modello di macchina Support Vector per la diagnosi di metastasi linfonodali nel carcinoma gastrico con tomografia computerizzata multidetettore: uno studio preliminare

modello di macchina Support Vector per la diagnosi di metastasi linfonodali nel carcinoma gastrico con tomografia computerizzata multidetettore: uno studio preliminare
Abstract
sfondo
metastasi linfonodali (LNM) di cancro gastrico è un importante fattore prognostico per quanto riguarda a lungo termine sopravvivenza. Ma diverse tecniche di imaging che sono comunemente usati nello stomaco non può in modo soddisfacente valutare lo stato del nodo cancro linfatico gastrico. Non possono ottenere sia alta sensibilità e specificità. Come una sorta di metodi di apprendimento automatico, Support Vector Machine ha il potenziale per risolvere questo problema complesso.
Metodi
Il comitato etico ha approvato questo studio retrospettivo. 175 pazienti consecutivi con carcinoma gastrico sottoposti a TCMD prima dell'intervento sono stati inclusi. Abbiamo valutato gli indicatori dei nodi linfatici tumorali e su immagini CT, tra cui sierose invasione, la classificazione del tumore, il tumore diametro massimo, il numero di linfonodi, dimensione massima dei linfonodi e della stazione dei linfonodi, che riflette il comportamento biologico del cancro gastrico. L'analisi univariata è stata utilizzata per analizzare il rapporto tra i sei indicatori di immagine con LNM. Un modello SVM è stato costruito con questi indicatori di cui sopra come indice di ingresso. L'indice uscita era che metastasi linfonodali del paziente era positivo o negativo. È stato confermato dalla chirurgia e istopatologia. Una tecnica di apprendimento automatico standard chiamato k-fold convalida incrociata (5 volte nel nostro studio) è stato utilizzato per addestrare e modelli di collaudo SVM. Abbiamo valutato la capacità diagnostica dei modelli SVM in metastasi linfonodali con il receiver operating characteristic curve (ROC). E il radiologo classificato la metastasi linfonodali dei pazienti, utilizzando la massima dimensione dei linfonodi sulle immagini TC come criterio. Abbiamo confrontato le aree sotto le curve ROC (AUC) dei modelli SVM radiologo e.
Risultati
In 175 casi, i casi di metastasi linfonodali erano 134 e 41 casi non erano. I sei indicatori di immagine tutti avevano differenze statisticamente significative tra i gruppi negativi e positivi LNM. I mezzi di sensibilità, specificità e l'AUC di modelli SVM con 5 volte la convalida incrociata sono stati 88,5%, 78,5% e 0.876, rispettivamente. Mentre il potere diagnostico del radiologo classificare metastasi linfonodali dalla massima dimensione dei linfonodi sono stati solo il 63,4%, 75,6% e 0,757. Ogni modello SVM del 5 volte la convalida incrociata eseguita significativamente migliore rispetto al radiologo.
Conclusioni commercio basato su informazioni comportamento biologico del cancro gastrico sulle immagini MDCT, modello SVM può aiutare a diagnosticare il nodo linfatico metastasi in fase preoperatoria.
Sfondo
cancro gastrico è una delle principali cause di decessi correlati al cancro in tutto il mondo [1]. stato dei linfonodi è un importante fattore prognostico per quanto riguarda la sopravvivenza a lungo termine [2]. Il sistema di stadiazione TNM sulla base di Joint Committee on Cancer (AJCC) è accettato ampiamente ora [3]. Il tasso di sopravvivenza a 5 anni dei pazienti nella fase N0 dopo l'intervento chirurgico è stato 86,1%, mentre i pazienti stadio N1, N2, N3 ed è sceso al 58,1%, 23,3% e 5,9%, rispettivamente, [4].
