Metoda podpornih vektorjev model za diagnozo bezgavkah metastaze raka želodca z multidetector računalniške tomografije: predhodna študija

Metoda podpornih vektorjev model za diagnozo bezgavkah metastaze raka želodca z multidetector računalniške tomografije: predhodna študija
Abstract
Ozadje
bezgavko metastaze (LNM) raka želodca je pomemben napovedni dejavnik v zvezi z dolgoročno preživetje. Toda več tehnike slikanja, ki se pogosto uporabljajo v želodcu ne morejo zadovoljivo oceniti stanje vozlišča želodčni rak limfe. Ne morejo doseči tako visoko občutljivost in specifičnost. Kot neke vrste metod strojnega učenja, metoda podpornih vektorjev ima potencial za rešitev tega zapletenega vprašanja.
Metode
Institucionalni pregled svet odobril ta retrospektivno študijo. je bilo vključenih 175 zaporednih bolnikov z rakom želodca, ki so šli skozi MDCT pred operacijo. Smo ocenili kazalnike vozlišče tumorjev in bezgavke na CT slik, vključno s serozne invazije, razvrščanje tumorja, tumorja največjim premerom, število bezgavk, največjo velikost bezgavk in bezgavk postajo, ki je odražal biološke lastnosti raka želodca. Univariatna analiza je bila uporabljena za analizo odnosa med šest kazalnikov slike z LNM. Vzorec SVM je bila zgrajena s temi kazalniki zgoraj kot vstopni indeks. Indeks izhod je, da je bezgavkah metastaze pacienta pozitiven ali negativen. Potrdil jo je operacijo in histopatologijo. Standardna strojno učenje tehniko, imenovano k-krat navzkrižne validacije (5-krat v naši raziskavi), je bila uporabljena za usposabljanje in preizkus SVM modeli. Smo ocenili zmogljivost diagnosticiranja modelov SVM v bezgavk metastaz s sprejemnikom, ki delujejo lastnost (ROC) krivulje. In radiologom opredelila bezgavko metastaze bolnikov z največjo velikost limfnega vozla na CT slikah kot merilo. Smo primerjali površine pod ROC krivulje (AUC) je radiolog in SVM modelov.
Rezultati
V 175 primerih so bili primeri bezgavkah metastaze 134 in 41 primerov ni bilo. Šest slik kazalniki vsi imeli statistično pomembne razlike med LNM negativnih in pozitivnih skupin. Sredstva občutljivosti, specifičnosti in AUC SVM modelih s 5-kratnim prečnim potrjevanju bilo 88,5%, 78,5% in 0,876 oz. Medtem ko so bili diagnostični moč radiolog razvrstitvi bezgavko metastaze z največjim velikosti bezgavk le 63,4%, 75,6% in 0,757. Vsak SVM model 5-kratno navzkrižne validacije opravljenih bistveno bolje kot radiolog.
Sklepi primerjavo na podlagi bioloških podatkov obnašanja raka želodca na MDCT slik, lahko SVM modela pomaga diagnosticirati bezgavko metastaze predoperativno.
Ozadje
raka želodca, je eden od glavnih vzrokov smrti, povezanih z rakom na svetu [1]. Stanje bezgavka je pomemben napovedni dejavnik v zvezi z dolgoročno preživetje [2]. Sistem TNM uprizoritev, ki temelji na skupnem odboru ameriškega raka (AJCC) je široko sprejeta zdaj [3]. Stopnja preživetja 5-letno bolnikov v fazi N0 po operaciji je bila 86,1%, medtem ko so bolniki v fazi N1, N2 in N3 padla na 58,1%, 23,3% in 5,9%, oziroma [4].
Trenutno številne tehnike slikanja so bili uporabljeni za oceno raka želodca, vključno trebuhu ultrazvok, endoskopski ultrazvok (EUS), multi-slice spiralni CT, konvencionalno MRI in FDG-PET. Vendar pa te metode slikanja ni mogoče zanesljivo potrdi ali izključi prisotnost metastaz bezgavk [1]. Meta-analiza je pokazala, da je bila povprečna občutljivost in specifičnost pri ugotavljanju LN metastaze, kot sledi: 39,9% in 81,8% za trebušne ultrazvoka, 70,8% in 84,6% za endoskopsko ultrazvokom, 80,0% in 77,8% za MDCT, 68,8% in 75,0% za konvencionalne MRI, 34,3% in 93,2% za FDG-PET, in 54,7% in 92,2% za FDG-PET /CT [2]. Posamezna uporaba teh orodij slikanje ni mogoče zadovoljivo oceniti stanje vozlišča želodčni rak limfe. Razlog za to je, da smo v glavnem diagnozo LNM z velikostjo bezgavk. Diagnostična merila v razponu od 5 mm do 10 mm [2]. Toda velike bezgavke lahko povzroči vnetja in majhne bezgavke lahko z metastazami. Številne študije so pokazale, da je v želodcu raka LN metastaze povezana z velikostjo tumorja, globina invazije, histološki tip in patološkega limfni vključenosti [5-8]. Ni primeren način združiti limfni velikosti vozlišča s številnimi dejavniki, opisani zgoraj, da celovite analize. Kako vključiti kompleksne dejavnike, ki vplivajo na bezgavke in izboljšali natančnost diagnosticiranje LNM je tema naše raziskave.
