modelo Support Vector Machine para o diagnóstico de metástase ganglionar no câncer gástrico com tomografia computadorizada com multidetectores: um modelo de máquina vector study

suporte preliminar para o diagnóstico de metástase ganglionar no câncer gástrico com tomografia computadorizada com multidetectores: um estudo preliminar da arte abstracta
Fundo
metástase linfática (LNM) de câncer gástrico é um importante fator prognóstico em relação a sobrevivência a longo prazo. Mas várias técnicas de imagem que são comumente usados ​​no estômago não pode satisfatoriamente avaliar o estado do linfonodo câncer gástrico. Eles não podem alcançar tanto alta sensibilidade e especificidade. Como uma espécie de métodos de aprendizado de máquina, Support Vector Machine tem o potencial para resolver esta questão complexa.
Métodos
O conselho de revisão institucional aprovou este estudo retrospectivo. 175 pacientes consecutivos com câncer gástrico submetidos a MDCT antes da cirurgia foram incluídos. Foram avaliados os indicadores de nó tumorais e linfáticos em imagens de CT como a invasão da serosa, classificação do tumor, diâmetro máximo do tumor, número de linfonodos, tamanho máximo de linfonodos e estação de gânglios linfáticos, que refletiu o comportamento biológico do câncer gástrico. A análise univariada foi utilizado para analisar a relação entre os seis indicadores de imagem com LNM. Um modelo SVM foi construído com estes indicadores acima como o índice de entrada. O índice de produção foi que metástase ganglionar do paciente era positivo ou negativo. Foi confirmado pela cirurgia e histopatologia. A técnica padrão de aprendizagem de máquina chamada k-fold cross-validation (5 vezes em nosso estudo) foi usado para treinar e testar modelos SVM. Nós avaliamos a capacidade de diagnóstico dos modelos SVM em metástases linfonodais com a curva ROC (ROC). E o radiologista classificou a metástase linfática dos pacientes usando tamanho máximo de linfonodos em imagens de CT como critério. Foram comparadas as áreas sob as curvas ROC (AUC) do radiologista e modelos SVM.
Resultados
Em 175 casos, os casos de metástases linfonodais foram 134 e 41 casos não foram. Os seis indicadores de imagem todos tiveram diferenças estatisticamente significativas entre os grupos negativos e positivos LNM. Os meios de sensibilidade, especificidade e AUC de modelos com SVM 5 vezes validação cruzada foram 88,5%, 78,5% e 0,876, respectivamente. Enquanto o poder diagnóstico do radiologista classificar metástases linfonodais por tamanho máximo de linfonodos foram apenas 63,4%, 75,6% e 0,757. Cada modelo SVM da validação cruzada de 5 vezes tiveram um desempenho significativamente melhor do que o radiologista.
Conclusões
Com base nas informações comportamento biológico do câncer gástrico em imagens MDCT, modelo SVM pode ajudar a diagnosticar a metástase linfática no pré-operatório.
Fundo
o câncer gástrico é uma das principais causas de mortes relacionadas ao câncer em todo o mundo [1]. status do nó de linfa é um importante fator prognóstico em relação a sobrevivência a longo prazo [2]. O sistema TNM com base no Comité Misto Americana do Câncer (AJCC) é amplamente aceito agora [3]. A taxa de sobrevida em 5 anos dos pacientes no estágio N0 após a cirurgia foi de 86,1%, enquanto os pacientes em estágio N1, N2, N3 e caiu para 58,1%, 23,3% e 5,9%, respectivamente [4].
Actualmente, muitas técnicas de imagem têm sido utilizados para avaliar o câncer gástrico, incluindo ultra-sonografia abdominal, ultra-som endoscópico (EUS), espiral multi-slice CT, MRI convencional e FDG-PET. No entanto, estes métodos de imagem não pode confirmar de forma fiável ou excluir a presença de metástases em linfonodos [1]. A meta-análise mostrou que a sensibilidade média e especificidade na identificação de LN metástase foram as seguintes: 39,9% e 81,8% para o ultra-som abdominal, 70,8% e 84,6% para a ultrassonografia endoscópica, 80,0% e 77,8% para MDCT, 68,8% e 75,0% para a RM convencional, 34,3% e 93,2% para a FDG-PET, e 54,7% e 92,2% para a FDG-PET /CT [2]. Qualquer pedido único destas ferramentas de imagem não pode satisfatoriamente avaliar o estado do linfonodo câncer gástrico. A razão é que, principalmente, diagnosticar LNM pelo tamanho dos gânglios linfáticos. Os critérios de diagnóstico variar de 5 mm a 10 mm [2]. Mas os nódulos linfáticos grandes pode ser causado pela inflamação e os pequenos nódulos linfáticos podem ser metastático. Muitos estudos têm demonstrado que gástrica metástase do cancro LN foi associada com o tamanho do tumor, a profundidade de invasão, tipo histológico e envolvimento linfático patológico [5-8]. Não existe um método adequado para combinar do tamanho dos linfonodos com os múltiplos fatores descritos acima para fazer uma análise abrangente. Como integrar os fatores complexos que afetam os gânglios linfáticos e melhorar a precisão do diagnóstico LNM é o tema de nosso estudo.
