Модель машины поддержки вектор для диагностики метастазов в лимфатических узлах при раке желудка с Multidetector компьютерной томографии: предварительный study

поддержка векторной модели машины для диагностики метастазов в лимфатических узлах при раке желудка с Multidetector компьютерной томографии: предварительное исследование
Аннотация
Справочная информация узел метастаз
Лимфодренаж (LNM) рака желудка является важным прогностическим фактором в отношении долгосрочного выживания. Но несколько методов визуализации, которые обычно используются в желудке не может удовлетворительно оценить состояние узла желудка рак лимфы. Они не могут обеспечить как высокую чувствительность и специфичность. В качестве своего рода методов машинного обучения, поддержки Vector Machine имеет потенциал для решения этой сложной проблемы.
Методы
Институциональный наблюдательный совет одобрил это ретроспективное исследование. были включены 175 последовательных пациентов с раком желудка, перенесшие MDCT перед операцией. Мы оценивали показатели опухолевого узла и лимфы на изображениях КТ в том числе серозный вторжения, классификации опухоли, опухоли максимального диаметра, количество лимфатических узлов, максимальный размер лимфатических узлов и лимфатических узлов станции, которая отражает биологическое поведение рака желудка. Одномерный анализ был использован для анализа взаимосвязи между шестью показателями изображения с LNM. Модель SVM была построена с этими показателями выше в качестве показателя входного сигнала. Индекс выходной был, что метастазов в лимфатических узлах пациента был положительным или отрицательным. Это было подтверждено хирургии и гистопатологии. Стандартный метод машинного обучения под названием K-кратная кросс-проверка (5 раз в нашем исследовании) была использована для подготовки и модели испытаний SVM. Мы оценили возможности диагностики моделей SVM в узле метастаза лимфатический с приемником, работающим характерные кривые (ROC). И рентгенолог классифицировал узел метастаз лимфатический пациентов с использованием максимального размера лимфатических узлов на КТ-изображений в качестве критерия. Мы сравнили площади под кривыми ROC (АУК) рентгенолога и моделей SVM.
Результаты
В 175 случаях, случаи метастазов в лимфатических узлах были 134 и 41 случаев не было. Шесть изображений все показатели были статистически значимые различия между LNM отрицательными и положительными группами. Средства по чувствительности, специфичности и АУК SVM моделей с 5-кратным перекрестной проверки были 88,5%, 78,5% и 0,876, соответственно. В то время как диагностическая мощность рентгенолога классифицируя узла метастазирование лимфы от максимального размера лимфатических узлов были только 63,4%, 75,6% и 0,757. Каждая модель SVM из 5-кратного перекрестной проверки, проведенные значительно лучше, чем рентгенолога.
Выводы
На основе биологической информации поведения рака желудка на MDCT изображениях, SVM модель может помочь диагностировать метастаз узла лимфы дооперационно.
Фон
рака желудка является одной из ведущих причин смертности от онкологических заболеваний во всем мире [1]. статус лимфоузлов является важным прогностическим фактором в отношении долгосрочного выживания [2]. Система TNM постановка на основе американского Объединенного комитета по вопросам рака (AJCC) в настоящее время широко принято [3]. 5-летняя выживаемость пациентов в стадии N0 после операции составила 86,1%, в то время как пациенты стадии N1, N2 и N3 снизилась до 58,1%, 23,3% и 5,9% соответственно [4].
В настоящее время, многие методы визуализации были использованы для оценки рака желудка, в том числе УЗИ брюшной полости, эндоскопическое ультразвуковое исследование (EUS), мульти-срезовый спиральный КТ, МРТ, традиционной и ФДГ-ПЭТ. Тем не менее, эти способы визуализации не могут достоверно подтвердить или исключить наличие метастазов в лимфатических узлах [1]. Мета-анализ показал, что средняя чувствительность и специфичность при определении LN метастазирование распределились следующим образом: 39,9% и 81,8% для УЗИ брюшной полости, 70,8% и 84,6% для эндоскопического ультразвукового исследования, 80,0% и 77,8% для MDCT, 68,8% и 75,0% для обычного МРТ, 34,3% и 93,2% для ФДГ-ПЭТ, а также 54,7% и 92,2% для ФДГ-ПЭТ /КТ [2]. Любое одиночное применение этих инструментов визуализации не может удовлетворительно оценить состояние узла желудка рак лимфы. Причина заключается в том, что мы в основном диагностировать LNM размером лимфатических узлов. Диагностические критерии в диапазоне от 5 мм до 10 мм [2]. Но крупные лимфатические узлы могут быть вызваны воспалением и мелкие лимфатические узлы могут быть метастатические. Многие исследования показали, что желудочный LN рак метастазы был связан с размером опухоли, глубина инвазии, гистологического типа и патологической лимфатической вовлечением [5-8]. Там нет подходящего метода сочетать размер лимфатических узлов с несколькими факторами, описанными выше, чтобы сделать всесторонний анализ. Как интегрировать сложные факторы, влияющие лимфатических узлов и повысить точность диагностики LNM является темой нашего исследования.
