Podpora vektor stroj model pre diagnostiku lymfatických uzlín u karcinómu žalúdka s multidetektorového počítačová tomografia: predbežná štúdia

Podpora vektor stroj model pre diagnostiku lymfatických uzlín u karcinómu žalúdka s multidetektorového počítačová tomografia: predbežná štúdia
abstraktné
pozadia
lymfatických uzlín (LNM) rakoviny žalúdka je dôležitý prognostický faktor v oblasti dlhodobej prežitie. Ale niekoľko zobrazovacie techniky, ktoré sa bežne používajú v žalúdku nemôže uspokojivo posúdiť stav žalúdočné rakovina lymfatických uzlín. Nemôžu dosiahnuť ako vysokej citlivosti a špecifickosti. Ako druh metód strojové učenie, Support Vector Machine má potenciál na riešenie tohto zložitého problému.
Metódy
inštitucionálne Review Board schválený Táto retrospektívnej štúdie. bolo zahrnutých 175 po sebe idúcich pacientov s rakovinou žalúdka, ktorí podstúpili MDCT pred chirurgickým zákrokom. Hodnotili sme nádoru a lymfatické ukazovatele uzla na CT snímok vrátane serózna inváziu, klasifikácia nádorov, nádorov maximálnym priemerom, počet lymfatických uzlín, maximálnej veľkosti lymfatických uzlín a lymfatických uzlín stanicu, čo sa prejavilo na biologické správanie rakoviny žalúdka. Jednorozmerné analýza bola použitá na analýzu vzťahu medzi šiestimi obrazu ukazovateľov s LNM. Model SVM bola postavená s týmito ukazovateľmi vyššie ako vstupné index. Výstup bol index, že metastázy lymfatických uzlín pacienta bol pozitívny alebo negatívny. To bolo potvrdené v chirurgii a histopatológie. Štandardné stroj-learning technika nazýva k-fold cross-validation (5-krát v našej štúdii) bola použitá na trénovať a testovať SVM modely. Hodnotili sme diagnostické schopnosti modelov SVM v lymfatických uzlín s prijímačom prevádzkové charakteristiky (ROC) krivky. A rádiológ klasifikovala uzlín lymfy pacientov pomocou maximálnej veľkosti lymfatických uzlín na CT ako kritérium. Porovnávali sme plochy pod ROC krivkami (AUC) rádiológa a modelov SVM.
Výsledky
v 175 prípadoch, prípady lymfatických uzlín boli 134 a 41 prípadov neboli. Šesť obrázok ukazovatele mali všetky štatisticky významné rozdiely medzi LNM negatívne a pozitívne skupín. Prostriedky na citlivosti, špecifickosti a AUC SVM modelov s 5-násobné krížové overovania boli 88,5%, 78,5% a 0,876, v danom poradí. Pričom diagnostický sila rádiológa klasifikuje lymfatických uzlín o maximálnej veľkosti lymfatických uzlín bolo len 63,4%, 75,6% a 0,757. Každý model SVM 5-násobné krížové validácia vykonávané výrazne lepšie než rádiológa.
Závery
informácií biologické správanie rakovinou žalúdka na MDCT obrázkov základe SVM model môže pomôcť diagnostikovať uzlín lymfy pred operáciou.
pozadie
rakovina žalúdka je jednou z hlavných príčin úmrtí súvisiacich s rakovinou po celom svete [1]. stav lymfatických uzlín je dôležitý prognostický faktor týkajúci sa dlhodobé prežitie [2]. TNM predstavovať systém založený na americkom Spoločný výbor rakoviny (AJCC) je teraz prijímaná všeobecne [3]. Miera prežitia 5 rokov u pacientov v štádiu N0 po operácii bola 86,1%, zatiaľ čo pacienti N1, N2, N3 a javiskové klesol na 58,1%, 23,3% a 5,9%, v danom poradí [4].