Na última década, os métodos de aprendizado de máquina, complementares aos métodos estatísticos tradicionais, têm sido utilizados para prever fenômenos biológicos complexos . Support Vector Machine é uma nova geração de algoritmos de aprendizagem desenvolvidos com base na teoria estatística. O algoritmo SVM tem uma forte base teórica, com base nas idéias de VC (Vapnik Chervonenkis) dimensão e minimização do risco estrutural. exatidão de ter satisfeito [9]. SVM tem sido utilizado em algumas aplicações médicas, principalmente na biologia molecular e neuroimagens [10-12]. Ele pode ser usado para a classificação e regressão. Dado um conjunto de exemplos de treino, cada um marcado como pertencente a uma das duas categorias, um algoritmo de treinamento SVM constrói um modelo que prevê se um novo exemplo cai em uma ou outra categoria.
O objetivo deste estudo é usar SVM método para analisar as informações de imagem MDCT relacionada com o comportamento biológico do câncer gástrico e estabelecer os modelos matemáticos para avaliar linfonodo metástases no pré-operatório.
Métodos
pacientes
Este estudo retrospectivo foi aprovado pelo nosso conselho de revisão institucional. Entre abril de 2006 e setembro de 2008, 368 pacientes consecutivos com câncer gástrico recém-diagnosticados foram administrados realce de contraste exames abdominal CT pré-operatórios e, em seguida, recebeu a gastrectomia em nosso hospital. Os pacientes corresponderam aos critérios de inclusão e exclusão a seguir foram incluídos neste estudo.
Os critérios de inclusão
Os pacientes receberam gastrectomia radical e D2 linfonodos dissecação. Eles estavam no pré-operatório examinados com multi- CT linha detector. Todos os pacientes foram confirmados como câncer gástrico por histopatologia pós-operatório. Os critérios de exclusão
Os pacientes receberam terapia neoadjuvante pré-operatório. metástases à distância foi encontrada no exame pré-operatório ou na operação
Finalmente, 175 pacientes (125 homens, 50 mulheres, idade média de 59,8 anos, variando de 30-85 anos). compunham a nossa população de estudo. Obtivemos o consentimento informado de todos os pacientes selecionados antes do curso clínico de rotina de exames de TC
Protocolo CT
MDCT foi realizada utilizando um detector de 64 scanner de linha CT (LightSpeed ​​64, GE Healthcare, Milwaukee, Wisconsin).. Cada paciente em jejum por mais de 8 horas antes do exame CT. Para permitir que a distensão gástrica e reduzir a motilidade gástrica, os pacientes receberam 8 cristais produtores de gás g por via oral e uma injecção intramuscular de 10 mg anisodamine 10-15 minutos antes do exame. Superiores tomografias não melhoradas abdominais das cúpulas diafragmáticas a 2 cm abaixo da margem inferior do corpo gástrico ar distendido foram adquiridas com uma colimação de 0,625 mm, de 120-140 kVp e 300-350 mAs. Subsequentemente, um total de 100 ml de iopromida (Ultravist; Schering, Berlim, Alemanha) foi administrado por via intravenosa através de um cateter angiográfico de calibre 18 inserida numa veia antecubital em 3 ml /seg utilizando um injector automático. tomografia computadorizada com contraste foram realizados na fase arterial (30 segundos) e na fase venosa portal (70 segundos). Fizemos a reconstrução multi-planar com a imagem fase venosa portal. Análise Imagem Editorial
dois radiologistas, um com 3 anos e outro com experiência de 8 anos no CT abdominal realizada imagem analisa em conjunto a um acordo. Se houvesse discordância, eles consultaram com outro radiologista que tinha 20 anos de experiência no CT abdominal até que o acordo foi alcançado. Medimos e contou os seis indicadores sobre imagens MDCT por mãos como se segue: diâmetro máximo
Tumor
Medir o diâmetro de câncer gástrico no axial, coronal e sagital imagens com base nas imagens MPR. E decidir o diâmetro máximo tumor. Foi determinada Câncer gástrico precoce
classificação Tumor
ou classificação Borrmann de câncer avançado nas imagens MPR.