Allo stato attuale, molte tecniche di imaging sono state utilizzate per valutare il cancro gastrico, tra cui l'ecografia addominale, ecografia endoscopica (EUS), multi-slice TC spirale, RM convenzionale, e FDG-PET. Tuttavia, questi metodi di imaging non possono affidabile confermare o escludere la presenza di metastasi linfonodali [1]. Una meta-analisi ha mostrato che la sensibilità media e specificità nella determinazione LN metastasi sono stati i seguenti: 39,9% e del 81,8% per l'ecografia addominale, il 70,8% e il 84,6% per l'ecografia endoscopica, 80,0% e 77,8% per MDCT, 68,8% e 75,0% per la risonanza magnetica convenzionale, 34,3% e 93,2% per la FDG-PET, e il 54,7% e il 92,2% per la FDG-PET /CT [2]. Ogni singola applicazione di questi strumenti di imaging non può in modo soddisfacente valutare lo stato del nodo cancro linfatico gastrico. La ragione è che abbiamo principalmente diagnosticare LNM dalla dimensione dei linfonodi. I criteri diagnostici vanno da 5 mm a 10 mm [2]. Ma le grandi linfonodi possono essere causati da infiammazione e piccoli linfonodi possono essere metastatico. Molti studi hanno dimostrato che il cancro gastrico LN metastasi è stata associata con le dimensioni del tumore, profondità di invasione, tipo istologico e il coinvolgimento linfatico patologico [5-8]. Non esiste un metodo idoneo a coniugare la linfa dimensioni nodo con i molteplici fattori sopra descritti per effettuare un'analisi completa. Come integrare i complessi fattori che colpisce i linfonodi e migliorare la precisione della diagnosi LNM è il tema del nostro studio.
Negli ultimi dieci anni, i metodi di apprendimento automatico, complementari alle tradizionali metodi statistici, sono stati utilizzati per prevedere fenomeni biologici complessi . Support Vector Machine è una nuova generazione di algoritmi di apprendimento sviluppati sulla base della teoria statistica. L'algoritmo SVM ha una solida base teorica, basata sulle idee di VC (Vapnik Chervonenkis) dimensione e minimizzazione del rischio strutturale. la precisione ha soddisfatto [9]. SVM è stato utilizzato in alcune applicazioni mediche, soprattutto nel campo della biologia molecolare e neuroimaging [10-12]. Può essere usato per la classificazione e la regressione. Dato un insieme di esempi di addestramento, ciascuna contrassegnata come appartenente ad una delle due categorie, un algoritmo di formazione SVM costruisce un modello che predice se un nuovo esempio rientra in una categoria o l'altra.
Lo scopo di questo studio è di usare SVM metodo per analizzare le informazioni di imaging TCMD relative al comportamento biologico del cancro gastrico e stabilire i modelli matematici per valutare metastasi linfonodali in fase preoperatoria.
Metodi
pazienti
Questo studio retrospettivo è stato approvato dal nostro comitato istituzionale di revisione. Tra aprile 2006 e settembre del 2008, 368 pazienti consecutivi con cancro gastrico nuova diagnosi sono stati somministrati prima dell'intervento di aumento del contrasto esami addominali CT e poi hanno ricevuto la gastrectomia presso il nostro ospedale. I pazienti corrispondevano ai criteri di inclusione ed esclusione di seguito sono stati inclusi in questo studio
. I criteri di inclusione
I pazienti hanno ricevuto gastrectomia radicale e D2 linfonodi dissezione. Erano in fase preoperatoria esaminati con multi-CT fila rivelatore. Tutti i pazienti sono stati confermati come cancro gastrico per via istopatologica postoperatoria.
Criteri di esclusione
I pazienti hanno ricevuto la terapia neoadiuvante preoperatoria. metastasi a distanza è stato trovato in sede di esame preoperatorio o nel funzionamento
Infine, 175 pazienti (125 maschi, 50 femmine, età media 59,8 anni; range: 30-85 anni). compresa la nostra popolazione in studio. Abbiamo ottenuto il consenso informato da tutti i pazienti selezionati prima della decorso clinico di routine di esami TC
CT protocollo
TCMD è stata effettuata utilizzando un 64-detector fila CT scanner (LightSpeed ​​64; GE Healthcare, Milwaukee, Wis).. Ogni paziente ha digiunato per più di 8 ore prima dell'esame TC. Per abilitare la distensione gastrica e ridurre la motilità gastrica, i pazienti hanno ricevuto 8 cristalli produttori di gas g per via orale e una iniezione intramuscolare di 10 mg anisodamine 10-15 minuti prima dell'esame. Addominale superiore TAC non modificate dalle cupole diaframmatica a 2 cm sotto il margine inferiore del corpo gastrico aria disteso sono state acquisite con una collimazione di 0,625 millimetri, 120-140 kVp, e 300-350 mAs. Successivamente, un totale di 100 ml di iopromide (Ultravist; Schering, Berlino, Germania) è stato somministrato per via endovenosa attraverso un 18-gauge catetere angiografico inserito in una vena antecubitale in 3 mL /sec utilizzando un iniettore automatico. TC con mdc sono stati eseguiti in fase arteriosa (30 secondi) e nella fase venosa portale (70 secondi). Abbiamo fatto la ricostruzione multi-planare l'immagine fase venosa portale con. Analisi Immagine Stock
