Доказательственная модель, основанная рассуждение для диагностики метастазов в лимфатических узлах при раке желудка

Доказательственная рассуждения на основе модели для диагностики метастазов в лимфатических узлах при раке желудка
Аннотация
Справочная информация
узла метастазирования лимфы (LNM) при раке желудка является очень важным прогностическим фактором, влияющим на долгосрочное выживание. В настоящее время несколько методов общей визуализации используются для оценки состояния лимфатических узлов. Тем не менее, они не способны обеспечить как высокую чувствительность и специфичность одновременно. Для того, чтобы справиться с этой сложной проблемы, новый доказательственная рассуждения (ER) на основе модели предлагается поддерживать диагноз LNM при раке желудка.
Методы
Есть 175 последовательных пациентов, которые прошли через Multidetector компьютерной томографии (MDCT) последовательно перед операцией. Восемь показателей, которые серозная вторжение, классификацию опухоли, опухоли, улучшающего образец толщины опухоли, количество лимфатических узлов, максимальный размер лимфатических узлов, узла станции лимфы и увеличения лимфатических узлов используются для оценки опухолевого узла и лимфы через КТ-изображений. Все приведенные выше показатели отражают биологическое поведение рака желудка. Ориентированная модель ER строится путем принятия вышеуказанных показателей в качестве индекса ввода. Индекс выводом данных определяет, происходит ли LNM для пациентов, которые решают хирургии и гистопатологии. Метод под названием K-кратная кросс-проверка используется для обучения и тестирования новой модели. Диагностическая способность LNM оценивается приемником, работающим характеристических кривых (ROC). Радиолог классифицирует LNM, приняв размер лимфатических узлов для сравнения.

