An evidential dofir baséiert Modell fir Diagnos vun lymph Node Metastasen zu gastric Kriibs VerfÜgung méiglech VerfÜgung Background VerfÜgung Lymph Node Metastasen (LNM) zu gastric Kriibs ass eng ganz wichteg prognostic Faktor langfristeg Iwwerliewe betrëfft. Moment, sinn e puer gemeinsam Imaging Technike benotzt d'lymph Node Status ze diskutéieren. Allerdéngs si si onfäheg souwuel héich Empfindlechkeet a Spezifizitéit gläichzäiteg vun erreechen. Fir mat deem komplexen Thema, eng nei evidential liesen (ËH) baséiert Modell ze këmmeren ass proposéiert an gastric Kriibs Diagnos vun LNM ze ënnerstëtzen. VerfÜgung Method VerfÜgung Et sinn 175 Nuechten Patienten, déi duerch multidetector berechnen tomography gaangen (Regierung beäntwert dës Froe) noeneen virun der Chirurgie. Eight Indicateuren, déi serosal Invasioun sinn, entholl Klassifikatioun, entholl Opléisung Muster, entholl deck, Zuel vun lymph Wirbelen, maximal lymph Node Gréisst, lymph Node Gare an lymph Node Opléisung sinn ëm d'entholl an lymph Node duerch CT Biller ze diskutéieren. All vun den uewe Indicateuren refletéieren der biologescher Behuele vun gastric Kriibs. An ËH baséiert Modell ass andeems der uewen Indicateuren den Input Index gebaut. Den Wasserstoff Index bestëmmt ob LNM fir d'Patienten existeiert, déi vun der Chirurgie an histopathology decidéiert ass. A Technik nennt k-fantastesch Kräiz-Confirmatioun ass fir Formatiounen an Fahrt den neie Modell benotzt. D'diagnostic Méiglechen stoussen vun LNM ass vun Receiver Fonctionnementskäschten charakteristesche (ROC) Kéieren bewäert. A Radiologist LNM classifies vun lymph Node Gréisst fir Verglach ofwäichen. VerfÜgung Resultater VerfÜgung 134 aus 175 Fäll si Fäll vun LNM, an d'Iwwerreschter sinn net. Eight Indicateuren hu statistesch groussen Ënnerscheed tëschent der positiv an negativ Gruppen. Der Sensibilitéit, Spezifizitéit an AUC vun der ËH baséiert Modell sinn 88,41%, 77,57% an 0,813 bzw.. Mä fir d'radiologist LNM vun maximal lymph Node Gréisst Evaluéieren, sinn déi entspriechend Wäerter nëmmen 63,4%, 75,6% an 0,757. Also, kann den proposéiert Modell besser Performance wéi d'radiologist kréien. Nieft, outperforms der méiglecher Modell och aner Maschinn Léiermethoden. VerfÜgung Konklusiounen VerfÜgung Laut der biologescher gelooss Informatiounen vun gastric Kriibs, d'ËH baséiert Modell LNM effektiv an preoperatively depressiv kann. VerfÜgung Schlësselwieder VerfÜgung Gastric Kriibs Lymph Node Metastasen Evidential dofir Background VerfÜgung Gastric Kriibs ass eng vun de groussen Ursaache vun Kriibs-Zesummenhang mat Doudesfäll an der Welt [1] ginn. Lymph Node Metastasen (LNM) ass eng ganz wichteg prognostic Faktor iwwert langfristeg Iwwerliewe [2]. D'TNM