V súčasnej dobe mnoho zobrazovacie techniky boli použité pre hodnotenie karcinómu žalúdka, vrátane brušné ultrazvuk, endoskopická ultrazvuk (EUS), multi-slice špirálové CT, MRI, konvenčné a FDG-PET. Avšak, tieto metódy nemožno spoľahlivo potvrdiť alebo vylúčiť prítomnosť lymfatických uzlín [1]. Meta-analýza ukázala, že priemerná citlivosť a špecifickosť pri určovaní LN metastáz boli nasledovné: 39,9% a 81,8% pre brušné ultrazvuk, 70,8% a 84,6% pre endoskopickú ultrasonografii, 80,0% a 77,8% pre MDCT, 68,8% a 75,0% pre konvenčné MRI, 34,3% a 93,2% pre FDG-PET, a 54,7% a 92,2% pre FDG-PET /CT [2]. Každý jednotlivý uplatňovaní týchto zobrazovacích nástrojov nemožno uspokojivo posúdiť stav žalúdočné rakovina lymfatických uzlín. Dôvodom je, že sme predovšetkým diagnostike LNM podľa veľkosti lymfatických uzlín. Diagnostické kritériá v rozsahu od 5 mm do 10 mm, [2]. Ale veľkých lymfatických uzlín môžu byť spôsobené zápalom a malé lymfatické uzliny môžu byť metastatické. Mnoho štúdií preukázalo, že rakovina žalúdka LN metastázy bola spojená s veľkosťou nádoru, hĺbkou invázie, histologických typov a patologickej lymfatické zapojenie [5-8]. Neexistuje žiadny vhodný spôsob, ako kombinovať veľkosti lymfatických uzlín s mnohých faktoroch popísaných vyššie vykonať komplexnú analýzu. Ako integrovať komplexné faktory ovplyvňujúce lymfatické uzliny a zlepšiť presnosť diagnostiky LNM je témou našej štúdie.
V poslednom desaťročí, metódy strojové učenie, ktorý doplní tradičné štatistických metód, ktoré boli použité na predikciu komplexných biologických javov , Support Vector Machine je nová generácia učiacich algoritmov vyvinutých na základe štatistickej teórie. Algoritmus SVM má silný teoretický základ, založený na myšlienkach na VC (vápnik Chervonenkis) dimenziu a štrukturálne minimalizáciu rizika. To splnil presnosť [9]. SVM bol použitý v niektorých lekárskych aplikáciách, najmä v molekulárnej biológii a neurologického vyšetrenia [10-12]. Môže byť použitý pre klasifikáciu a regresie. Vzhľadom k tomu, sada príkladov prípravy, každý označené ako patriace do jednej z dvoch kategórií, je SVM cvičného algoritmu vytvorí model, ktorý predpovedá, či nová príklad patrí do jednej alebo druhej kategórie.
Účelom tejto štúdie je použiť SVM metóda na analýzu informácií o MDCT zobrazovacie vzťahujúce sa k biologickému správaniu rakoviny žalúdka a stanoviť matematické modely pre posúdenie metastáz do lymfatických uzlín pred operáciou.
metódy
pacientov
Táto retrospektívna štúdia bola schválená našej inštitucionálnej etickou komisiou. Medzi aprílom 2006 a septembrom 2008, 368 po sebe idúcich pacientov s novo diagnostikovanou rakovinou žalúdka boli podávané predoperačné zvýšenie kontrastu brucha CT vyšetrenie a následne dostal gastrektómii v našej nemocnici. Pacienti zodpovedal kritériám pre zaradenie a vyradenie nižšie boli zaradení do tejto štúdie.
Kritériá pre zaradenie
pacienti dostávali radikálnej gastrektómii a D2 uzliny pitvu. Oni boli pred operáciou skúmané s multi- detektor riadku CT. Všetci pacienti boli potvrdené ako rakovinou žalúdka u pooperačnej histopatológie.