Результаты 134 из 175 случаев являются случаи LNM, и останки не являются. Восемь показателей статистически значимое различие между положительными и отрицательными группами. Чувствительность, специфичность и АУК модели, основанной ER являются 88.41%, 77.57% и 0,813, соответственно. Однако для рентгенолога оценивая LNM максимальным размером лимфатического узла, соответствующие значения являются лишь 63,4%, 75,6% и 0,757. Таким образом, предлагаемая модель может получить лучшую производительность, чем рентгенолога. Кроме того, предложенная модель также превосходит другие методы машинного обучения.
Выводы
Согласно биологической информации о поведении рака желудка, на основе ER модель может эффективно и предоперационной диагностики LNM.
Ключевые слова
Желудочный рак лимфы узел метастаз Evidential рассуждения фон
рака желудка стала одной из основных причин смертности от онкологических заболеваний в мире [1]. Метастазов в лимфатических узлах (LNM) является очень важным прогностическим фактором в отношении долгосрочного выживания [2]. система TNM постановка на основе американского Объединенного комитета по раку принимается в качестве оцениваемого стандарта и получила широкое признание [3]. На основе этого стандарта, 5-летняя выживаемость больных в стадии N0 после операции составляет 86,1%, в то время как N1, N2 и N3 пациентов стадии может получить 58,1%, 23,3% и 5,9% соответственно [4]. В настоящее время
, врачи диагностировать LNM эмпирически на основе размера лимфатических узлов, которая опирается на различные методы визуализации, такие как эндоскопическое УЗИ (EUS), УЗИ брюшной полости, мульти-срез спиральной компьютерной томографии (КТ), магнитно-резонансная томография (МРТ) и позитронно-эмиссионная компьютерная томографии (ПЭТ). Тем не менее, ни один из указанных выше средств визуализации не может получить статус лимфатических узлов удовлетворительным образом. В то же время, системный обзор показывает, что ЭУЗИ, МДКП, обычные МРТ и ФДГ-ПЭТ не могут быть использованы для подтверждения или исключения присутствия LNM надежно [2]. Причина заключается в том, что крупные лимфатические узлы могут быть вызваны воспалением, в то время как маленькие, могут быть вызваны метастазированием. Таким образом, размер одного лимфатического узла не является сильным прогностическим фактором. На самом деле, многие исследования показали, что LNM связана с размером опухоли, патологическая лимфатической вовлечением, гистологического типа и других факторов [5-8]. Таким образом, метод, который сочетает в себе размер лимфатических узлов с учетом этих факторов следует учитывать. Кроме того, несколько исследований [9-11] обсудили возможности диагностики морфологических характеристик при раке прямой кишки. Согласно этим исследованиям, морфологические характеристики, включая пограничный контур и интенсивность сигнала лимфатических узлов может частично улучшить диагностическую способность метастазирования. Тем не менее, эти исследования в основном сосредоточены на МРТ-визуализации при раке прямой кишки. Для пациентов с раком желудка в клинической практике, брюшной полости КТ является более часто используемым методом визуализации, чем МРТ. Таким образом, мы рассматриваем построение модели для диагностики LNM с несколькими показателями.
Поскольку существуют качественные и количественные данные по восьми показателям, метод, который может объединить эти два типа данных должны быть приняты. ER подход первоначально был предложен для решения нескольких задач принятия решений атрибут анализа, которые включают в себя как качественные, так и количественные признаки в условиях неопределенности [12]. Ядро является алгоритм ER, который разработан на основе теории принятия решений и Демпстер-Шафера (D-S) теории доказательств [13, 14]. Как ER может интегрировать качественную информацию и количественные данные, обоснованно, он применяется. Одна из целей настоящей работы является анализ того, какие показатели связаны с биологическим поведением рака желудка и построить математическую модель для оценки LNM дооперационно.
Методы
Пациенты
В этом эксперименте получено 175 случаев КТ Пекинский больницы и усилителя университета рака; Институт (Пекин, Китай П. Р.) образуют множество образцов. В соответствии с международной лечения основного положения рака желудка, КТ является одним из наиболее часто используемых проверок [15]. Тем не менее, другие способы, такие как ПЭТ и ЭУЗИ используются в качестве выбранной проверки. Эти пациенты были введены предоперационное повышение контрастности брюшной полости на экзаменах КТ и получил гастрэктомию в период с апреля 2006 года по сентябрь 2008 г. Это ретроспективное исследование было одобрено этическим комитетом (IRB). Они были дооперационно разберитесь с MDCT. Обратите внимание, что мы получили информированное согласие от всех отобранных пациентов до рутинного клинического течения КТ исследований. Есть 125 мужчин и 50 женщин среди этих пациентов, а их средний возраст составляет 59,8 лет. Подробности приведены в таблице 1.Table 1 пациента характеристики
Клиника патологических признаков

Value

количество пациентов
175
Средний возраст (у)
59,8 (30-85)
Соотношение мужчин и женщин
125: 50
гистопатологией
Аденокарцинома
173 (98,9%)
хорошо дифференцированы
6 (3,4%) <бр> умереннодифференцированная
91 (52%)
малодифференцированных
76 (43,5%)
мелкоклеточный рак
2 (1,1%)
узла метастаз лимфатический
Положительный <бр> 134 (76,6%)
Отрицательный
41 (23,4%)
индикаторы
Есть восемь показателей, которые были добыты двумя радиологов, один с трех лет, а другой с восьми лет опыта в КТ брюшной полости. Восемь показателей были измерены и подсчитаны вручную на МДКП изображений следующим образом: (1) серозный инвазия: Осевые и MPR изображения вычисляются для определения серозную вторжения одновременно. Весь утолщение стенки желудка аномально увеличивает линейные или ретикулярных структур в жировой слой, окружающий желудок указал серозная вторжения [16]

(2) классификации опухолей:. Ранний рак желудка или Борман классификация поздних стадий рака в MPR изображений . подтвердили

(3) повышение Опухоль схеме:. Опухоль повышение делится на три моделей на портале фазы CT изображений, которые являются слизистый усиление поверхности, однородное расширение и неоднородную усиление

(4) толщина опухоли: максимальная толщина опухоли измеряют при осевых КТ изображений