engem Stadium System baséiert op American Gemeinsam Comité op Cancer ass den Uschléi Standard geholl an iwwerall akzeptéiert gouf [3]. Momentan Baséierend op dësem Liewesniveau, de 5-Joer Iwwerliewe Taux vun deenen Kranken an N0 Etapp der Chirurgie 86,1% ass, iwwerdeems N1, N2 an N3 Etapp Patienten 58,1% kréien kann, 23,3% an 5,9%, respektiv [4]. VerfÜgung , Dokteren depressiv LNM haut zum baséiert op der Gréisst vun lymph Wirbelen, déi op verschiddene Imaging Methoden Nordeuropa, wéi e Bild Ultraschall (EUS), postwendend misse Ultraschall, Multi-Taarten Spiralgalaxien Kapellen tomography (Kosovo), Magnéitresonanztomographie (Grausamkeet) an Positron Emissiounshöchstgrenzen berechnen Tomography (PET). Mä keng vun den uewe Imaging Handwierksgeschir kann de lymph Node Status vun engem adequat Manéier kréien. Mëttlerweil, eng systemesch review weist dass EUS, Regierung beäntwert dës Froe, konventionell Grausamkeet, an FDG-PET kann net zouverlässeg der Präsenz vun LNM ze confirméieren oder ausgeschloss ginn [2]. De Grond ass, dass grouss lymph Wirbelen vun inflammation ëmmer kann, während kleng mannste kënne vun Metastasen verursaacht ginn. Dofir, ass eenzeg lymph Node Gréisst net e staarke Estimatioun. An Tatsaach, hu vill Studie gewisen datt LNM ze entholl Gréisst, agebousst lymphatic z'engagéieren, histological Typ an anere Facteuren Zesummenhang ass [5-8]. Dofir, eng Method, déi dorunner soll lymph Node Gréisst mat deene Facteure kombinéiert. Doriwwer eraus, e puer Fuerschunge [9-11] hunn d'diagnostic Capacitéite vun morphological Beméien an rectum Kriibs diskutéiert. Laut dës Studien, verbesseren der morphological Charakteristiken dorënner Grenz contour an Signal Intensitéit vun lymph Wirbelen vläicht deelweis de diagnostic Fähegkeet vun Metastasen. Allerdéngs, stelle mir dës Studien haaptsächlech op d'Grausamkeet Imaging zu rectum Kriibs. Fir Patiente mat gastric Kriibs zu Medeziner Praxis, ass beleidegt CT engem méi heefeg benotzt Imaging dach emol eppes wéi Grausamkeet Examen. Dofir, als Gebai mir e Modell LNM mat Multiple Indicateuren bis depressiv. VerfÜgung Well et qualitative a grouss Daten an aacht Indicateuren, eng Method, déi dës zwou Zorte vun Daten intégréieren kann sollen ugeholl ginn. D'ËH Approche war ursprénglech zu Laascht Multiple Spezialfäegkeeten Decisioun Analyse Problemer proposéiert, datt souwuel qualitative a grouss Attributer ënner Onsécherheet abannen [12]. D'sätzt ass d'ËH sind dat op der Basis vun der Decisioun Theorie an der Dempster-Shafer (D-S) Theorie vun de Beweiser entwéckelt ass [13, 14]. Als ËH kann de qualitative Informatiounen a grouss Daten intégréieren ëmmer, et applizéiert gëtt. Ee vun den Zieler vun dësem Pabeier ass fir déi Indicateuren sinn am Zesummenhang mat der biologescher Behuele vun gastric Kriibs Analys an eng mathematesch Modell bauen LNM preoperatively ze bewäerten. VerfÜgung Method VerfÜgung kennen VerfÜgung An dësem Experiment, 175 CT Fäll kritt aus Korea University Cancer Hospital & Institut (Peking, China P. R.) wor den Prouf gesat. Laut der internationaler Behandlung Linne vun gastric Kriibs, ass CT ee vun de stäerkste Toast benotzt Inspektiounen [15]. Allerdéngs, aner Methode wéi PET an EUS sinn als ausgewielt kontrolléieren benotzt. Dës Patienten goufen preoperative Géigesaz Opléisung postwendend misse vun der CT Examen verwalt an dobäi de gastrectomy tëscht Abrëll 2006 a September 2008. Dëst Retrospektiv Etude vun institutionell review Board (IRB) abruecht huet. Si waren preoperatively mat Regierung beäntwert dës Froe iwwerpréift. Bedenkt datt mir d'Awëllegung vun all ausgewielt Patienten un der Iddi Medeziner Laf vun CT Examen Welpen kritt hun. Et sinn 125 Männercher an 50 Weibercher ënnert deene Patienten, an hir duerchschnëttlech Alter ass 59,8 Joer. D'Detailer ginn an Table 1.Table 1 Patienten- Charakteristiken VerfÜgung Klinik agebousst Fonctiounen dës