Vylučovacie kritériá
pacientov dostávala predoperačné neoadjuvantnej terapii. Vzdialené metastázy bol nájdený v predoperačnom vyšetrení alebo operácii
A konečne, 175 pacientov (125 mužov, 50 žien, priemerný vek 59,8 rokov, rozpätie, 30-85 rokov). Zložené našej štúdie populácie. Získali sme informovaného súhlasu zo všetkých vybraných pacientov pred rutinným klinickým priebehom CT vyšetrenie CT
Protocol
MDCT bola vykonaná za použitia 64-detektor rad CT skenera (Lightspeed 64, GE Healthcare, Milwaukee, WI) .. Každý pacient postil po dobu dlhšiu ako 8 hodín pred CT vyšetrenie. K tomu, aby žalúdočné distenzia a zníženie motility žalúdka, pacienti dostali 8 g kryštálov produkujúce plyn orálne a intramuskulárna injekcia 10 mg anisodamine desať-patnáctminuty pred skúškou. Nadbrušku natívnom CT skeny z bránicový kopulou až 2 cm pod spodnom okraji vzduchom nafúknuté žalúdočné tela bola získaná s kolimáciu 0,625 mm, 120-140 kVp a 300-350 MAS. Následne sa celkom 100 ml Jopromid (Ultravist, Schering, Berlin, Germany) bol podávaný intravenózne 18-gauge angiografické katétra vloženého do antekubitální žily pri 3 ml /s pomocou automatického injektora. Kontrastné CT vyšetrenie bolo vykonané v arteriálnej fázy (30 sekúnd), a v portálnej venóznej fázy (70 sekúnd). Vykonali sme rekonštrukciu multi-rovinný s portálom obrazom venóznej fázy. Analýza Satelitné snímky
dvoma rádiológov, jedna s 3 roky a druhý s 8 Roky skúseností v oblasti brucha CT vykonal obraz analyzuje spoločne dohodou. Pokiaľ došlo k nezhode, budú konzultované s iným rádiológom, ktorý mal 20 yrs skúsenosti v oblasti brucha CT, kým sa nedosiahla dohoda. Merali sme aj počítal šesť indikátory na MDCT obrázkov rukami takto:
Tumor maximálny priemer
Odmerajte priemer rakoviny žalúdka v axiálnej, koronálnej a sagitálnej obrazy založené obrazy MPR. A rozhodne o maximálny priemer nádoru.
Nádor Klasifikácia
Čoskoro rakovina žalúdka alebo Borrmann klasifikácie pokročilého karcinómu v obrazoch MPR bola stanovená.
Serózna inváziu
axiálne a MPR obrazy boli súčasne vyhodnotené na stanovenie Serózna invázie. Celá zahusťovanie žalúdočnej steny abnormálne zvýšenú a lineárne alebo retikulárne štruktúry v tukovej vrstvy obklopujúce žalúdok je uvedené serózna inváziu [13]. EU Počet lymfatických uzlín
počet všetkých viditeľných žalúdočných regionálnych lymfatických uzlín v obraze MDCT skupinami bol počítaný [14]
.
Maximálna veľkosť lymfatických uzlín
bola meraná krátka os najväčší lymfatických uzlín zistený u CT. lymfatických uzlín stanice
lymfatických uzlín stanicu s MDCT obrázkov na báze na japonskej klasifikácie karcinómu žalúdka bola stanovená [14].
Support Vector stroj Support Vector Machine sa strojové učenie s učiteľom technika, ktorá je široko používaný v problematike rozpoznávania a klasifikácie. SVM algoritmus vykonáva klasifikáciu zostavením viacrozmerný nadrovina, ktorý optimálne rozlišuje medzi dvoma triedami maximalizáciou rozpätie medzi dvoma dátovými klastrov. Tento algoritmus dosahuje vysokú diskriminačný výkon pomocou špeciálnych nelineárna funkcie zvanej jadro transformovať vstupný priestor do viacstranný priestoru [15]. V tejto štúdii, je k dispozícii zdarma softvér SVM nazýva LibSVM 2,89 bola použitá na generovanie modelu SVM [16]. Vstupné indexy boli šesť ukazovatele zhromaždené na MDCT obrázkov vyššie. U týchto ukazovateľov, merané dáta mohol byť zapísaný priamo do SVM model. Kým Počet údaje by mali byť definované ako niektoré čísla. Napríklad, pozitívne Serózna invázia bola definovaná ako 1 a negatívne bol -1. Výstup index bol lymfatických uzlín pacienta. To bolo potvrdené v chirurgii a histopatológie. V prípade, že pacient mal jeden alebo viac lymfatických uzlín, metastázy, bola považovaná za pozitívnu LNM. Definovali sme pozitívne LNM ako 1, zatiaľ čo negatívne bol -1. Vybrali sme si RBF jadra na vytvorenie modelu. Trénovať a testovať naše SVM modelu sme použili štandardné stroj-learning techniku ​​zvanú k-fold cross-validation. Pretože celá veľkosť vzorky našej štúdie nebola príliš veľká, sme použili 5-násobné krížové overenie. Celá Údaje boli rozdelené do 5 rovnakých a odlišných podskupín. Štyri z týchto podskupín sú kombinované a použité pre výcvik, a zostávajúce jedna sada sa používa na testovanie. Tento proces cross-validation bol opakovaný 5krát, takže každá podmnožina, aby slúžil kedysi ako sady testovacích dát.