Due radiologi, uno con 3 anni e l'altro con esperienza 8 anni in CT addominale eseguito immagine analizza congiuntamente a un accordo. Se ci fosse disaccordo, hanno consultati con un altro radiologo che ha avuto 20 anni di esperienza nel CT addominale fino a quando è stato raggiunto un accordo. Abbiamo misurato e contato i sei indicatori sulle immagini MDCT da mani come segue:
Tumore diametro massimo
Misurare il diametro di cancro gastrico nel assiale, coronale e immagini sagittali basa le immagini MPR. E decidere il diametro massimo del tumore.
Tumore classificazione
precoce cancro gastrico o Borrmann classificazione del cancro avanzato nelle immagini MPR è stato determinato.
Sierose invasione
immagini assiali e MPR sono stati contemporaneamente valutata per determinare la sierosa invasione. L'intero ispessimento della parete dello stomaco in modo anomalo migliorato e lineari o strutture reticolari nello strato adiposo che circonda lo stomaco indicato invasione sierosa [13].
Numero di linfonodi
Il numero di tutti i visibili gastrici linfonodi regionali nelle immagini MDCT da parte di gruppi è stato contato [14].
la dimensione massima dei linfonodi
l'asse corto del più grande linfonodo rilevato in immagini CT è stata misurata
. lINFONODI stazione
la stazione linfonodi con immagini MDCT basate sulla classificazione giapponese di carcinoma gastrico è stato determinato [14]
. macchina Support Vector
Support Vector machine è una tecnica di apprendimento automatico supervisionato che è ampiamente usato in problemi di riconoscimento di forme e classificazione. algoritmo SVM esegue una classificazione per la costruzione di un iperpiano multidimensionale che discrimina in modo ottimale tra due classi, massimizzando il margine tra due cluster di dati. Questo algoritmo raggiunge un'elevata potere discriminante utilizzando speciali funzioni non lineari chiamati kernel per trasformare spazio di ingresso in uno spazio multidimensionale [15]. In questo studio, un software disponibile SVM gratuito chiamato LibSVM 2.89 è stato utilizzato per generare il modello SVM [16]. Gli indici di ingresso sono stati i sei indicatori raccolti sulle immagini MDCT di cui sopra. Per questi indicatori, i dati di misura possono essere inseriti al modello SVM direttamente. Mentre i dati di conteggio devono essere definiti come alcuni numeri. Ad esempio, positiva sierosa invasione è stata definita come 1 e negativo era -1. L'indice di produzione è stata metastasi linfonodali del paziente. È stato confermato dalla chirurgia e istopatologia. Se il paziente ha avuto uno o più linfonodi metastasi, è stato considerato come LNM positivo. Abbiamo definito la LNM positivo come 1, mentre il negativo era -1. Abbiamo scelto la RBF kernel per creare il modello. Per addestrare e testare il nostro modello SVM, abbiamo utilizzato una tecnica di apprendimento automatico standard chiamato k-fold convalida incrociata. Poiché le dimensioni del campione tutta la nostra studio non era molto grande, abbiamo usato 5 volte convalida incrociata. I dati interi sono stati divisi in 5 sottogruppi uguali e distinte. Quattro di questi sottoinsiemi sono combinati e utilizzati per la formazione, e il rimanente un gruppo viene utilizzato per il test. Questo processo di convalida incrociata è stato ripetuto 5 volte, permettendo ad ogni sottoinsieme di servire una volta come il set di dati di test
. Analisi statistica