gëllt
Zuel vu Patienten VerfÜgung 175 VerfÜgung Duerchschnëttlech Alter (y) VerfÜgung 59,8 (30-85) VerfÜgung Verhältnis vu Männer fir Fraen zu 125: 50 VerfÜgung Histopathology VerfÜgung Adenocarcinoma VerfÜgung 173 (98.9%) VerfÜgung Ma ënnerscheet VerfÜgung 6 (3,4%)
Mëttelméisseg VerfÜgung 91 (52%) ënnerscheet VerfÜgung LINN VerfÜgung 76 (43.5%) ënnerscheet VerfÜgung klenger Zell carcinoma VerfÜgung 2 (1,1%) VerfÜgung lymph Node Metastasen VerfÜgung positiv
(76.6%) VerfÜgung Negativ VerfÜgung 41 (23.4%) VerfÜgung Indicateuren VerfÜgung Et sinn aacht Indicateuren, déi vun zwee radiologists ofgebaut goufen, ee mat dräi Joer an engem aneren mat aacht Joer Erfahrung an postwendend misse CT. Der aacht Indicateuren waren gemooss an manuell op Regierung beäntwert dës Froe Biller gezielt wéi follegt zesummen: (1) Serosal Invasioun: Axial an MPR Biller vum serosal Invasioun Pranger ze bestëmmen ginn évaluéiert. De ganze thickening Mo. Mauer abnormal linear oder reticular Strukturen am fatty futti verbessert ronderëm de Mo. serosal Invasioun uginn [16]
(2) entholl Klassifikatioun:. Early gastric Kriibs oder Bormann Klassifikatioun vun fortgeschratt Kriibs zu MPR Biller ass . bestätegt
(3) entholl Opléisung Muster:. entholl Opléisung ass um Portal Phase vun CT Biller an dräi Musteren ënnerdeelt, déi mucosal Uewerfläch Opléisung, eenheetleche Opléisung an heterogen Opléisung sinn
(4) entholl deck: d'Bäschten deck entholl ass bei der axial CT Biller gemooss
(5) d'Zuel vun lymph Wirbelen:. d'Zuel vun de gastric regional lymph Wirbelen mat Gréisst grouss wéi 3 mm am Regierung beäntwert dës Froe Biller vun Gruppen ass gezielt [17]. Wéi de lymph Wirbelen, déi méi kleng sinn wéi 3 mm, ze kleng gi fir hinnen Extrem maachen, sinn si ewech gelooss
(6) Maximal lymph Node Gréisst:. Déi kuerz Achs vun den Node gréisste lymph zu CT Biller fonnt gemooss gëtt
(7) lymph Node Gare:. d'lymph Node Gare mat Regierung beäntwert dës Froe Biller op der japanescher Klassifikatioun vun gastric carcinoma baséiert sech [17]
(8) lymph Node Opléisung.: et heescht CT attenuation Wäert vun lymph Node, déi um Portal Schwächt Phase vun CT Bild gemooss gëtt.
an dësem Pabeier, all d'Indicateuren sinn manuell gemooss. D'Zuel vun lymph Wirbelen ass de Montant vun lymph Wirbelen ronderëm den Moo. Maximum lymph Node Gréisst a lymph Node Opléisung ass aus der Bäschten lymph Node ofgebaut. D'Zil ass et, fir ze soe ob LNM aner existeiert wéi maximal lymph Node LNM huet. An anere Wierder, ass den Objet ze soe ob LNM fir all Patient geschitt. D'Finale Resultat fir LNM Diagnos ass vun der Chirurgie an histopathology decidéiert. D'agebousst Resultat kann definitiv confirméieren ob LNM existéiert oder net. Mir wëllen net Metastasen fir all lymph Node virauszesoen. De Grond ass, dass een-ze-eent Korrespondenz d'lymph Node mat CT an wirklech hängt ganz genee a excellent Erfahrung vun radiologist. Et ass normalerweis net konsequent genuch fir verschidde radiologists, déi de Cepheid Richtegkeet vun der mathematescher Modell Afloss kann. Dofir, mir hunn net d'Korrespondenz eent-zu-eent maachen fir all lymph Node. D'Detailer ginn et an Table 2.Table 2 Beschreiwung vun aacht Indicateuren Patienten- Donnéeën