Serosa invasão
imagens axial e MPR foram simultaneamente avaliadas para determinar a serosa invasão. A parede espessamento estômago toda anormalmente aumentada e estruturas reticulares linear ou na camada de gordura em torno do estômago indicaram invasão serosa [13].
Número de gânglios linfáticos
O número de todos os linfonodos regionais gástricas visíveis nas imagens de TCMD por grupos foi contado [14].
tamanho máximo do linfonodo
o eixo curto da maior linfonodo detectado em imagens de CT foi medido.
linfonodos estação
a estação de linfonodos com imagens MDCT baseados na foi determinada a classificação japonesa de carcinoma gástrico [14].
máquina de Apoio vetor
Support Vector Machine é uma técnica de aprendizado de máquina supervisionado, que é amplamente utilizado em problemas de reconhecimento de padrões e classificação. algoritmo SVM realiza uma classificação através da construção de um hiperplano multidimensional que optimamente discrimina entre duas classes, maximizando a margem entre dois conjuntos de dados. Este algoritmo atinge alto poder discriminativo usando funções não-lineares especiais chamados kernels para transformar o espaço de entrada em um espaço multidimensional [15]. Neste estudo, um software de SVM livre disponível chamado LIBSVM 2,89 foi usado para gerar o modelo SVM [16]. Os índices de entrada foram os seis indicadores recolhidos nas imagens de TCMD acima. Para estes indicadores, os dados de medição pode ser inserido com o modelo SVM diretamente. Embora os dados de contagem deve ser definido como alguns números. Por exemplo, invasão serosa positiva foi definida como 1 e negativo era -1. O índice de produção foi a metástases em linfonodos do paciente. Foi confirmado pela cirurgia e histopatologia. Se o paciente tinha um ou mais nódulos linfáticos metástase, considerou-se como LNM positivo. Nós definimos o LNM positiva como 1 enquanto a negativa foi de -1. Foi selecionado o RBF Kernel para construir o modelo. Para treinar e testar o nosso modelo SVM, foi utilizada uma técnica padrão de aprendizagem de máquina chamada k-fold cross-validation. Porque o tamanho da amostra inteira do nosso estudo não era muito grande, usamos 5 vezes validação cruzada. Os dados inteiros foram divididos em 5 subgrupos distintos e iguais. Quatro desses subconjuntos são combinados e usados ​​para treinamento, e os restantes um conjunto é usado para testes. Este processo de validação cruzada foi repetido 5 vezes, permitindo que cada subconjunto para servir uma vez que o conjunto de dados de teste.
Análise Estatística
Uma análise estatística univariada usando o SPSS /PC + estatística pacote de software versão 11.5 (SPSS Inc, IL, Chicago, EUA) foi realizada para avaliar as diferenças de seis indicadores de imagem entre os pacientes que tiveram LNM ou não. Os métodos de análise estatística foram os independentes de amostras de teste T e Mann-Whitney. P < 0,05 foi considerado diferença significativa. Receptor característica (ROC) a operar foi utilizado para avaliar o desempenho diagnóstico do modelo SVM. O software Medcalc versão 11.2 (Medcalc, Medcalc Software, Ghent, Bélgica) foi usado para fazer as curvas ROC e compará-los. Em resumo, a média da área sob a curva (AUC) das curvas ROC do 5-vezes a validação cruzada. Contamos também os meios de sensibilidade e especificidade. Para comparar com o modelo SVM, construímos a curva ROC para avaliação radiologista usando tamanho máximo linfonodo como critérios para classificar a LNM. A sensibilidade e especificidade do melhor ponto de corte foram contados.