В последнее десятилетие методы машинного обучения, комплементарные традиционных статистических методов, которые были использованы для прогнозирования сложного биологического явления , Поддержка Вектор Machine представляет собой новое поколение алгоритмов обучения, разработанных на основе статистической теории. Алгоритм SVM имеет прочную теоретическую основу, основанные на идеях ВК (Вапника Червоненкиса) размерности и минимизации структурного риска. Она удовлетворила точности [9]. СВМ используется в некоторых медицинских применений, в основном, в области молекулярной биологии и нейровизуализации [10-12]. Он может быть использован для классификации и регрессии. Принимая во внимание множество обучающих примеров, каждый из которых помечен как принадлежащие к одной из двух категорий, алгоритм SVM обучения строит модель, которая предсказывает, попадает ли новый пример в одну категорию или другой.
Цель данного исследования заключается в использовании SVM метод анализа информации MDCT изображений, связанных с биологическим поведением рака желудка и установить математические модели для оценки узла метастаз лимфатический дооперационно.
Методы
пациентов
Это ретроспективное исследование было одобрено нашим этическими комитетами. В период с апреля 2006 года по сентябрь 2008 года 368 последовательных пациентов с недавно диагностированным раком желудка были введены дооперационные контрастное усиление КТ брюшной полости экзамены, а затем получил гастрэктомию в нашей больнице. Пациенты соответствовали критериям включения и исключения ниже, были включены в данное исследование.
Критерии включения
Пациенты получали радикальной резекции желудка и D2 лимфатических узлов рассечение. Они были дооперационно исследовали с мульти- детектор ряда КТ. Все пациенты были подтверждены как рак желудка послеоперационной гистопатологией.
Критерии исключения
больных, получавших предоперационную неоадъювантной терапии. Отдаленные метастазы были найдены в предоперационного обследования или операции
Наконец, 175 больных (125 мужчин, 50 женщин, средний возраст 59,8 лет, диапазон, 30-85 лет). Состоящие исследуемой популяции. Мы получили информированное согласие от всех отобранных пациентов до начала рутинного клинического течения КТ исследований
КТ Протокола
MDCT проводили с использованием 64-детектора строки томограф A (LightSpeed ​​64, GE Healthcare, Милуоки, штат Висконсин).. Каждый пациент голодал в течение более 8 часов до КТ. Чтобы включить вздутия желудка и снижать моторику желудка, пациенты получали 8 г газодобывающих кристаллов в устной форме и внутримышечной инъекции 10 мг anisodamine 10-15 минут до экзамена. Верхние брюшные невооруженного КТ от диафрагмальными купола до 2 см ниже нижнего края воздушно-вздутие тела желудка были приобретены с коллимации 0,625 мм, 120-140 кВп и 300-350 MAS. Впоследствии, в общей сложности 100 мл иопромид (Ультравист, Schering, Берлин, Германия) вводили внутривенно через 18-го калибра ангиографического катетера, вставленного в переднюю локтевую вену в 3 мл /с с помощью автоматического инжектора. Контрастированием КТ были выполнены в артериальной фазе (30 секунд) и в портальной венозной фазе (70 секунд). Мы сделали несколько плоскостной реконструкции с портальной венозной фазы изображения. Анализ
изображения
двух радиологов, один с 3 лет, а другой с опытом работы 8-летки в КТ брюшной полости проводили анализ изображения совместно с соглашением. Если есть разногласия, они консультировались с другим рентгенолога, который имел 20 Yrs опыт в КТ брюшной полости, пока соглашение не было достигнуто. Мы измерили и подсчитали шесть показателей на MDCT изображений руками следующим образом:
Опухоль максимальный диаметр
Измерьте диаметр рака желудка в аксиальной, корональной и сагиттальной изображений на основе изображений MPR. И решить максимальный диаметр опухоли. Был определен
опухолевые классификации
Ранний рак желудка или Боррманна классификация поздних стадий рака в изображениях MPR.
Серозной вторжении