Un'analisi statistica univariata utilizzando il SPSS /PC + statistiche versione del pacchetto software 11.5 (SPSS Inc., IL, Chicago, USA) è stato eseguito per valutare le differenze di sei indicatori di imaging tra i pazienti che avevano LNM o meno. I metodi di analisi statistica sono stati i campioni indipendenti di test T e test di Mann-Whitney U. P < 0.05 è stato considerato una differenza significativa. Receiver operating characteristic (ROC) Curva stato utilizzato per valutare le prestazioni diagnostiche del modello SVM. La versione software MedCalc 11.2 (MedCalc, MedCalc Software, Ghent, Belgio) è stato usato per fare le curve ROC e confrontarli. In sintesi, abbiamo una media l'area sotto la curva (AUC) delle curve ROC del 5-fold cross-validation. Abbiamo anche contato i mezzi di sensibilità e specificità. Per confrontare con il modello SVM, abbiamo costruito la curva ROC per la valutazione del radiologo, utilizzando la massima dimensione dei linfonodi come criteri per classificare la LNM. La sensibilità e la specificità del miglior punto di cut-off sono stati contati.
Risultati
In questi 175 casi, ci sono stati 134 casi che avevano metastasi linfonodali e 41 casi no. caratteristiche clinico-patologici dei pazienti sono stati dettagliati in tabella 1. Abbiamo raccolto i sei indicatori sulle immagini MDCT. I risultati dell'analisi statistica univariata indicato che il tutti sei indicatori che comprendono sierosa invasione, la classificazione del tumore, il tumore diametro massimo, numero di linfonodi, dimensione massima linfonodi e linfa stazione nodi erano significative diversa tra il gruppo positivo e negativo LNM (P <0,001). I mezzi di tumore diametro massimo, il numero di linfonodi, e il massimo della linfa dimensioni nodo LNM gruppo positivi sono stati 56,6 ± 19,5 millimetri, 10,0 ± 5,5 mm e 12 ± 8, rispettivamente. Erano tutti più alti di quelli di LNM gruppo negativo (Tabella 2) .table 1 Caratteristiche dei pazienti
caratteristiche clinico-patologiche
Valore
No. dei pazienti
175
età media (y)
59,8 (30-85)
rapporto tra donne e uomini
50: 125
istopatologia
Adenocarcinoma
173 ( 98,9%)
ben differenziato 6 (3,4%)
differenziato moderatamente
91 (52%)
scarsamente differenziato
76 (43,5%)
carcinoma a piccole cellule
2 (1,1%)
metastasi linfonodali
positivo
134 (76,6%)
negativo
41 (23,4%)
Nota .-- i numeri tra parentesi sono le gamme.
Tabella 2 dati del paziente: i dati i 6 indicatori "delle immagini MDCT ei risultati di analisi statistica univariata
i dati del paziente
LNM (. -)
LNM (+)
valore P
numero del paziente
41/175 (23,4%)
134/175 (76,6%)
dati di misura *
Tumore diametro massimo (mm)
39,0 ± 17,0
56,6 ± 19,5
< 0,001
massima dimensione dei linfonodi (mm)
6.5 ± 2.8
10.0 ± 5.5
< 0,001
numero di linfonodi
7 ± 4
12 ± 8
< 0,001
conte dati #
sierose invasione
< 0.001
Sì
15/175 (8,6%)
120/175 (68,6%)
No
26/175 (14,8%)
14/175 (8%)
classificazione del tumore
< 0,001
precoce cancro gastrico
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%)
Linfonodi stazione
< 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)
* il valore dei dati di misura era mezzo ± deviazione standard. Il valore p era da campioni indipendenti di test T.
# Il valore dei dati conte era il numero di dati. Il valore p era dal test di Mann-Whitney U.
Il radiologo ha raggiunto un AUC di 0,757 come classificare metastasi linfonodali del paziente da parte di dimensione massima dei linfonodi. Il miglior punto di cut-off di massima dimensione dei linfonodi era 7,7 mm. La sensibilità e la specificità sono stati solo 63,4% e 75,6%. mediante la sensibilità, specificità e AUC con 5-fold cross-validation del SVM erano 88,5%, 78,5% e 0.876, rispettivamente (Tabella 3). Rispetto al radiologo, ciascuna AUC dei modelli SVM validazione incrociata 5-fold eseguita significativamente migliore (P < 0,05) rispetto al radiologo (Figura 1, Tabella 3). Figura 1 curva ROC per LNM. Receiver operating characteristic curve (ROC) per metastasi linfonodali con i modelli SVM cross-validazione 5 volte e radiologo. L'AUC di K1 a K5 modelli SVM erano 0.862, 0866, 0.878, 0.900 e 0876, rispettivamente. Rispetto al radiologo, i valori di P erano tutti inferiori a 0.05 (Tabella 3). Per i cinque modelli SVM, la media di AUC era 0,876. E l'AUC di dimensioni radiologo LN base era 0,757.
Tabella 3 AUC di modello SVM e radiologo
Model

