizsgálatokat végeztünk az artériás fázisban (30 másodperc), és a portalis vénás fázisban (70 másodperc). Mi történt a többsíkú rekonstrukció a portális vénás fázis képet. Katalógusa Image Analysis
Két radiológus, egy 3 év, a másik 8 év tapasztalattal hasi CT végzett képelemzés közösen megállapodást. Ha nézeteltérés volt, hogy konzultáltak másik radiológus, aki 20 év tapasztalattal rendelkezik a hasi CT-ig megállapodást elérni. Megmértük és megszámoltuk a hat mutatók MDCT képek kezek a következők: katalógusa tumor legnagyobb átmérője katalógusa Mérjük az átmérője gyomorrák axiális, koronális és sagittalis képek alapján az MPR képek. És dönt a tumor legnagyobb átmérője. Katalógusa Tumor besorolás katalógusa Korai gyomorrák vagy Borrmann besorolása előrehaladott rák a MPR képek meghatároztuk.
Savós invázió katalógusa axiális és MPR kép egyidejűleg vizsgáltuk, hogy meghatározzuk a savós invázió. Az egész sűrítés gyomorfal kórosan fokozott lineáris vagy hálószerű szerkezetek zsírrétegbe körülvevő gyomor jelzett savós invázió [13]. Katalógusa száma nyirokcsomók
száma az összes látható gyomor regionális nyirokcsomók MDCT képek csoportok megszámoltuk [14].
maximális nyirokcsomó mérete katalógusa rövid tengelye a legnagyobb nyirokcsomó kimutatható CT mértük. katalógusa nyirokcsomók állomás
nyirokcsomók állomás MDCT képek alapján a japán besorolása gyomorrák meghatároztuk [14]. katalógusa Support Vector Machine katalógusa Support Vector Machine felügyelt gépi tanulási technika, amely széles körben használják a alakfelismerés és besorolási problémákat. SVM algoritmus végzi a besorolás készítve egy többdimenziós hipers'ıkot hogy optimálisan megkülönbözteti a két osztály maximalizálásával árrés két adat klaszter. Ez az algoritmus kiváló eredményeket ért el diszkriminatív ereje segítségével speciális nemlineáris függvények úgynevezett mag, hogy átalakítsa a bemeneti tér egy sokdimenziós térben [15]. Ebben a vizsgálatban, a szabad rendelkezésre álló SVM szoftver az úgynevezett LibSVM 2,89 használtuk, hogy létrehoz a SVM modell [16]. A bemeneti indexek voltak a hat mutatók összegyűjtött MDCT fenti képeken. Mert ezek a mutatók, a mérési adatokat lehet beírni SVM modell közvetlenül. Míg a gróf adatokat kell meghatározni néhány számot. Például a pozitív savós hártya invázió definiáltuk 1 és negatív volt -1. A kimeneti index volt nyirokcsomó-metasztázis a beteg. Ezt megerősítette a műtét és a szövettani. Ha a betegnek egy vagy több nyirokcsomó metasztázis, úgy ítélték meg, pozitívnak LNM. Mi határozza meg a pozitív LNM mint 1, míg a negatív volt -1. Azért választottuk a RBF Kernel építeni a modellt. Ahhoz, hogy a vonat, és teszteljük a SVM modell, egy normál, gépi tanulási technikát nevezzük k-szeres kereszt-érvényesítés. Mivel a teljes minta méretét a vizsgálat nem volt túl nagy, mi használt 5-szörös kereszt-érvényesítés. Az egész adatokat osztva 5 egyenlő és különböző alcsoportok. Ezek közül négy részhalmazok egyesítjük, és a képzési, és a maradék egy készlet használunk a vizsgálathoz. Ez a kereszt-validálási eljárást megismételtük 5 alkalommal, lehetővé téve minden egyes alcsoportja szolgálni egyszer, mint a vizsgálati adathalmaz.