Осевые и MPR изображения были одновременно оценены для определения серозной вторжение. Вся утолщение стенки желудка аномально повышается и линейные или сетчатые структуры в жировой слой, окружающий желудок указано серозная вторжения [13].
Количество лимфатических узлов
Количество всех видимых желудочных регионарных лимфатических узлов в изображениях MDCT группами подсчитывали [14].
Максимальный размер лимфатических узлов
измерялось короткой оси наибольшего обнаруженного в КТ-изображений лимфатических узлов
. лимфоузлы станция
лимфатические узлы станции с MDCT изображений на основе на была определена японская классификация рака желудка [14].
Поддержка вектор машины
опорных векторов контролируемый метод машинного обучения, который широко используется в задачах распознавания и классификации проблем. Алгоритм SVM выполняет классификацию, создав многомерный гиперплоскость, которая оптимально дискриминирует между двумя классами за счет максимального запаса между двумя кластерами данных. Этот алгоритм позволяет достичь высокой мощности дискриминационный с помощью специальных нелинейных функций, называемых ядрами для преобразования входного пространства в многомерном пространстве [15]. В этом исследовании, бесплатное доступное программное обеспечение SVM называется LibSVM 2,89 был использован для создания модели SVM [16]. Входные показатели были шесть показателей, собранных на MDCT изображениях выше. По этим показателям, данные измерений могут быть введены в модель SVM непосредственно. В то время как данные счетчика должны быть определены как некоторые цифры. Например, положительное серозный вторжение было определено как 1 и отрицательным был -1. Индекс выходной был метастазов в лимфатических узлах пациента. Это было подтверждено хирургии и гистопатологии. Если у пациента есть один или несколько лимфатических узлов метастазы, он считался положительным LNM. Мы определили положительную LNM как 1, а отрицательный был -1. Мы выбрали RBF ядра для построения модели. Для того, чтобы обучить и протестировать нашу модель SVM, мы использовали стандартную технику машинного обучения под названием K-кратная кросс-проверка. Потому что весь объем выборки нашего исследования была не очень большой, мы использовали 5-кратная кросс-проверка. Целые данные были разделены на 5 равных и различных подмножеств. Четыре из этих подмножеств объединяются и используются для обучения, а оставшийся один набор используется для тестирования. Этот процесс перекрестной проверки повторяют 5 раз, что позволяет каждому подмножеством служить один раз в качестве набора тестовых данных.
Статистический анализ
одномерный статистический анализ с помощью SPSS /PC + статистического пакета программного обеспечения версии 11.5 (SPSS Inc, IL, Чикаго, США) было проведено с целью оценки различий шести показателей визуализации между пациентами, которые имели LNM или нет. Методы статистического анализа были независимые-образцы Т тест и тест Манна-Уитни U. P &л; 0,05 рассматривалось как существенное различие. рабочая характеристика (ROC), кривая приемника была использована для определения диагностической характеристик модели SVM. Программное обеспечение версии MedCalc 11.2 (MedCalc, MedCalc Программное обеспечение, Гент, Бельгия) была использована для кривых ROC и сравнить их. Таким образом, мы усредненные площадь под кривой (AUC) из кривых ROC в 5-кратном перекрестной проверки. Мы также подсчитываются средства чувствительности и специфичности. Для сравнения с моделью SVM, мы построили кривую ROC для оценки рентгенолога с использованием максимального размера лимфатических узлов в качестве критериев для классификации LNM. Чувствительность и специфичность наилучшей точки отсечки подсчитывали.
Результаты
В этих 175 случаев было 134 случая, которые имели метастазов в лимфатических узлах и 41 случаев не было. клинико-патологические особенности Пациентов были подробно изложены в таблице 1. Мы собрали шесть показателей на MDCT изображений. Результаты однофакторного статистического анализа показали, что все шесть показателей, включая серозную вторжения, классификации опухоли, опухоли максимального диаметра, количество лимфатических узлов, максимальный размер лимфатических узлов и лимфатических узлов станции были значительными отличаются между положительной и отрицательной группы LNM (P &ЛТ; 0,001). Средства опухоли максимального диаметра, количество лимфатических узлов, а также размер узла максимальный лимфы в LNM положительной группе были 56,6 ± 19,5 мм, 10,0 ± 5,5 мм, и 12 ± 8 соответственно. Все они были выше, чем у LNM отрицательной группы (таблица 2) .table 1 Характеристика больных
функции
клинико-патологическими
Значение

