Dokazno sklepanje model, ki temelji na diagnozo bezgavkah metastaze raka želodca

Dokazno sklepanje model, ki temelji na diagnozo bezgavkah metastaze raka želodca
Abstract
Ozadje
bezgavko metastaze (LNM) v raka želodca, je zelo pomemben prognostični dejavnik, ki vpliva na dolgoročno preživetje. Trenutno se uporablja več tehnik skupno slikanje, da oceni stanje bezgavk. Vendar pa so zmožni doseči tako visoko občutljivost in specifičnost hkrati. Da bi obravnavo tega zapletenega vprašanja je nova dokazna obrazložitev (ER), ki temelji model, predlaga, da se podpre diagnoze LNM raka želodca.
Metode
Obstaja 175 zaporednih bolnikov, ki so šli skozi multidetector Računalniška tomografija (MDCT) zaporedoma pred operacijo. Osem kazalniki, ki so serozne invazijo, klasifikacijo, tumorske razširitve vzorec, debelino tumorja, število bezgavk, največjo velikost bezgavk, bezgavk postaje in izboljšanje bezgavk so uporabljeni za oceno tumorja in bezgavk s CT slik. Vsi zgoraj omenjeni indikatorji odražajo biološke lastnosti raka želodca. Model, ki temelji ER je zgrajena tako, da se zgoraj navedene kazalce kot vstopni indeks. Je indeks določa, ali se pojavi LNM za bolnike, ki se odloča za operacijo in histopatologijo. Tehnika se imenuje k-krat navzkrižne validacije se uporablja za usposabljanje in testiranje novega modela. Diagnostična sposobnost LNM je ocenil sprejemnik, ki delujejo lastnost (ROC) krivulje. Radiolog klasificira LNM s sprejetjem limfni velikosti vozlišča za primerjavo.
Rezultati
134 od 175 primerov so primeri LNM, in ostanki niso. Osem kazalci imajo statistično pomembno razliko med pozitivnimi in negativnimi skupinami. Občutljivost, specifičnost in AUC modela ER temelji so 88.41%, 77.57% in 0.813, v tem zaporedju. Vendar pa je za radiologa ocenjevanje LNM z največjim velikost bezgavk, ustrezne vrednosti le 63,4%, 75,6% in 0,757. Zato lahko predlagani model dobiti boljše rezultate kot v radiolog. Poleg tega, da predlagani model prekaša tudi druge metode strojnega učenja.
Sklepe
Po bioloških podatkov o vedenju raka želodca, se lahko model ER temelji učinkovito in predoperativno diagnozo LNM.
Ključne besede
želodca limfnega raka vozlišče metastaze Dokazna obrazložitev Ozadje
raka želodca je postal eden od glavnih vzrokov smrti zaradi raka v svetu [1]. Bezgavka metastaze (LNM) je zelo pomemben prognostični dejavnik v zvezi z dolgoročno preživetje [2]. Oznaka počivališča sistem TNM temelji na skupnem odboru ameriškega raka, se vzame kot ocenjene standard in je bila široko sprejeta [3]. Na podlagi tega standarda, 5-letno preživetje bolnikov v N0 fazi po operaciji je 86,1%, medtem ko se lahko bolniki fazi N1, N2 in N3 pridobi 58,1%, 23,3% in 5,9%, soodvetno [4].
Trenutno zdravniki diagnozo LNM empirično glede na velikost bezgavk, ki se sklicuje na različne načine slikanja, kot so endoskopski ultrazvok (EUS), v trebuhu ultrazvoka, multi-slice spiralno računalniško tomografijo (CT), magnetno resonanco (MRI) in pozitron emisijska izračunano tomografija (PET). Vendar pa nobeden od navedenih orodij za preslikovanje pridobi status bezgavk pri zadovoljiv način. Medtem, sistemski pregled pokaže, da EUS, MDCT, konvencionalna MRI in FDG-PET ni mogoče uporabiti za potrditev ali izključitev prisotnosti LNM zanesljivo [2]. Razlog za to je, da se velike bezgavke lahko jo povzroči vnetje, medtem ko se majhni lahko z metastazami povzročil. Zato enotna velikost bezgavk ni močna napovednik. V bistvu, so številne študije pokazale, da je LNM povezana z velikostjo tumorja, patološko limfnega vključenosti, histološki tip in drugih dejavnikov [5-8]. Zato bi bilo treba za metodo, ki združuje velikost limfnega vozla s temi dejavniki. Poleg tega so nekaj raziskav [9-11] razpravljali o diagnostičnih zmogljivosti morfoloških značilnosti pri bolnikih z rakom danke. Po teh raziskavah lahko morfološke značilnosti, vključno z mejno konturo in intenzivnost signala bezgavk delno izboljšala diagnostično sposobnost metastaz. Vendar te študije v glavnem osredotočajo na slikanje MRI raka danke. Pri bolnikih z rakom želodca v klinični praksi, trebuh CT je bolj splošna raba slikanje modalnost kot MRI pregleda. Zato menimo, da gradi model za diagnosticiranje LNM z več kazalnikov.