K-fold

Sensitivity

Specificity

AUC*

P valore (AUC rispetto al Radiologo)
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
dire
0,885 0,785

0,876
radiologo
0,634 0,756

0,757 ± 0,042
La sensibilità, la specificità e l'AUC di modelli di convalida incrociata SVM 5-fold e radiologo per la diagnosi di metastasi linfonodali del paziente.
* Il valore dei dati era ± AUC deviazione standard
. metastasi linfonodali Discussione
linfa riguarda il trattamento chirurgico di pazienti con cancro gastrico ed è anche un fattore importante per la prognosi. Attualmente, la diagnosi preoperatoria dipende principalmente vari metodi di imaging. Lo standard per giudicare metastasi linfonodali si basa su indicatori morfologici. dimensione dei linfonodi è l'indicatore dominante. Tuttavia, Dorfman RE et al ha riferito che i limiti superiori della norma per le dimensioni dei linfonodi a tomografia computerizzata addominale varia da 6 a 11 mm [17]. Sono in parte sovrapposti con la linfoadenopatia maligna. Fukuya T et al hanno dimostrato che CT attenuazione e la configurazione dei linfonodi potrebbero aiutare nella diagnosi di adenopatie maligna [18]. Al contrario, Deutch SJ et al ha espresso che le dimensioni, l'ubicazione, contorno, la densità non fosse utile per distinguere benigne da linfoadenopatia maligna [19]. Mancanza di criteri per giudicare è il principale vincolo per la previsione di metastasi linfonodali in fase preoperatoria.
Il comportamento biologico del cancro gastrico riflette la performance istopatologico di malignità e l'invasione del tumore. Essa colpisce metastasi linfonodali, direttamente o indirettamente. La manifestazione concreta del comportamento biologico comprende, ad esempio, le dimensioni del tumore, profondità di invasione, invasione tumorale di altri organi, metastasi linfonodali e metastasi a distanza. TCMD può chiaramente visualizzare questi eventi patologici. Alcuni studi hanno riportato che l'accuratezza di stadiazione del cancro gastrico T con MDCT combinata con ricostruzione 3D è stata 84-89% [20, 21]. Zhang XP et al hanno riferito che il numero di linfonodi rilevati da MDCT ha mostrato una differenza significativa tra il gruppo metastasi linfonodali e nessun gruppo metastasi del cancro cardiaco [22]. TCMD può anche indicare la situazione in altri organi addominali e il peritoneo. Pertanto, l'imaging TCMD può riflettere accuratamente il comportamento biologico di gastrico istopatologia cancro. L'analisi univariata nel nostro studio ha mostrato che i 6 indicatori di gastrico informazioni nodi linfatici tumorali e su immagini CT tutte hanno una relazione con LNM. Quindi dovremmo considerare questi fattori comportamento biologico completo nel predire LNM.
Ci sono stati alcuni altri metodi di apprendimento automatico utilizzati in studi medici. Il metodo è stato principalmente rete neurale artificiale (ANN). ANN è considerato un metodo adeguato per analisi mediche dati [23]. Bollschweiler et al applicato un perceptron singolo strato, che è una specie di RNA, di prevedere metastasi linfonodali nel carcinoma gastrico. La precisione di Ann era del 79% [24]. Tuttavia, la RNA ha alcuni svantaggi. Il modello di Ann era incline a overfitting. E 'richiesto lunghi tempi di sviluppo e ottimizzare. Erano più difficili da utilizzare nel campo a causa di requisiti di calcolo [25]. In considerazione delle ragioni di cui sopra, abbiamo scelto invece il modello SVM. L'SVM potrebbe produrre più basso errore di predizione rispetto a classificatori basati su altri metodi come le reti neurali artificiali [26]. Rispetto ANN, SVM può avere la stessa anche meglio predittivo capacità [27, 28]. Attualmente, ci sono pochi rapporti circa l'applicazione della SVM nel cancro gastrico metastasi linfonodali. Come uno studio preliminare, i nostri risultati indicano che il modello SVM ha una migliore capacità diagnostica per LNM rispetto ai criteri di dimensione LN tradizionali. La AUC ha raggiunto un buon potere diagnostico. Con un ulteriore miglioramento, SVM può diventare un metodo efficace per prevedere linfonodi stadiazione del cancro gastrico.
Conclusioni
Sulla base delle informazioni comportamento biologico del cancro gastrico sulle immagini MDCT, modello SVM può aiutare a diagnosticare la metastasi linfonodali in fase preoperatoria.
Dichiarazione
Ringraziamenti
ringraziamo Jie Li, Yong Cui, Li-ping Qi, Xiao-Ting Li per il supporto editoriale e Jun Shan, Ning Wang, Li Ying, Shun-Yu Gao per la revisione del manoscritto.
Progetto sostenuto dalla National Science Foundation naturale della Cina (Grant No. 30.970.825) e municipale di Pechino Natural Science Foundation (n ° 7.092.020). fascicoli presentati originali
d'autore per le immagini
di seguito sono riportati i link agli autori 'originale presentato file per le immagini. file originale 12885_2010_2503_MOESM1_ESM.jpeg degli autori per la Figura 1 in competizione interessi
Gli autori dichiarano di non avere interessi in gioco.

• Alterazioni di E-caderina e β-catenina in Alterazioni cancer
• L'espressione di p53, ossido nitrico sintasi inducibile e fattore di crescita vascolare endoteliale in lesioni precancerose e cancerose gastrici: correlazione con features