Statisztikai elemzés
Egy egyváltozós statisztikai analízis az SPSS /PC + statisztikai szoftvercsomag változat 11.5 (SPSS Inc., IL, Chicago, USA) végeztük, hogy értékelje a különbségeket hat képalkotó indikátorok között a betegek, akik LNM, vagy sem. A statisztikai elemzés módszerei voltak a független-mintás t próba és Mann-Whitney U teszt. P < 0,05 értéket tekintettük szignifikáns különbség. Vevő működési karakterisztika (ROC) görbét használtunk, hogy értékelje a diagnosztikai teljesítményét SVM modell. A MedCalc szoftververziót 11,2 (MedCalc, MedCalc Software, Gent, Belgium) alkalmaztunk, hogy a ROC görbék és hasonlítsa össze őket. Összefoglalva, átlagoltuk a görbe alatti terület (AUC) a ROC görbék az 5-szörös kereszt-érvényesítés. Mi is számít az eszközök érzékenysége és specificitása. Összehasonlítani a SVM modell megkonstruáltuk a ROC görbe radiológus értékelését felhasználásával maximális nyirokcsomó méretű kritériumok minősítette az LNM. Az érzékenység és specificitás a legjobb cut-off point megszámoltuk. Katalógusa Eredmények
Ezekben 175 esetben volt 134 esetben, amely volt nyirokcsomó-metasztázis és 41 esetben nem volt. A betegek klinikopatológiai jellemzők részleteztük az 1. táblázatban összegyűjtött hat mutatók MDCT képeket. Az eredmények a egyváltozós statisztikai elemzés jelezte, hogy a mind a hat, az alábbi mutatók serosa invázió, daganat osztályozás, a tumor legnagyobb átmérője, számos nyirokcsomók, maximális nyirokcsomó mérete és nyirokcsomók állomás volt szignifikáns különbség a LNM pozitív és negatív csoport (P <0,001). Az eszközöket a tumor legnagyobb átmérője, számos nyirokcsomók, és maximális nyirokcsomó mérete LNM pozitív csoportban voltak 56,6 ± 19,5 mm, 10,0 ± 5,5 mm, és 12 ± 8, ill. Ők voltak magasabbak, mint a LNM negatív csoportban (2. táblázat) .table 1 betegek jellemzôi katalógusa Klinikopatológiai jellemzői
Value Matton No. A betegek katalógusa 175 katalógusa átlagéletkora (y) hotelben 59,8 (30-85) hotelben nők aránya a férfiak katalógusa 50: 125 katalógusa Kórszövettani katalógusa Adenocarcinoma katalógusa 173 ( 98,9%) hotelben Jól differenciált katalógusa 6 (3,4%) hotelben Közepesen differenciált katalógusa 91 (52%) hotelben rosszul differenciált katalógusa 76 (43,5%) hotelben Kissejtes carcinoma
2 (1.1%) hotelben nyirokcsomómetastasis katalógusa Pozitív katalógusa 134 (76,6%) hotelben Negatív katalógusa 41 (23,4%) hotelben Megjegyzés .-- a zárójelben lévő számok a tartományban. katalógusa 2. táblázat a betegek adatait: a 6 mutatók adatait az MDCT képek és az eredmények egyváltozós statisztikai elemzés. katalógusa a betegek adatait
LNM ( -) Matton LNM (+) Matton P érték
számú beteg katalógusa 41/175 (23,4%) hotelben 134/175 (76,6%)
Mérési adatok * katalógusa tumor legnagyobb átmérője (mm) hotelben 39,0 ± 17,0 katalógusa 56,6 ± 19,5 katalógusa < 0,001 katalógusa maximális nyirokcsomó mérete (mm) hotelben 6,5 ± 2,8 katalógusa 10,0 ± 5,5 katalógusa < 0,001 katalógusa száma nyirokcsomók katalógusa 7 ± 4 katalógusa 12 ± 8 katalógusa < 0,001 katalógusa gróf adatok # katalógusa Savós invázió katalógusa < 0.001 katalógusa Igen
15/175 (8,6%) hotelben 120/175 (68,6%) hotelben Nem katalógusa 26/175 (14,8%) hotelben 14/175 (8%)
tumor besorolás katalógusa < 0,001 katalógusa Korai gyomorrák katalógusa 9/175 (5,1%) hotelben 1/175 (0,6%) hotelben BorrmannI katalógusa 2/175 (1,1%)
0/175
BorrmannII katalógusa 3/175 (1,7%) hotelben 9/175 (5,1%) hotelben Borrmann III
27/175 (15,4%) hotelben 121 /175 (69,1%) hotelben Borrmann IV
0/175 3/175 katalógusa (1,7%) hotelben nyirokcsomók állomás katalógusa < 0,001 katalógusa Station1
29/175 (16,6 %) hotelben 44/175 (25,1%) hotelben Station2
12/175 (6,9%) hotelben 54/175 (30,9%) hotelben Station3
0/175 katalógusa 36 /175(20.5) hotelben * az érték a mérési adatok átlag ± szórás. A p érték független-mintás t próba. Katalógusa # Az érték a gróf adatok száma volt adat. A p-érték származott Mann-Whitney U teszt.