Ker obstajajo kvalitativne in kvantitativne podatke v osmih kazalcev, metodo, ki se lahko vključijo, je treba sprejeti ti dve vrsti podatkov. Pristop ER je prvotno predlagala, da se ukvarjajo s številnimi problemi analize odločanja atribut, ki vključujejo kvalitativne in kvantitativne lastnosti pod negotovosti [12]. Jedro je ER algoritem, ki je bil razvit na podlagi teorije odločanja in Dempster-Shafer (D-S) teorija dokazov [13, 14]. Kot ER se lahko vključijo kvalitativnih informacij in kvantitativnih podatkov upravičeno, se uporablja. Eden od ciljev v tem dokumentu je analiza, ki kazalniki se nanašajo na biološko obnašanje raka želodca in sestaviti matematični model za oceno LNM predoperativno.
Metode
Bolniki
V tem poskusu, dobljeni 175 primerov CT iz Peking University Cancer Hospital & Institute (Peking, Kitajska P. R.) pomenijo niz vzorec. Po mednarodni smernice zdravljenja raka želodca, CT je eden izmed najpogosteje uporabljanih inšpekcijskih [15]. Vendar pa so tudi druge metode, kot so PET in EUS uporablja kot izbrani pregled. Ti bolniki so dajali preoperativno kontrastnega trebuhu pri izvedbi preiskave CT in prejel želodca med aprilom 2006 in septembrom 2008. V retrospektivno raziskavo je odobril Institutional Review Board (IRB). Bili so predoperativno preučiti z MDCT. Upoštevajte, da smo pridobili informirano soglasje vseh izbranih bolnikih pred rutinski klinični potek CT preiskav. Obstaja 125 moških in 50 žensk med temi bolniki, njihova povprečna starost je 59.8 let. Podatki so prikazani v tabeli 1.Table 1 bolniku značilnosti
Clinic patoloških lastnosti
vrednost
število bolnikov
175
Povprečna starost (y)
59,8 (30-85)
Razmerje moški ženske
125: 50
histopatologijo
Adenokarcinom
173 (98,9%)
dobro diferenciran
6 (3,4%)
Zmerno razlikujejo
91 (52%)
Slabo razlikujejo
76 (43,5%)
drobnoceličnega karcinoma
2 (1,1%)
bezgavko metastaze
Positive
134 (76,6%)
Negative
41 (23,4%)
kazalniki
Obstaja osem kazalcev, ki so bili pridobljeni z dvema radiologi, ena s tremi leti in druga z osem let izkušenj v trebuhu CT. Osem kazalniki so bile izmerjene in šteje ročno MDCT slik, kot sledi: (1) serozne invazija: Axial in MPR slike so ocenili, da se določi serozne invazijo hkrati. Celotna zadebelitev želodčne stene nenormalno poveča linearne ali reticular strukture v maščobno plast obdaja želodec navedeno serozne invazijo [16]
(2) klasifikacija tumorja. Zgodnjega raka želodca ali razvrstitev Bormann napredovalega raka v MPR slik je . potrjen
(3) krepitev Tumor vzorec. povečanje Tumor je razdeljen na tri vzorce na portalu fazi CT slik, ki so sluznice povečanje površine, homogeno povečanje in heterogeno povečanje
(4) debelina tumor: maksimalna debelina tumorja merimo na osnih CT slik
(5) število bezgavk. število želodca regionalnih bezgavkah s večji od 3 mm v MDCT slik po skupinah se šteje [17]. Ker so bezgavke, ki so manjši od 3 mm, tudi majhen, tako da so zaznavne, so izpuščene
(6) Velikost Največja bezgavk. Kratka Os največje bezgavke odkriti v CT slikah se meri
(7) limfnega vozla postaja. bezgavko postaja z MDCT slik, ki temelji na japonski klasifikacije raka želodca, ugotovljena [17]
(8) izboljšanje limfnega vozla.: to pomeni, CT slabljenje vrednost bezgavke, ki se meri na portalu venski fazi CT slike.