Resultados
Nesses 175 casos, houve 134 casos que tiveram metástase ganglionar e 41 casos não tiveram. características clinicopatológicas dos pacientes foram detalhados na Tabela 1. Foram coletados os seis indicadores sobre imagens de TCMD. Os resultados da análise estatística univariada indicou que todos os seis a indicadores incluindo invasão serosa, classificação de tumores, o diâmetro máximo do tumor, número de nódulos linfáticos, o tamanho máximo de nó de linfa e linfa estação de nódulos eram significativamente diferentes entre o grupo positivo e negativo LNM (P < 0,001). Os meios de diâmetro tumoral máxima, número de linfonodos e tamanho do nó de linfa máxima no grupo positivo LNM foram 56,6 ± 19,5 mm, de 10,0 ± 5,5 mm e 12 ± 8, respectivamente. Eles foram todos superiores aos do grupo negativo LNM (Tabela 2) .table 1 características do paciente
características clínicopatológicos
Valor
No. dos pacientes
175
idade (y)
59,8 (30-85) Média
proporção de mulheres para homens
50: 125
Histopatologia
Adenocarcinoma
173 ( 98,9%)
Bem diferenciado 6 (3,4%)
moderadamente diferenciado
91 (52%)
pouco diferenciado
76 (43,5%)
carcinoma de pequenas células
2 (1,1%)
metástases linfonodais
positiva
134 (76,6%)
negativo
41 (23,4%)
Nota .-- os números entre parênteses são os intervalos.
Tabela 2 dados do paciente: os dados dos 6 indicadores "das imagens de TCMD e os resultados da análise estatística univariada
dados do paciente
LNM (. -)
LNM (+)
valor P
paciente número
41/175 (23,4%)
134/175 (76,6%)
diâmetro máximo de medição de dados *
tumor (mm)
39,0 ± 17,0
56,6 ± 19,5 Art < 0,001
tamanho máximo do nó de linfa (mm)
6,5 ± 2,8
10,0 ± 5,5 Art < 0,001
Número de gânglios linfáticos
7 ± 4
12 ± 8 Restaurant < 0,001
Contagem dados #
serosa invasão Art < 0,001
Sim
15/175 (8,6%)
120/175 (68,6%)
Sem
26/175 (14,8%)
14/175 (8%)
classificação Tumor Art < 0,001
câncer gástrico precoce
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%)
Linfonodos estação Art < 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)
* o valor dos dados de medição foi médias ± desvio padrão. O valor de p foi de-amostras independentes de teste T.
# O valor dos dados de contagem foi o número de dados. O valor p era de teste de Mann-Whitney.
O radiologista alcançado uma AUC de 0,757 como classificar metástases em linfonodos do paciente pelo tamanho máximo de linfonodos. O melhor ponto de corte de tamanho máximo do linfonodo foi de 7,7 mm. A sensibilidade e especificidade foram apenas 63,4% e 75,6%. meios de a sensibilidade, a especificidade e a AUC com 5 vezes a validação cruzada do SVM foram 88,5%, 78,5% e 0,876, respectivamente (Tabela 3). Em comparação com o radiologista, cada AUC dos modelos de validação cruzada SVM 5-fold desempenho significativamente melhor (P < 0,05) do que o radiologista (Figura 1, Tabela 3). Figura 1 curva ROC para LNM. Curva ROC (ROC) para metástase linfática com 5 vezes modelos SVM de validação cruzada e radiologista. A AUC do k1 para K5 modelos SVM foram 0,862, 0,866, 0,878, 0,900 e 0,876, respectivamente. Comparado com o radiologista, os valores de P foram todos inferiores a 0,05 (Tabela 3). Para os cinco modelos SVM, a média da AUC foi de 0,876. E a AUC do tamanho do radiologista LN base era 0,757.
Tabela 3 AUC do modelo de SVM e radiologista
Model

K-fold

Sensitivity

Specificity

AUC*

P valor (AUC em comparação com o radiologista)
SVM
K1
0,881
0,780
0,862 ± 0,038 0,002

K2
0,866
0.780
0,866 ± 0,037 Art < 0,001
K3
0,858
0,805
0,878 ± 0,033 Art < 0,001
K4
0,933
0,780
0,900 ± 0,031 Art < 0,001
K5
0,888
0,780
0,876 ± 0,038 Art < 0,001
significa
0,885
0,785
0,876
radiologista
0,634
0,756
0,757 ± 0,042
A sensibilidade, especificidade e AUC de modelos de validação cruzada SVM 5 vezes e radiologista para o diagnóstico de metástases em linfonodos da paciente. * a valor dos dados foi ± AUC desvio padrão.