A radiológus elért AUC 0,757 mint minősítette nyirokcsomómetastasis a beteg által legnagyobb nyirokcsomó mérete. A legjobb cut-off point maximális nyirokcsomó mérete 7,7 mm. Az érzékenység és specificitás csak 63,4%, illetve 75,6%. Az SVM eszköztárát az érzékenységét, specificitását és AUC 5-szörösen kereszt-érvényesítés volt 88,5%, 78,5% és 0,876 volt (3. táblázat). Összehasonlítva a radiológus, mindegyik AUC az 5-szörös kereszt-érvényesítés SVM modellek szignifikánsan jobb teljesítményt (P < 0,05), mint a radiológus (1. ábra, 3. táblázat). 1. ábra ROC görbe LNM. Vevő működési karakterisztika (ROC) görbét nyirokcsomómetastasis 5-szörösen kereszt-érvényesítés SVM modellek és radiológus. Az AUC-k1 K5 SVM modellek voltak 0,862, 0866, 0,878, 0,900 és 0876, ill. Összehasonlítva a radiológus, a p-értékek voltak kisebb, mint 0,05 (3. táblázat). Az öt SVM modellek, az átlagos AUC volt 0,876. És az AUC a radiológus alapú LN méretű volt 0,757. Katalógusa 3. táblázat AUC-SVM modell és radiológus katalógusa Model

K-fold

Sensitivity

Specificity

AUC*

P érték (AUC képest radiológus) Matton SVM katalógusa K1 katalógusa 0.881 katalógusa 0.780 katalógusa 0,862 ± 0,038 katalógusa 0,002 katalógusa K2 katalógusa 0.866 katalógusa 0,780
0,866 ± 0,037 katalógusa < 0,001 katalógusa K3 katalógusa 0.858 katalógusa 0,805 katalógusa 0,878 ± 0,033 katalógusa < 0,001 katalógusa K4 katalógusa 0.933 katalógusa 0.780 katalógusa 0.900 ± 0,031 katalógusa < 0,001 katalógusa K5 katalógusa 0,888 katalógusa 0.780 katalógusa 0,876 ± 0,038 katalógusa < 0,001 katalógusa jelent katalógusa 0.885 katalógusa 0,785 katalógusa 0,876
radiológus katalógusa 0.634 katalógusa 0,756 katalógusa 0,757 ± 0,042 katalógusa érzékenységét, specificitását és AUC 5-szörös kereszt-érvényesítés SVM modellek és radiológus diagnosztizálására nyirokcsomómetastasis beteg. katalógusa * Az érték az adatok volt AUC ± standard deviáció.
Discussion
nyirokcsomó áttétek befolyásolja a sebészeti betegek kezelésére gyomorrák és szintén fontos tényező a prognózist. Jelenleg a preoperatív diagnózis elsősorban attól függ, a különböző képalkotó eljárások. A szabvány ítélve nyirokcsomómetastasis támaszkodik morfológiai mutatókat. Nyirokcsomó mérete a meghatározó mutató. Azonban Dorfman RE és munkatársai számoltak be, hogy normális felső határ a nyirokcsomó méretben hasi komputertomográfiás változott 6-11 mm [17]. Ezek részben átfedésben a rosszindulatú nyirokmirigy. Fukuya T és munkatársai kimutatták, hogy a CT csillapítás és nyirokcsomó-konfigurációjú segíti a diagnózis a rosszindulatú nyirokcsomók [18]. Éppen ellenkezőleg, Deutch SJ munkatársai fejezte ki, hogy mérete, helye, kontúr, sűrűsége nem voltak hasznosak megkülönböztetni jóindulatú daganatos nyirokcsomó [19]. Hiánya bírálati szempontjai fő akadálya a becslés nyirokcsomó-metasztázis műtét előtt.
