Een bewijskracht redenering gebaseerd model voor de diagnose van lymfekliermetastasen in de maag cancer

een bewijskracht redenering gebaseerd model voor de diagnose van lymfeklier metastase bij maagkanker
Abstracte achtergrond
lymfekliermetastase (LNM) bij maagkanker is een zeer belangrijke voorspellende factor voor overleving op lange termijn. Momenteel worden verschillende gemeenschappelijke beeldvormende technieken om de lymfklierstatus evalueren. Ze zijn echter niet worden bereikt zowel hoge gevoeligheid en specificiteit tegelijkertijd. Om te gaan met deze complexe problematiek, wordt een nieuw bewijskracht redenering (ER) gebaseerd model voorgesteld om de diagnose van LNM ondersteunen bij maagkanker.
Methods
Er zijn 175 opeenvolgende patiënten die door middel van multidetector computed tomography ging (MDCT) achtereenvolgens voor de operatie. Acht indicatoren die serosale invasie, tumorclassificatie, vergroting van de tumor patroon, tumordikte, aantal lymfeklieren maximale lymfeknoop grootte lymfeklierstation en lymfeknoop verbetering zijn worden gebruikt om de tumor en lymfeklieren met CT beelden te evalueren. Alle bovenstaande indicatoren weerspiegelen de biologische gedrag van maagkanker. Een ER gebaseerde model wordt geconstrueerd door het nemen van de bovengenoemde indicatoren als input index. De outputindex bepaald of LNM optreedt voor de patiënten, die wordt bepaald door de chirurgie en histopathologie. Een techniek genaamd k-fold cross-validatie wordt gebruikt voor de opleiding en het testen van het nieuwe model. De diagnostische mogelijkheden van LNM wordt geëvalueerd door receiver operating characteristic (ROC) curves. Een Radioloog
classificeert LNM door het aannemen van lymfeklier maat voor vergelijking. Resultaten
134 van de 175 gevallen zijn gevallen van LNM, en de overblijfselen niet. Acht indicatoren statistisch significant verschil tussen de positieve en negatieve groepen. De gevoeligheid, specificiteit en AUC van de ER gebaseerde model zijn 88,41%, 77,57% en 0,813, respectievelijk. Voor de radioloog evaluatie LNM door maximale grootte van de lymfklieren, de overeenkomstige waarden respectievelijk slechts 63,4%, 75,6% en 0,757. Derhalve kan het voorgestelde model betere prestaties dan de radioloog verkrijgen. Trouwens, het voorgestelde model beter presteert dan ook andere methoden machine learning.
Conclusies
Volgens de biologische gedrag informatie van maagkanker, de ER-gebaseerde model kan LNM effectief en preoperatief te diagnosticeren.
Sleutelwoorden
Maagkanker lymfe knooppunt metastase Bewijskracht redenering Achtergrond
Maagkanker is uitgegroeid tot een van de belangrijkste oorzaken van kanker-gerelateerde sterfgevallen in de wereld [1]. Lymfekliermetastase (LNM) is een belangrijke voorspellende factor met betrekking langetermijnoverleving [2]. De TNM een staging-systeem op basis van de Amerikaanse Joint Committee on Cancer wordt genomen als de geëvalueerde standaard en is algemeen aanvaard [3]. Op basis van deze standaard, de 5-jaarsoverleving van de patiënten in N0 stadium na de operatie is 86,1%, terwijl de N1, N2 en N3 stadium patiënten 58,1%, 23,3% en 5,9%, respectievelijk kan krijgen [4].
Currently artsen diagnosticeren LNM empirisch gebaseerd op de grootte van lymfeklieren die berust op verschillende beeldvormende methoden, zoals endoscopische echografie (EUS), abdominale echografie, multi-slice spiraal gecomputeriseerde tomografie (CT), Magnetic Resonance Imaging (MRI) en Positron Emission computed tomografie (PET). Geen van de bovengenoemde beeldvormende instrumenten kan de lymfklier status bevredigende wijze verwerven. Ondertussen, een systemische evaluatie blijkt dat EUS, MDCT conventionele MRI en FDG-PET niet kan worden gebruikt om de aanwezigheid van LNM betrouwbare bevestiging of uitsluiting [2]. De reden is dat grote lymfeklieren kan worden veroorzaakt door een ontsteking, terwijl kleine kan worden veroorzaakt door metastase. Derhalve lymfeklier grootte niet een sterke voorspeller. In feite hebben vele studies aangetoond dat LNM is gerelateerd aan tumorgrootte, lymfe pathologische betrokkenheid weefseltype en andere factoren [5-8]. Daarom moet een methode die lymfeklier grootte met deze factoren gecombineerd worden beschouwd. Bovendien hebben een aantal onderzoeken [9-11] de diagnostische mogelijkheden van de morfologische kenmerken in rectumkanker besproken. Volgens deze studies kan de morfologische kenmerken, zoals grens contour en signaalintensiteit van lymfeklieren gedeeltelijk verbeteren van de diagnostische vermogen van metastase. Deze studies echter vooral gericht op de MRI beeldvorming in rectumkanker. Voor patiënten met maagkanker in de klinische praktijk, abdomen CT is een veel gebruikte beeldvormingstechniek dan MRI onderzoek. Daarom beschouwen we het bouwen van een model om LNM diagnosticeren met meerdere indicatoren.