(5) количество лимфатических узлов:. число желудочных регионарных лимфатических узлов с размером более 3 мм в MDCT изображений по группам считается [17]. По мере того как лимфатические узлы, которые меньше, чем 3 мм, слишком мал, чтобы сделать их заметными, они опущены

(6) Максимальный размер лимфатических узлов:. Короткой оси самого большого лимфатического узла обнаружены в КТ-изображений измеряется

(7) узел станции лимфа:. лимфатический узел станция с MDCT изображения на основе японской классификации рака желудка определяется [17]

(8) усиление лимфатического узла.: Это означает, что CT значение ослабления лимфатического узла, который измеряется в портальной венозной фазы КТ изображения.


В этой статье, все показатели измеряются вручную. Число лимфатических узлов является количество лимфатических узлов вокруг желудка. Максимальный размер лимфатических узлов и лимфатических узлов усиления извлекается из максимального лимфатического узла. Цель состоит в том, чтобы предсказать, происходит ли LNM, кроме максимального лимфатического узла имеет LNM. Другими словами, объект, чтобы предсказать, происходит ли ММШ для каждого пациента. Окончательный результат для диагностики LNM решается хирургии и гистопатологии. Патологический результат может определенно подтвердить, происходит ли LNM или нет. Мы не хотим, чтобы предсказать метастазирование для каждого лимфатического узла. Причина заключается в том, что соответствие один-к-одному лимфатического узла с КТ и патологии зависит от очень точный и превосходный опыт рентгенолога. Это, как правило, не соответствует должным образом для различных радиологи, которые могут повлиять на точность прогнозирования математической модели. Таким образом, мы не делали соответствие один к одному для каждого лимфатического узла. Подробности описаны в таблице 2.Table 2 Описание из восьми индикаторов
данные пациента

LNM (-)

LNM (+)

Пациент номер
41/175
134/175 данные
Измерение
толщина опухоли (мм)
13,3 ± 14,0
16.6 ± 28.4
Максимальный размер лимфоузла (мм)
6,5 ± 2,8
10,0 ± 5,5
Количество лимфатических узлов
7 ± 4
12 ± 8
лимфоузлов повышение
39,5 ± 58,5
62,5 ± 66,5
графа данных <бр> узор повышение Опухоль
Pattern 1
13/175
6/175
Pattern 2
26/175
118/175
Pattern 3
2/175
10/175
серозной вторжения
Да
15/175
120/175
Нет
26/175 14/175

Опухоль классификации <бр> Ранний рак желудка
9/175
1/175
борманновской I
2/175
0/175
Бормана II
3/175
9/175
Боррманна III
27/175
121/175
Боррманна IV
0/175
3/175
лимфоузлах станции
станции 1
29 /175
44/175
Station 2
12/175 54/175

Station 3
0/175
36/175
Значение данных измерений измеряли вручную, и количество данных было количество данных.
ER на основе модели
В этой модели мы представим каждый случай по чрезмерно полный словарь, элементы которого являются учебные образцы. Если достаточное количество образцов подготовки доступны из каждого класса, можно будет представить тестовый образец.
Предположим, что учебные образцы обозначаются X = {X
<суб> 1
, X
<к югу от> 2
, ..., X
<суб> р
}
∈ R
тхп
, где п
является количество обучающих выборок, и м
это число показателей. у
∈ {1,2, ..., р}
это метка и р
является индексом класса. T = [T
<суб> 1
, T
<суб> 2
..., T
<суб> м
]
T
обозначает контрольный образец. Чрезмерная полный Словарь
обозначается следующим образом: <ми> а
<Мо> =
<ССО> <ми> а
<тп> 1
<мо>,
<тп> 1
<Мо>,
<ми> а
<тп> 1
<Мо>,
<тп> 2
<мо> ,
<мо> ...
<Мо>,
<ми> а
<тп> 1
<Мо>,
<ми> п
<ССО> <ми> а
<тп> 2
<Мо>,
<тп> 1
<Мо>,
<ми> а
<тп> 2 <бр> <мо>,
<тп> 2
<мо>,
<мо> ...
<Мо>,
<ми> а
<тп> 2
<мо>,
<ми> п
<ССО> <мо> ...
<мо>,
<мо> ...
<мо>,
<мо> ...
<Мо>,
<мо> ...
<ССО> <ми> а
<ми> т
<Мо>,
<тп> 1
<Мо>,
<ми> а
<ми> т
<Мо>,
<тп> 2
<мо>,
<мо> ...
<Мо>,
<ми> а
<ми> т
<Мо>,
<ми> п
(1) Здесь A
состоит из обучающей выборки и
<югу> т, п
представляет каждый показатель в обучающих выборок. В соответствии с пределами ER, столбцы A и T