No. больных
175
Средний возраст (Y)
59,8 (30-85)
Соотношение мужчин и женщин в
50: 125
гистопатологией
Аденокарцинома
173 ( 98,9%)
хорошо дифференцированы
6 (3,4%)
Умеренно дифференцированный
91 (52%)
малодифференцированных
76 (43,5%)
мелкоклеточный рак <бр> 2 (1,1%)
лимфоузел метастаз
позитиве
134 (76,6%)
Отрицательный
41 (23,4%)
Примечание .-- Цифры в скобках указаны диапазоны.
Таблица 2 данные пациента: данные 6 индикаторов "образов MDCT и результаты однофакторного статистического анализа
данные пациента

LNM (. -)

LNM (+)

P значение

номер пациента
41/175 (23,4%)
134/175 (76,6%) <бр> данные измерений *
Опухоль максимальный диаметр (мм)
39,0 ± 17,0 56,6 ±
19.5
&л; 0,001
Максимальный размер лимфоузла (мм)
6,5 ± 2,8
10,0 ± 5,5
&л; 0,001
Количество лимфатических узлов
7 ± 4
12 ± 8
&л; 0,001
счетных данных #
серозной вторжения
&л; 0,001
Да
15/175 (8,6%)
120/175 (68,6%)
нет
26/175 (14,8%)
14/175 (8%)
Опухоль классификация
&л; 0,001
Ранний рак желудка
9/175 (5,1%)
1/175 (0,6%)
BorrmannI
2/175 (1,1%)
0/175
BorrmannII
3/175 (1,7%)
9/175 (5,1%)
Боррманна III
27/175 (15,4%)
121 /175 (69,1%)
Боррманна IV
0/175
3/175 (1,7%)
Лимфоузлы станции
&л; 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)
* значение данных измерений средние значения ± стандартное отклонение. Значение р было от независимых выборок T испытаний.
# Значение подсчета данных было количество данных. Значение р было от критерия Манна-Уитни U.
Радиолог достигли АУК 0,757 в классификации метастазов в лимфатических узлах пациента путем максимального размера лимфатических узлов. Лучшая точка отсечения максимального размера лимфатических узлов составляет 7,7 мм. Чувствительность и специфичность были лишь 63,4% и 75,6%. соответствие средств SVM по чувствительности, специфичности и АУК с 5-кратным перекрестной проверки были 88,5%, 78,5% и 0,876, соответственно (таблица 3). По сравнению с рентгенолога, каждая АУК моделей SVM кросс-проверки 5-кратными значительно лучше выполнено (P ≪ 0,05), чем рентгенолог (рисунок 1, таблица 3). Рисунок 1 ROC кривая для LNM. Приемник операционных характеристик (ROC) кривой для узла метастаза лимфатический с моделями SVM кросс-валидации 5-кратные и рентгенолога. АУК k1 до K5 модели SVM были 0,862, 0866, 0,878, 0,900 и 0876, соответственно. По сравнению с рентгенолога, значения P всегда были ниже, чем 0,05 (таблица 3). Для пяти моделей SVM, среднее AUCs был 0,876. И АУК размера рентгенолог на основе Л.Н. был 0,757.
Таблица 3 АУК модели SVM и рентгенолога
Model

K-fold

Sensitivity

Specificity

AUC*

P значение (AUC по сравнению с радиолога)