Omdat er kwalitatieve en kwantitatieve gegevens in acht indicatoren, een methode die kan integreren deze twee soorten gegevens moeten worden vastgesteld. De ER aanpak werd oorspronkelijk voorgesteld om te gaan met meerdere attribuut beslissingsanalyse problemen die zowel kwalitatieve als kwantitatieve attributen te betrekken onder onzekerheid [12]. De kernel is de ER algoritme dat is ontwikkeld op basis van de beslissingstheorie en de Dempster-Shafer (D-S) theorie bewijs [13, 14]. Zoals ER kan de kwalitatieve informatie en kwantitatieve gegevens redelijk, wordt het toegepast integreren. Eén van de doelen van dit artikel is om te analyseren welke indicatoren verband houden met het biologische gedrag van maagkanker en bouwen van een wiskundig model om LNM preoperatief beoordeeld.
Werkwijzen Patiënten

In dit experiment 175 CT gevallen verkregen van de Universiteit van Peking kanker ziekenhuis & Institute (Beijing, China P. R.) vormen de sample set. Volgens de internationale richtlijn behandeling van maagkanker, CT is een van de meest gebruikte controles [15]. Andere werkwijzen zoals PET en EUS gebruikt als controle geselecteerd. Deze patiënten werden preoperatief contrast verbetering buik in de CT-onderzoeken toegediend en ontving de gastrectomy tussen april 2006 en september 2008. Deze retrospectieve studie werd goedgekeurd door de Institutional Review Board (IRB). Zij werden preoperatief onderzocht MDCT. Merk op dat we de geïnformeerde toestemming van alle geselecteerde patiënten zijn verkregen voorafgaand aan de routine klinisch beloop van CT-onderzoeken. Er zijn 125 mannen en 50 vrouwen bij deze patiënten en hun gemiddelde leeftijd is 59,8 jaar. De details worden weergegeven in tabel 1 1.Table Patient kenmerken
Clinic pathologische kenmerken
Waarde
Aantal patiënten
175
Gemiddelde leeftijd (y)
59.8 (30-85)
verhouding tussen mannen en vrouwen
125: 50
Histopathologie
Darmkanker
173 (98,9%)
Well gedifferentieerde
6 (3,4%)
Matig gedifferentieerd
91 (52%)
slecht gedifferentieerde
76 (43,5%)
Small cell carcinoma
2 (1,1%)
lymfekliermetastasen
Positieve
134 (76,6%)
Negatief
41 (23,4%)
indicatoren
Er zijn acht indicatoren die werden geëxtraheerd door twee radiologen, een met drie jaar en een andere met acht jaar ervaring in de buik CT. De acht indicatoren werden gemeten en als volgt handmatig geteld op MDCT foto's: (1) serosal invasie: Axial en MPR beelden worden geëvalueerd om de serosal invasie gelijktijdig te bepalen. De gehele verdikking maagwand abnormaal verhoogt lineair of netvormige structuren in de vetlaag rond de maag aangegeven serosal invasie [16]
(2) Tumor classificatie:. Vroege maagkanker of Bormann indeling van vergevorderde kanker in MPR beelden is . bevestigd
(3) Tumor enhancement patroon:. Tumor uitbreiding is onderverdeeld in drie patronen bij portal fase van de CT-beelden, die slijmvliesoppervlak enhancement, homogene enhancement en heterogene enhancement zijn
(4) tumordikte: de maximale dikte van de tumor wordt gemeten aan de axiale CT-beelden
(5) het aantal lymfeklieren. het nummer van de maag regionale lymfklieren met een maat groter dan 3 mm in MDCT beelden door groepen telt [17]. Als de lymfeklieren, die kleiner zijn dan 3 mm, zijn te klein om ze zichtbaar te maken, worden ze weggelaten
(6) Maximum lymfeknoop grootte. De korte as van de grootste lymfeklier gedetecteerd in CT beelden wordt gemeten
(7) klierstation:. de lymfeklier station met MDCT beelden gebaseerd op de Japanse indeling van maagcarcinoom wordt bepaald [17]
(8) lymfeklier enhancement.: het betekent CT demping waarde van de lymfeklieren, die wordt gemeten aan de portal veneuze fase beeld CT van.