LNM (-)
LNM (+)
Patienten- Zuel VerfÜgung 41/175 VerfÜgung 134/175 VerfÜgung Kilometréierung Donnéeën VerfÜgung entholl deck (mm) VerfÜgung 13,3 ± 14,0 VerfÜgung 16,6 ± 28,4 VerfÜgung Maximal lymph Node Gréisst (mm) VerfÜgung 6.5 ± 2,8 VerfÜgung 10.0 ± 5.5 VerfÜgung D'Zuel vun lymph Wirbelen VerfÜgung 7 ± 4 VerfÜgung 12 ± 8 VerfÜgung lymph Node Opléisung VerfÜgung 39,5 ± 58,5 VerfÜgung 62,5 ± 66,5 VerfÜgung Donnéeën Grof
entholl Opléisung Muster VerfÜgung Python- 1 VerfÜgung 13/175 VerfÜgung 6/175 VerfÜgung Python- 2 VerfÜgung 26/175 VerfÜgung 118/175 VerfÜgung Python- 3 VerfÜgung 2/175 VerfÜgung 10/175 VerfÜgung Serosal Invasioun VerfÜgung Jo VerfÜgung 15/175 VerfÜgung 120/175 VerfÜgung Nee VerfÜgung 26/175 VerfÜgung 14/175 VerfÜgung entholl Klassifikatioun
Early gastric Kriibs VerfÜgung 9/175 VerfÜgung 1/175 VerfÜgung Borrmann ech 2/175 VerfÜgung 0/175 VerfÜgung Borrmann II
3/175 VerfÜgung 9/175 VerfÜgung Borrmann III VerfÜgung 27/175 VerfÜgung 121/175 VerfÜgung Borrmann IV VerfÜgung 0/175 VerfÜgung 3/175 VerfÜgung Lymph Wirbelen Gare VerfÜgung Station 1 VerfÜgung 29 /175 VerfÜgung 44/175 VerfÜgung Station 2 VerfÜgung 12/175 VerfÜgung 54/175 VerfÜgung Station 3 VerfÜgung 0/175 VerfÜgung 36/175 VerfÜgung de Wäert vun den Miessinstrumenter Donnéeën manuell, an de Grof Donnéeën huet d'Zuel vun Daten gemooss gouf. an dësem Modell ËH baséiert Modell
, vertrieden mer all Fall vun enger Regioun-komplett Wierderbuch deenen Elementer sinn d'Formatioun Echantillon. Wann genuch Formatiounen Echantillon vun all Klass sinn, wäert et méiglech ginn déi Test Prouf ze vertrieden. VerfÜgung musse beweisen, datt den Training Echantillon mat sinn duerch X = {X VerfÜgung 1 VerfÜgung, X VerfÜgung 2 VerfÜgung, ..., X VerfÜgung p VerfÜgung} VerfÜgung ∈ R VerfÜgung mxn VerfÜgung, wou n VerfÜgung ass d'Zuel vun den Training Echantillonen, an m VerfÜgung ass d'Zuel vun Indicateuren. y VerfÜgung ∈ {1,2, ..., p} VerfÜgung de Label an p VerfÜgung ass ass d'Klass Index. T = [T VerfÜgung 1 VerfÜgung, T VerfÜgung 2 VerfÜgung ..., T VerfÜgung m VerfÜgung] VerfÜgung T VerfÜgung ADR engem Test Prouf. Der Regioun-komplett Wierderbuch ass A VerfÜgung mat wéi follegt zesummen: A VerfÜgung = VerfÜgung A VerfÜgung 1 VerfÜgung , VerfÜgung 1 VerfÜgung , VerfÜgung A VerfÜgung 1 VerfÜgung , VerfÜgung 2 VerfÜgung , VerfÜgung ... VerfÜgung , VerfÜgung A VerfÜgung 1 VerfÜgung , VerfÜgung n VerfÜgung A VerfÜgung 2 VerfÜgung , VerfÜgung 1 VerfÜgung , VerfÜgung A VerfÜgung 2
, VerfÜgung 2 VerfÜgung , VerfÜgung ... VerfÜgung , VerfÜgung A VerfÜgung 2 VerfÜgung , VerfÜgung n VerfÜgung ... VerfÜgung , VerfÜgung ... VerfÜgung , VerfÜgung ... VerfÜgung , VerfÜgung ... VerfÜgung A VerfÜgung m VerfÜgung , VerfÜgung 1 VerfÜgung , VerfÜgung A VerfÜgung m VerfÜgung , VerfÜgung 2 VerfÜgung , VerfÜgung ...