Štatistická analýza
jednorozmerné štatistickej analýzy pomocou SPSS /PC + štatistického softvérového balíka verzia 11.5 (SPSS Inc., IL, chicago, USA) bola vykonaná za účelom vyhodnotenia rozdielov šiestich zobrazovacích indikátorov medzi pacientov, ktorí mali LNM, alebo nie. Štatistické metódy analýzy boli Nezávislé vzorky T test a Mann-Whitney U test. P < 0,05 bola považovaná za štatisticky významný rozdiel. Prijímač prevádzková charakteristika (ROC) krivka bola použitá pre hodnotenie diagnostické výkonnosť modelu SVM. MedCalc Software verzia 11.2 (MedCalc, MedCalc Software, Gent, Belgicko) bola použitá, aby krivky ROC a porovnať ich. V súhrne sme priemer plochy pod krivkou (AUC) ROC krivky 5-násobné krížové validácie. Tiež počítal prostriedky citlivosti a presnosti. Pre porovnanie s modelom SVM sme konštruovaná ROC krivky pre hodnotenie rádiológa pomocou maximálnej veľkosti lymfatických uzlín ako kritériá klasifikácie LNM. Citlivosť a špecifickosť najlepšieho hraničným bodom boli spočítané.
Výsledky
V týchto 175 prípadov bolo 134 prípadov, ktoré mali lymfatických uzlín a 41 prípadov nemal. Pacientov klinicko-patologické rysy boli podrobne v tabuľke 1. Získali sme šesť indikátorov na MDCT obrazov. Výsledky jednorozmerné štatistickej analýzy vyplynulo, že všetky šiestich ukazovatele vrátane serózna inváziu, klasifikácia nádoru, nádorové maximálny priemer, počet lymfatických uzlín, maximálnej veľkosti lymfatických uzlín a lymfatických uzlín stanice boli významne odlišné medzi LNM pozitívne a negatívne skupiny (P <0,001). Prostriedky nádoru maximálnym priemerom, počtu lymfatických uzlín, a veľkosť uzla maximálnu lymfatické v LNM pozitívnej skupine bolo 56,6 ± 19,5 mm, 10,0 ± 5,5 mm, a 12 ± 8, v danom poradí. Všetci boli vyššie ako LNM negatívne skupiny (tabuľka 2) .Table 1 Charakteristika pacientov
klinicko-funkcie
Hodnota
No. Z pacientov
175
Priemerný vek (y)
59,8 (30-85)
pomer žien k mužom
50: 125
histopathology
adenocarcinoma
173 ( 98,9%)
Dobre diferencovaný
6 (3,4%)
Stredne diferencovaný
91 (52%)
zle diferencované
76 (43,5%)
malobunkového karcinómu
2 (1,1%)
lymfatických uzlín
pozitívny
134 (76,6%)
Negatívne
41 (23,4%)
Poznámka .-- čísla v zátvorkách sú uvedené rozsahy.