Discussão
metástases linfonodais afeta o tratamento cirúrgico de pacientes com câncer gástrico e também é um fator importante no prognóstico. Actualmente, o diagnóstico pré-operatório depende principalmente de vários métodos de imagem. O padrão para julgar metástase ganglionar se baseia em indicadores morfológicos. tamanho do nó de linfa é o indicador dominante. No entanto, Dorfman RE et al relataram que os limites superiores do normal para o tamanho dos linfonodos em tomografia computadorizada abdominal variou de 6 a 11 mm [17]. Eles parcialmente sobreposta com a linfadenopatia maligno. Fukuya T et al mostrou que CT atenuação e configuração do nó de linfa poderia ajudar no diagnóstico de adenopatia maligno [18]. Pelo contrário, Deutch SJ et al expressou que o tamanho, localização, contorno, a densidade não foram úteis na distinção benigna da linfadenopatia maligno [19]. A falta de critérios para julgar é o principal constrangimento para a predição de linfonodo metástases no pré-operatório.
O comportamento biológico do câncer gástrico reflete o desempenho histopatológico de malignidade e invasão do tumor. Ela afeta metástases linfonodais direta ou indiretamente. A manifestação concreta do comportamento biológico inclui, por exemplo, o tamanho do tumor, a profundidade de invasão, invasão de tumor de outros órgãos, metástases nos linfonodos e metástases à distância. MDCT pode mostrar claramente essas ocorrências patológicas. Alguns estudos têm relatado que a precisão do estadiamento do câncer de T gástrica com MDCT combinado com reconstrução 3D era 84-89% [20, 21]. Zhang XP et al relataram que o número de linfonodos detectados pela TCMD mostrou uma diferença significativa entre o grupo de metástases em linfonodos e nenhum grupo de metástase do câncer cardíaco [22]. MDCT também pode indicar a situação em outros órgãos abdominais e do peritônio. Portanto, MDCT imagem pode refletir com precisão o comportamento biológico de histopatologia câncer gástrico. A análise univariada em nosso estudo mostrou que os 6 indicadores de gástrica informações cancerosas e linfonodos em imagens de CT, todos têm uma relação com a LNM. Assim, devemos considerar esses fatores comportamento biológico de forma abrangente na previsão LNM.
Havia alguns outros métodos de aprendizagem de máquinas utilizadas em estudos médicos. O método, principalmente, foi a rede neural artificial (RNA). Ann é considerada como sendo um método adequado para a análise de dados médica [23]. Bollschweiler et al aplicado um perceptron de camada única, que é uma espécie de ANN, para prever a metástase linfonodal no câncer gástrico. A precisão da ANN foi de 79% [24]. No entanto, o RNA tinha algumas desvantagens. O modelo de ANN estava propenso a overfitting. É necessário desenvolvimento e tempo longo para otimizar. Eles foram mais difíceis de utilizar no campo por causa das exigências computacionais [25]. Tendo em conta as razões acima, foi selecionado o modelo SVM vez. O SVM poderia produzir menor erro de previsão em comparação com classificadores com base em outros métodos, como redes neurais artificiais [26]. Em comparação com a RAN, SVM podem ter a mesma capacidade ainda melhor preditivo [27, 28]. Actualmente, existem poucos relatos sobre a aplicação do SVM na linfa câncer metástase gástrico. Como um estudo preliminar, os nossos resultados indicam que o modelo SVM tem melhor capacidade de diagnóstico para LNM que os critérios de tamanho LN tradicionais. A AUC tem conseguido um bom poder diagnóstico. Com mais melhorias, SVM pode tornar-se um método eficaz para prever linfonodo estadiamento do câncer gástrico.
Conclusões
Com base nas informações comportamento biológico do câncer gástrico em imagens MDCT, modelo SVM pode ajudar a diagnosticar a metástase em linfonodo pré-operatório.
Declarações
Agradecimentos
Agradecemos Jie Li, Yong Cui, Li-Ping Qi, Xiao-Ting Li para o apoio editorial e Jun Shan, Ning Wang, Ying Li, Shun-Yu Gao pela revisão do manuscrito.
Projeto apoiado pela National Science Foundation Natural da China (Grant No. 30.970.825) e Pequim Municipal Natural Science Foundation (No. 7.092.020). arquivos enviados originais
dos autores para imagens
Abaixo estão os links para os autores 'original apresentada arquivos de imagens. arquivo original '12885_2010_2503_MOESM1_ESM.jpeg Autores para a figura 1 Competindo interesses
Os autores declaram que não têm interesses conflitantes.

• Alterações de E-caderina e β-catenina em câncer gástrico
• A expressão de p53, iNOS e fator de crescimento endotelial vascular em lesões pré-cancerosas e cancerosas gástricas: correlação com aspectos clínicos