, VerfÜgung a VerfÜgung m VerfÜgung , VerfÜgung n VerfÜgung (1) Hei a VerfÜgung besteet aus Training Echantillonen an a VerfÜgung m, n VerfÜgung duerstellt all Luucht am Training Echantillon. Laut der Limite vun ËH, soll d'Saile vun A VerfÜgung an T VerfÜgung éischtens normalized ginn. Dann all Luucht T i VerfÜgung am Test Prouf vun enger VerfÜgung vertrueden ass an entspriechend Ech w VerfÜgung i VerfÜgung, i VerfÜgung = 1,2, ..., m
. Da kritiséiert mir de ËH Drëttubidder sind [13] wéi follegt: T VerfÜgung j VerfÜgung = VerfÜgung μ VerfÜgung × VerfÜgung Π
k VerfÜgung = VerfÜgung 1 VerfÜgung n VerfÜgung ω VerfÜgung k VerfÜgung A
j VerfÜgung , VerfÜgung k VerfÜgung + VerfÜgung 1 VerfÜgung - VerfÜgung ω VerfÜgung k VerfÜgung Σ VerfÜgung i VerfÜgung = VerfÜgung 1 VerfÜgung m VerfÜgung A VerfÜgung i VerfÜgung , VerfÜgung k VerfÜgung - VerfÜgung Π VerfÜgung k VerfÜgung = VerfÜgung 1 VerfÜgung n VerfÜgung 1 VerfÜgung - VerfÜgung ω VerfÜgung k VerfÜgung Σ VerfÜgung i VerfÜgung =
1 VerfÜgung m VerfÜgung A VerfÜgung i VerfÜgung , VerfÜgung k VerfÜgung 1
- VerfÜgung μ VerfÜgung × VerfÜgung Π VerfÜgung k VerfÜgung = VerfÜgung 1 VerfÜgung n VerfÜgung 1 VerfÜgung - VerfÜgung ω VerfÜgung k VerfÜgung (2) μ VerfÜgung = VerfÜgung [VerfÜgung Σ VerfÜgung j VerfÜgung = VerfÜgung 1 VerfÜgung m VerfÜgung Π VerfÜgung k
= VerfÜgung 1 VerfÜgung n VerfÜgung ω VerfÜgung k VerfÜgung A VerfÜgung j
, VerfÜgung k VerfÜgung + VerfÜgung 1 VerfÜgung - VerfÜgung ω VerfÜgung k VerfÜgung Σ VerfÜgung i VerfÜgung = VerfÜgung 1 VerfÜgung m VerfÜgung A VerfÜgung i VerfÜgung , VerfÜgung k VerfÜgung - VerfÜgung m VerfÜgung - VerfÜgung 1 VerfÜgung Π VerfÜgung k VerfÜgung = VerfÜgung 1 VerfÜgung n VerfÜgung 1 VerfÜgung - VerfÜgung ω VerfÜgung k VerfÜgung Σ VerfÜgung i VerfÜgung = VerfÜgung 1 VerfÜgung m VerfÜgung A VerfÜgung i VerfÜgung , VerfÜgung k VerfÜgung] VerfÜgung - VerfÜgung 1 VerfÜgung (3) All d'Indicateuren am T VerfÜgung kënnt vun enger vertruede ginn
a w VerfÜgung zu i, i VerfÜgung = 1,2, ..., m VerfÜgung mat der ËH Approche. Beweis dass ËH VerfÜgung der ËH Approche duerstellt. Dofir, ass T VerfÜgung wéi follegt vertrueden: T VerfÜgung = VerfÜgung ËH VerfÜgung A VerfÜgung , VerfÜgung ω VerfÜgung (4) wou ω∈R VerfÜgung n VerfÜgung der souguer gemaach Vecteure ass. Allerdéngs ass et net méiglech déi optimal Léisung ze garantéieren an amplaz mer et vun der geschätzte Léisung an Equatioun (5) gëtt schounen: T VerfÜgung ≈ VerfÜgung ËH VerfÜgung A
, VerfÜgung ω VerfÜgung (5) wéi den neie Fall kann genuch vun der Formatioun en Echantillon vun der selwechter Klass vertruede sinn, kréien mir de Cepheid vun ω. model
0.948
0.020
0.000
0.908
0.988
ANN
0.798
0.043
0.000
0.713
0.882
SVM All Auteuren liesen an guttgeheescht der Finale mëttelalterlech Handschrëft. VerfÜgung