In dit artikel zijn alle indicatoren handmatig gemeten. Het aantal lymfklieren de hoeveelheid lymfeklieren rond de maag. Maximum lymfeknoop grootte en lymfeknoop verbetering wordt gewonnen uit de maximale lymfeknoop. Het doel is om te voorspellen of LNM anders voordoet dan de maximale lymfeklier heeft LNM. Met andere woorden, het doel is te voorspellen of LNM treedt voor elke patiënt. Het eindresultaat voor LNM diagnose wordt bepaald door de chirurgie en histopathologie. De pathologische resultaat kan zeker bevestigen of LNM plaatsvindt of niet. We willen niet metastase voorspellen voor elke lymfeklieren. De reden is dat overeenkomst één-op-één lymfeklier met CT en pathologie afhankelijk van zeer nauwkeurige en uitstekende ervaring van radioloog. Het is gewoonlijk niet consistent voldoende voor radiologen die de voorspellingsnauwkeurigheid van het rekenmodel kan beïnvloeden. Daarom hebben we niet de één-op-één correspondentie voor elke lymfeklieren te maken. De details worden beschreven in Tabel 2.Table 2 Beschrijving van de acht indicatoren
Patiëntgegevens
LNM (-)
LNM (+)
Patiënt nummer
41/175
134/175 Meet- gegevens
Tumor dikte (mm)
13,3 ± 14,0
16,6 ± 28,4
maximum lymfeklier grootte (mm)
6,5 ± 2.8
10,0 ± 5,5
Het aantal lymfeklieren
7 ± 4
12 ± 8
Lymfeklier enhancement
39,5 ± 58,5
62,5 ± 66,5
Count data
Tumor enhancement patroon
patroon 1
13/175
6/175
patroon 2
26/175
118/175
patroon 3
2/175
10/175
serosal invasie
Ja
15/175
120/175 verhuur No
26/175
14/175
Tumor indeling
Vroege maagkanker
9/175
1/175
Borrmann I
2/175
0/175
Borrmann II
3/175
9/175
Borrmann III
27/175
121/175
Borrmann IV
0/175
3/175
lymfeklieren station
station 1
29 /175
44/175
Station 2
12/175
54/175
Station 3
0/175
36/175
de waarde van de meetgegevens werd met de hand gemeten, en de telling gegevens was het aantal data.
ER gebaseerd model
In dit model, vertegenwoordigen wij alle gevallen door een over-compleet woordenboek waarvan de elementen de training samples. Als er voldoende training samples zijn verkrijgbaar bij elke klasse, zal het mogelijk zijn om het monster te vertegenwoordigen.
Neem aan dat de opleiding monsters worden aangeduid met X = {X
1
, X
2
, ..., X
p
}
∈ R
MXN
, waarbij n
is het aantal opleidingsplaatsen monsters, en m
is het aantal indicatoren. y
∈ {1,2, ..., p}
is het etiket en p
is de klasse-index. T = [T Shirts 1
, T Shirts 2
..., T Shirts m
]
T Shirts duidt op een monster. De over-compleet woordenboek A
wordt als volgt aangeduid: A
=
A
1
,
1
,
A
1
,
2
,
...
,
A
1
,
n
A
2
,
1
,
A
2
,
2
,
...
,
A
2
,
n
...
,
...
,
...
,
...
A
m
,
1
,
A
m
,
2
,
...
,
A
m
,
n
(1) Hier Een
bestaat uit training samples en Een
m, n
vertegenwoordigt elke indicator in opleiding monsters. Volgens de grenzen van ER, moeten de kolommen van A Kopen en T
eerst genormaliseerd. Dan elke indicator T i
in monster wordt vertegenwoordigd door een Kopen en overeenkomstige coëfficiënten w
i
, i
= 1,2, ..., m
. Dan maken we gebruik van de ER analytische algoritme [13] als volgt: T Shirts j
=
μ
×
Π
k
=
1
n
ω
k
A
j
,
k
+
1
-
ω
k
Σ
i
=
1
m
A
i
,
k
-
Π
k
=
1
n
1
-
ω
k
Σ
i
=
1
m
A
i
,
k
1
-
μ
×
Π
k
=
1
n
1
-
ω
k
(2) μ
=
[
Σ
j
=
1
m
Π
k
=
1
n
ω
k
A
j
,
k
+
1
-
ω
k
Σ
i
=
1
m
A
i
,
k
-
m
-
1
Π
k
=
1
n
1
-
ω
k
Σ
i
=
1
m
A
i
,
k
]
-
1
(3) Alle indicatoren in T Shirts kan worden vertegenwoordigd door een
en w
i
, i
= 1,2, ..., m
met behulp van de ER aanpak. Neem aan dat ER
vertegenwoordigt de ER aanpak. Daarom wordt T Shirts als volgt vertegenwoordigd: T Shirts =
ER
A
,
ω
(4) waarin ω∈R
n
is de coëfficiënt vector. Het is echter niet mogelijk om de optimale oplossing te garanderen en vervanging wij vervangen door de benaderende oplossing die in vergelijking (5): T
≈
ER
A 0.948
0.020
0.000
0.908
0.988
ANN
0.798
0.043
0.000
0.713
0.882
SVM Alle auteurs gelezen en goedgekeurd het definitieve manuscript.

• Polymorfismen van TGFB1 en VEGF genen en overleving van patiënten met maagkanker
• Genoomsequentie van Helicobacter suis ondersteunt haar rol in de maag pathologie