SVM
K1
0,881
0,780
0,862 ± 0,038 0,002

K2
0,866
0,780 <бр> 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
&лт; 0,001
K5
0,888
0,780
0,876 ± 0,038
< 0,001
означают
0,885
0,785
0,876 <бр> Рентгенолог
0,634
0,756
0,757 ± 0,042
Чувствительность, специфичность и АУК моделей перекрестной проверки SVM 5-кратные и рентгенолога для диагностики метастазов в лимфатических узлах пациента.
* значение полученных данных ППК ±
стандартное отклонение. узел метастаз Обсуждение
лимфа влияет на хирургическое лечение больных раком желудка и также является важным фактором в прогнозе. В настоящее время предоперационной диагностики во многом зависит от различных методов визуализации. Стандарт для оценки метастазов в лимфатических узлах опирается на морфологические показатели. размер лимфоузлов является доминирующим показателем. Тем не менее, Дорфман RE и др сообщили, что верхние пределы нормального размера для лимфатических узлов в брюшной компьютерной томографии варьировалась от 6 до 11 мм [17]. Они частично перекрывается с злокачественной лимфаденопатией. Fukuya Т и др показали, что ослабление КТ и конфигурация лимфатического узла может помочь в диагностике злокачественных лимфаденопатии [18]. Напротив, Deutch SJ и др высказано мнение, что размер, расположение, контур, плотность не были полезны в различении доброкачественная от злокачественной лимфаденопатией [19]. Отсутствие критериев для оценки является основным сдерживающим фактором для прогнозирования узла метастаза лимфатических до операции.
Биологическое поведение рака желудка отражает гистопатологические характеристики злокачественности опухоли и вторжения. Он влияет на узел метастаз лимфатический прямо или косвенно. Конкретное проявление биологического поведения включает в себя, например, размер опухоли, глубина инвазии, инвазия опухоли других органов, метастазов в лимфатических узлах и отдаленных метастазов. MDCT может четко отображать эти патологические случаи. Некоторые исследования показали, что точность рака желудка Т с постановкой MDCT в сочетании с 3D реконструкции было 84-89% [20, 21]. Zhang XP и др сообщалось, что число лимфатических узлов, обнаруженных MDCT показал значительную разницу между метастазов в лимфатических узлах группы и отсутствие метастаз группы в сердечной рака [22]. MDCT также может указывать на ситуацию в других органах брюшной полости и брюшины. Поэтому MDCT визуализация может точно отражать биологическое поведение желудка гистопатологией рака. Одномерный анализ в нашем исследовании показали, что 6 показателей желудочной информации о раке и лимфатические узлы на КТ-изображений все имеют отношение к LNM. Таким образом, мы должны рассмотреть эти биологические факторы поведения комплексно в прогнозировании LNM.
Были некоторые другие методы машинного обучения, используемые в медицинских исследованиях. В основном метод был искусственной нейронной сети (ИНС). ANN считается подходящим методом для анализа медицинских данных [23]. Bollschweiler и др применяется однослойный персептрон, который является своего рода ИНС, предсказать узел метастазирование лимфы при раке желудка. Точность ИНС составила 79% [24]. Тем не менее, ИНС имел некоторые недостатки. Модель ANN была склонна к переобучения. Это требовало длительного развития и время для оптимизации. Они были более трудно использовать в полевых условиях из-за вычислительных требований [25]. С учетом указанных выше причин, мы выбрали вместо модели SVM. SVM может произвести более низкую ошибку прогнозирования по сравнению с классификаторами, основанными на других методов, таких как искусственных нейронных сетей [26]. По сравнению с ИНС, SVM могут иметь такую ​​же даже лучше прогностическая способность [27, 28]. В настоящее время существует несколько сообщений о применении SVM в желудочном узла метастаза лимфатический рак. В качестве предварительного исследования, наши результаты указывают на то, что SVM модель обладает лучшей возможности диагностики для LNM, чем традиционные критерии размера LN. АУК достиг хорошей диагностической мощности. При дальнейшем совершенствовании, SVM может стать эффективным методом для прогнозирования лимфатического узла стадии рака желудка.
Выводы
На основе биологической информации поведения рака желудка на MDCT изображениях, SVM модель может помочь диагностировать метастаз лимфатических узлов дооперационно.
декларациях
Благодарности
Мы благодарим Цзе Ли, Ен Цуй, Ли-Ping Ци, Сяо-Тин Ли за редакторскую поддержку и Джун Шань, Ван Нин, Ин Ли, Шун Ю. Гао за просмотр рукописи.
Проект при поддержке Национального фонда естественных наук Китая (грант № 30970825) и Пекинского муниципального фонд естественных наук (№ 7092020). оригинальные представленные файлы для авторов для изображений
Ниже приведены ссылки на авторов 'оригинальные файлы представлены для изображений. Исходный файл 12885_2010_2503_MOESM1_ESM.jpeg авторов для фигурного 1 конкурирующими интересами
Авторы заявляют, что у них нет конкурирующих интересов.

• Изменения Е-кадгерина и бета-катенин при раке желудка
• Экспрессия р53, адаптивные синтетазы оксида азота и фактора роста эндотелия сосудов в желудочном предраковых…