должны быть нормализованы, во-первых. Затем каждый индикатор T <суб> я
в тестовом образце представлен
и соответствующие коэффициенты ш
<к югу> я
, я
= 1,2, ..., т <бр>. Тогда мы используем ER аналитический алгоритм [13] следующим образом: <ми> T
<ми> J
<Мо> =
<ми> μ
<Мо> ×
Π
<мили> к
<Мо> =
<тп> 1
<ми> п
<ми> ω
<ми> к
<ми> А <бр> <ми> J
<Мо>,
<ми> к
<Мо> +
<тп> 1
<мо> -
<ми> ω
<ми> к
Σ
<ми> я
<Мо> =
<тп> 1
<мили> м
<ми> а
<ми> я
<Мо>,
<ми> к
<мо> -
Π
<ми> к
<Мо> =
<тп> 1
<мили> п
<тп> 1
<мо> -
<ми> ω
<ми> к
Σ
<ми> я
<Мо> =
<тп> 1
<мили> м
<ми> а
<ми> я
<Мо>,
<ми> к
<тп> 1 <бр> <мо> -
<ми> μ
<Мо> ×
Π
<ми> к
<Мо> =
<тп> 1
<ми> п
<тп> 1
<мо> -
<ми> ω
<ми> к
(2) <ССО> <ми> μ
<мо> =
[
Σ
<ми> J
<Мо> =
<тп> 1
<мили> м
Π
<ми> к
<мо> =
<тп> 1
<ми> п
<ми> ω
<ми> к
<ми> а
<ми> J <бр> <Мо>,
<ми> к
<Мо> +
<тп> 1
<мо> -
<ми> ω
<ми> к
Σ
<ми> я
<мо> =
1
<ми> т
<ми> A
<ми> я
<мо>,
<ми> к
<ССО> <мо> -
<мили> м
<мо> -
<тп> 1
Π
<мили> к
<Мо> =
<тп> 1
<ми> п
<тп> 1
<мо> -
<ми> ω
<ми> K
Σ
<ми> я
<Мо> =
<тп> 1
<мили> м
<ми> а
<ми> я
<мо>,
<ми> к
]
<мо> -
<тп> 1
(3) Все показатели в T
могут быть представлены <бр> и ш
<к югу> я
, я
= 1,2, ..., т
с использованием ER подход. Предположим, что ER
представляет ER подход. Таким образом, T
представлена ​​следующим образом: <ми> T
<Мо> =
ER
<ми> а
<Мо>,
<ми> ω
(4), где ω∈R
п
вектор коэффициентов. Тем не менее, это не представляется возможным, чтобы гарантировать оптимальное решение и вместо этого мы заменим его приближенного решения при условии в уравнении (5): <ми> T
<Мо> ≈ ER

<ми> A
<Мо>,
<ми> ω
(5) по мере того как новый случай может быть в достаточной степени представлены учебными образцами из того же класса, мы получаем предсказание со. model
0.948
0.020
0.000
0.908
0.988
ANN
0.798
0.043
0.000
0.713
0.882
SVM Все авторы читали и одобрили окончательный вариант рукописи.

• Полиморфизм TGFB1 и VEGF генов и выживаемость больных раком желудка
• Геном последовательность Helicobacter суис поддерживает свою роль в желудочном последовательности pathology