A biológiai viselkedése gyomorrák tükrözi kórszövettani teljesítménye a daganat malignance és invázióját. Ez érinti nyirokcsomó-metasztázis közvetlenül vagy közvetve. A konkrét megnyilvánulása a biológiai viselkedés magában foglalja például, a daganat mérete, mélysége invázió, daganat invázió más szervek, nyirokcsomó-metasztázis és távoli metasztázist. MDCT egyértelműen jeleníti meg ezeket a kóros események. Egyes vizsgálatok szerint a pontossága gyomorrák T stádium az MDCT kombinált 3D rekonstrukció 84-89% [20, 21]. Zhang XP és munkatársai számoltak be, hogy a számos nyirokcsomók által észlelt MDCT mutatott szignifikáns különbséget a nyirokcsomó-metasztázis csoport, és nem áttét csoport kardiális rák [22]. MDCT is jelzik a helyzet más hasi szervek és a hashártya. Ezért MDCT képalkotó pontosan tükrözi a biológiai viselkedését gyomorrák kórszövettani. Egyváltozós analízis a tanulmány kimutatta, hogy a 6 mutatók a gyomorrák és a nyirokcsomókban információt CT mindegyike kapcsolatban LNM. Tehát meg kell vizsgálni ezeket a biológiai viselkedést tényezők átfogó előrejelzésében LNM.
Voltak más gépi tanulási módszerek az orvosi vizsgálatok. Az elsősorban a módszer a mesterséges neurális hálózat (ANN). ANN tekinthető megfelelő módszert az orvosi adatok elemzése [23]. Bollschweiler és munkatársai alkalmazták egy egyrétegű perceptron, amely egyfajta Ann, megjósolni nyirokcsomó-metasztázis gyomorrák. A pontosság ANN 79% volt [24]. Azonban az ANN volt néhány hátránya. ANN modell volt, hajlamos a overfitting. Ez szükséges hosszadalmas fejlesztés és az idő optimalizálása. Voltak nehezebb használni terén, mert a számítási igény [25]. Figyelembe véve a fenti okok miatt, akkor a kiválasztott SVM modell helyett. Az SVM lehetne előállítani alsó becslési hiba képest osztályozók alapján más módszerek, mint a mesterséges neurális hálózatok [26]. Összehasonlítva ANN, SVM ugyanaz lehet a még jobb prediktív képesség [27, 28]. Jelenleg kevés tudósít alkalmazása SVM gyomorrákban nyirokcsomómetastasis. Mivel az előzetes vizsgálat, az eredmények azt mutatják, hogy az SVM modell jobb diagnosztikai képesség LNM, mint a hagyományos LN méretre vonatkozó feltételek. Az AUC ért egy jó diagnosztikai teljesítmény. További fejlesztéssel SVM válhat hatékony módszer megjósolni nyirokcsomó staging gyomorrák.
Következtetések összehasonlítás alapján a biológiai viselkedése információk a gyomorrák a MDCT képeket, SVM modell segíthet diagnosztizálni a nyirokcsomó-metasztázis műtét előtt.
nyilatkozatok katalógusa Köszönetnyilvánítás katalógusa köszönjük Jie Li Yong Cui, Li-Ping Qi, Xiao-Ting Li szerkesztőségi támogatást és június Shan, Ning Wang Ying Li, Shun Yu Gao áttekintésére a kéziratot.
a projekt által támogatott Nemzeti Természettudományi Alapítvány Kína (Grant No. 30970825) és a pekingi Városi Természettudományi Alapítvány (No. 7092020). katalógusa a szerzők eredeti beküldötteknek képeket
alábbiakban a linkeket a szerzők "eredeti beküldötteknek képeket. 12885_2010_2503_MOESM1_ESM.jpeg A szerzők eredeti fájlt az 1. ábra szerinti versengő érdekek
A szerzők kijelentik, hogy nem ellentétes érdekek. Katalógusa

• Változások az E-cadherin és β-catenin gyomorrákban
• A p53 expressziója, az indukálható nitrogén-oxid-szintáz és a vaszkuláris endoteliális növekedési faktor a gyomor rákmegelőző és rákos léziók: összefüggést klinikai features