v tem dokumentu, so vsi kazalci merijo ročno. Število bezgavk je količina bezgavk okoli želodca. Največja velikost bezgavk in bezgavk povečanje je pridobljen iz maksimalne bezgavke. Cilj je napovedati, ali LNM nastopi razen ima maksimalno bezgavke LNM. Z drugimi besedami, cilj je napovedati, ali pride do LNM za vsakega pacienta. Končni rezultat LNM diagnozo odloča operacijo in histopatologijo. Patološko rezultat je mogoče z gotovostjo potrditi, ali do tega pride LNM ali ne. Ne želimo napovedati metastaze za vsako bezgavke. Razlog za to je, da se korespondenca ena-na-ena bezgavka je s CT in patologije je odvisno od zelo natančno in odlično izkušnjo radiolog. To ponavadi ni skladna primerno za različne radiologi, ki lahko vplivajo na natančnost predvidevanja matematičnega modela. Zato nismo naredili korespondenco one-to-one za vsako bezgavke. Podrobnosti so opisane v tabeli 2.Table 2 Opis v osmih kazalnikov
podatkov bolnika
LNM (-)
LNM (+)
bolnika število
41/175
134/175
Merjenje podatki
debelina tumorja (mm)
13,3 ± 14,0
16,6 ± 28,4
Največja velikost bezgavka (mm)
6,5 ± 2,8
10,0 ± 5,5
število bezgavk
7 ± 4
12 ± 8
limfnega vozla izboljšanje
39,5 ± 58,5
62,5 ± 66,5
Count podatkov
povečanje Tumor vzorec
vzorec 1
13/175
6/175
vzorec 2
26/175
118/175
vzorec 3
2/175
10/175
serozne invazije
Da
15/175
120/175
Ne
26/175
14/175
uvrstitev Tumor
Zgodnji rak želodca
9/175
1/175
BORRMANN sem
2/175
0/175
BORRMANN II
3/175
9/175
BORRMANN III
27/175
121/175
BORRMANN IV
0/175
3/175
bezgavke postajo
postaje 1
29 /175
44/175
Station 2
12/175
54/175
Station 3
0/175
36/175
vrednost podatkov meritev je bila izmerjena ročno, in podatki, število je število podatkov.
ER modelske
V tem modelu, ki jih predstavljamo vsak primer s slovarju preveč popolna, katerega elementi so vzorci usposabljanja. Če je na voljo dovolj vzorcev za usposabljanje iz vsakega razreda, bo mogoče, da predstavlja preskusni vzorec.
Predpostavimo, da se vzorci za usposabljanje so označene z X = {X
1
, X
2
, ..., X
p
}
∈ R
MXN
, kjer je n
število vzorcev, usposabljanje in m
je število kazalcev. y
∈ {1,2, ..., p}
je oznaka in p
je indeks razred. T = [T
1
, T
2
..., T
m
]
T
pomeni preskusni vzorec. Prekomerno celoten slovarju A
označimo takole: 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) tu
je sestavljena iz vzorcev usposabljanja in
m, n
predstavlja vsak kazalnik v vzorcih usposabljanja. V skladu z omejitvami ER, morajo stolpci A
in T
normalizirajo prvič. Nato vsak kazalnik T i
v testnem vzorcu predstavlja A
in ustreznih koeficientov w
i
, i
= 1,2, ..., m
. Potem smo uporabiti algoritem ER analitično [13], kot sledi: T
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) Vsi kazalniki v T
lahko zastopa A
in w
i
, i
= 1,2, ..., m
z uporabo pristopa ER. Predpostavimo, da ER
predstavlja pristop ER. Zato je T
takole: T
=
ER
A

ω
(4), kjer ω∈R
n
je koeficient vektor. Vendar pa ni mogoče zagotoviti optimalno rešitev, in namesto da bi jo nadomestiti s približne rešitve, ki v enačbi (5): T
≈
ER
A

ω
(5) Kot nov primer lahko z vzorci za usposabljanje iz istega razreda dovolj zastopani, dobimo napoved z w. model
0.948
0.020
0.000
0.908
0.988
ANN
0.798
0.043
0.000
0.713
0.882
SVM Vsi avtorji prebrali in potrdil končni rokopis.

• Polimorfizem TGFB1 in VEGF genov in preživetje bolnikov z rakom želodca
• Zaporedje genoma Helicobacter suis podpira njeno vlogo v želodcu pathology