Tabuľka 2 údaje pacienta: údaje 6 ukazovateľov "z obrazov MDCT a výsledky jednorozmerné štatistické analýzy
údaje o pacientovi
LNM (. -)
LNM (+)
hodnota P
pacient číslo
41/175 (23,4%)
134/175 (76,6%)
nameraných dát *
nádor maximálny priemer (mm)
39,0 ± 17,0
56,6 ± 19,5 Hotel < 0,001
Maximálna veľkosť lymfatické uzliny (mm)
6,5 ± 2,8
10,0 ± 5,5 Hotel < 0,001 EU Počet lymfatických uzlín
7 ± 4
12 ± 8 Hotel < 0,001
súčet dát #
Serózna invázii Hotel < 0,001
Áno
15/175 (8,6%)
120/175 (68,6%)
Nie
26/175 (14,8%)
14/175 (8%)
klasifikácia Tumor Hotel < 0,001
Čoskoro rakovina žalúdka
9/175 (5,1%)
1/175 (0,6%)
Borrmann
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%)
lymfatických uzlín stanicu Hotel < 0,001
stanice 1
29/175 (16,6 %)
44/175 (25,1%)
Station2
12/175 (6,9%)
54/175 (30,9%)
Station3
0/175
36 /175(20.5)
* hodnota dát merania bola stredná hodnota ± štandardná odchýlka. Hodnota p bola z nezávislých vzorkách T testu.
# Hodnota počítanie dát bol počet dát. Hodnota p bola z Mann-Whitney U testu.
Rádiológ dosiahol AUC 0,757 ako klasifikácia lymfatických uzlín pacienta o maximálnej veľkosti lymfatických uzlín. Najlepšie cut-off bod maximálnej veľkosti lymfatických uzlín bol 7,7 mm. Citlivosť a špecifickosť boli len 63,4% a 75,6%. SVM sa prostriedky citlivosti, špecifickosti a AUC s 5-násobné krížové overovania boli 88,5%, 78,5% a 0,876, v danom poradí (tabuľka 3). V porovnaní s rádiológa, každý AUC modelov SVM cross-validation 5-násobnom výrazne lepšie vykonaná (P menšia ako 0,05) než rádiológa (obrázok 1, tabuľka 3). Obrázok 1 ROC krivku pre LNM. Prijímač pracujúci charakteristiku lymfatických uzlín s 5-násobný cross-validačnú SVM modelov a rádiológa (ROC). AUC K1 až K5 SVM modely boli 0,862, 0866, 0,878, 0,900 a 0876, resp. V porovnaní s rádiológom, hodnoty P boli všetky menšie ako 0,05 (tabuľka 3). Za päť modelov SVM, stredná hodnota AUC bola 0,876. A AUC veľkosti rádiológ na báze LN bol 0,757.
Tabuľka 3 AUC SVM modelu a rádiológa
Model

K-fold

Sensitivity

Specificity

AUC*

P hodnota (AUC v porovnaní s rádiológ),
SVM
K1
0,881 0,780
0,862 ± 0,038 0,002
K2
0,866 0,780

0,866 ± 0,037 Hotel &0,001
K3
0,858 0,805
0,878 ± 0,033 Hotel &0,001
K4
0,933
0,780 0,900
± 0,031 Hotel &0,001
K5
0,888 0,780
0,876 ± 0,038 Hotel < 0,001
znamenať
0,885 0,785
0,876
Rádiológ
0,634 0,756
0,757 ± 0,042
citlivosti, špecifickosti a AUC 5-násobných modelov cross-validation SVM a rádiológa pri diagnostikovaní lymfatických uzlín pacienta.
* hodnota dát bola AUC ± štandardná odchýlka.
uzlín Diskusia
Lymph vplyv na chirurgickú liečbu pacientov s karcinómom žalúdka, a je tiež dôležitým faktorom pri prognóze. V súčasnej dobe, predoperačné diagnóza závisí predovšetkým na rôznych zobrazovacích metód. Štandard pre posudzovanie lymfatických uzlín sa opiera o morfologických ukazovateľov. Veľkosť lymfatických uzlín je dominantný indikátor. Avšak, Dorfman RE et al uvádzajú, že horná hranica normálnej veľkosti lymfatických uzlín v abdominálnej počítačovou tomografiou meniť od 6 do 11 mm, [17]. Sú čiastočne prekrývali s malígnym lymfadenopatiou. Fukuya T et al ukázala, že CT útlm a konfigurácia lymfatické uzliny by mohla pomôcť pri diagnóze malígneho lymfadenopatiou [18]. Naopak, Deutch SJ et al vyjadril, že veľkosť, umiestnenie, obrysy, hustota neboli užitočné pri rozlišovaní benígne od malígne lymfadenopatia [19]. Nedostatok kritérií pre posúdenie je hlavnou prekážkou pre predikciu lymfatických uzlín pred operáciou.
Biologické správanie rakoviny žalúdka odráža histopatologické výkonnosť malignance a invázie nádoru. Postihuje lymfatických uzlín priamo alebo nepriamo. Betónová prejavom biologického správania patrí napríklad, veľkosť nádoru, hĺbku invázie, invázie nádoru iných orgánov, lymfatických uzlín a vzdialených metastáz. MDCT možno jednoznačne zobraziť tieto patologické udalosti. Niektoré štúdie uvádzajú, že presnosť žalúdočné rakovina T stagingu s MDCT v kombinácii s 3D rekonštrukcie bolo 84-89% [20, 21]. Zhang a kol XP hlásené, že počet lymfatických uzlín detekovaných MDCT ukázala významný rozdiel medzi lymfatických uzlín skupiny a bez metastáz skupina rakoviny srdcovej [22]. MDCT môže tiež signalizovať situáciu v ostatných brušných orgánov a pobrušnice. Preto MDCT imaging môcť presne odrážať biologické správanie žalúdočné rakoviny histopathology. Jednorozmerné analýzy v našej štúdii sa ukázalo, že 6 ukazovatele žalúdočné informácií rakovinou a lymfatické uzliny na CT majú vzťah k LNM. Takže by sme mali zvážiť tieto biologické faktory správania komplexne v predpovedanie LNM.
Tam boli niektoré iné strojové učenie metódy používané v lekárskych štúdiách. Hlavne metóda bola umelé neurónové siete (ANN). ANN je považovaná za vhodnou metódou pre lekársku analýzu dát [23]. Bollschweiler et al aplikovaná perceptron jednovrstvový, čo je druh ANN, predpovedať metastáz do lymfatických uzlín u karcinómu žalúdka. Presnosť Ann 79% [24]. Avšak, ANN nejaké nevýhody. Ann model bol náchylný k overfitting. To si vyžaduje dlhú dobu vývoja a optimalizovať. Boli ťažšie na použitie v oblasti, pretože výpočtových požiadaviek [25]. S ohľadom na vyššie uvedených dôvodov sme vybrali model SVM miesto. SVM mohol vyrábať menšie chybu predikcie v porovnaní s číselníkov na základe inej metódy, ako je umelé neurónové siete [26]. V porovnaní s ANN, SVM môžu mať rovnaký ešte lepšie prediktívne schopnosti [27, 28]. V súčasnej dobe existuje niekoľko správ o aplikácii SVM v žalúdočnej rakovina lymfatických uzlín. Ako predbežnej štúdii, naše výsledky naznačujú, že SVM model má lepšie diagnostické schopnosti pre LNM než tradičné kritériá veľkosti LN. Hodnota AUC dosiahlo vysoké diagnostické silu. S ďalším zlepšením, môže SVM stať efektívna metóda predpovedať lymfatických uzlín staging rakoviny žalúdka.
Závery
informácií biologické správanie rakovinou žalúdka na MDCT obrázkov základe SVM model môže pomôcť diagnostikovať metastázy lymfatických uzlín pred operáciou.
deklarácia
Poďakovanie
Ďakujeme Jie Li Yong Cui, Li-Ping Qi Xiao-Ting Li pre redakčné podporu a júna Shan, Ning Wang Ying Li, Shun-Yu Gao za hodnotiť rukopis.
Projekt podporený Národnej prírodnej Science Foundation Číny (Grant No. 30970825) a Pekingu Mestské Natural Science Foundation (No. 7092020).
autorov pôvodné predloženej súbory obrazov
Nižšie sú uvedené odkazy na autorov "originál predložený súbory obrazov. Pôvodný súbor 12885_2010_2503_MOESM1_ESM.jpeg autorov na obrázku 1 protichodnými záujmami
Autori vyhlasujú, že nemajú žiadne protichodné záujmy.

• Zmeny e-cadherinu a beta-kateninu v žalúdku cancer
• Expresia p53, inducibilní syntázy oxidu dusnatého a vaskulárny endoteliálny rastový faktor v žalúdku prekanceróznych a rakovinových lézií: korelácia s klinickou features