V zadnjem desetletju, metode strojnega učenja, ki dopolnjujejo tradicionalne statistične metode, ki so bile uporabljene za napovedovanje kompleksnih bioloških pojavov . Podpora Vector stroj je nova generacija učnih algoritmov razvitih na podlagi statistične teorije. SVM algoritem ima močno teoretično osnovo, ki temelji na idejah VC (Vapnik Chervonenkis) razsežnosti in strukturno zmanjšanje tveganj. Prav tako je zadovoljen točnost [9]. SVM se uporablja v nekaterih medicinskih aplikacijah, predvsem v molekularni biologiji in možganskega slikanja [10-12]. Ga je mogoče uporabiti za razvrščanje in regresijo. Glede na nabor učnih primerov, vsako označeno, da spadajo v eno od dveh kategorij, algoritem za usposabljanje SVM gradi model, ki napoveduje ali nov primer spada v eno ali drugo kategorijo.
Namen te študije je, da uporabite SVM metoda za analizo podatkov o MDCT slikanje v zvezi z biološko obnašanje raka želodca in vzpostaviti matematične modele za oceno bezgavko metastaze predoperativno.
metode
bolnikov
v retrospektivno raziskavo je odobril naš institucionalni pregled krovu. Med aprilom 2006 in septembrom 2008 je bilo 368 zaporednih bolnikov z novo diagnosticiranim rakom želodca, dajanju predoperativno kontrastnega trebuhu CT preiskav in nato prejel želodca v naši bolnišnici. Bolniki sovpadala merila za vključitev in izključitev v nadaljevanju so bili vključeni v to študijo.
Merila vključenosti
Bolniki so prejeli radikalno želodca in D2 bezgavke bezgavk. Bili so predoperativno pregledati z multi detektor vrstice CT. Vsi bolniki so bili potrjeni kot rak želodca, ki ga pooperativne histopatologiji.
Merila za izključitev
Bolniki prejete preoperativno novi dopolnilni terapijo. Distant metastaze je bilo ugotovljeno v predoperativno pregledom ali v operaciji
Končno, 175 bolnikov (125 moških, 50 samic, povprečna starost, 59,8 let, razpon, 30-85 let)., Ki obsegajo naše študije prebivalstva. Dobili smo informirano soglasje vseh izbranih bolnikih pred rutinski klinični potek CT preiskav
CT protokol
MDCT je bila izvedena s pomočjo 64-detektor vrstica CT skener (Lightspeed 64, GE Healthcare, Milwaukee, Wisconsin).. Vsak bolnik postili za več kot 8 ur pred pregledom CT. Da bi omogočili gastrična napetost in zmanjševanje želodčne gibljivost, so bolniki prejeli 8 g kristalov za proizvodnjo plina peroralno in intramuskularno 10 mg anisodamine 10-15 minut pred pregledom. V zgornjem delu trebuha neokrepljeni CT od preponska jaške do 2 cm pod spodnjo mejo za zrak napihnjen želodca telesa so bili pridobljeni s viziranje 0,625 mm, 120-140 KVP in 300-350 MAS. Kasneje, skupno 100 ml iopromide (Ultravist, Schering, Berlin, Nemčija) je intravenozno prek 18-gauge angiografskem katetra vstavljenega v antekubitalno vene v 3 ml /sek s pomočjo avtomatskega injektorja. Kontrastne CT so bile izvedene v arterijski fazi (30 sekund) in v fazo portalnega venskega sistema (70 sekund). Naredili smo rekonstrukcija multi-ravninski s portala vensko faze slike. Analiza
Image
Dva radiologi, eno s 3 let, drugi pa z 8 let izkušenj v trebuhu CT opravili sliko analizira skupaj z dogovorom. Če ne bi bilo nesoglasja, se posvetuje z drugo radiolog, ki je imel 20 let izkušenj v trebuhu CT, dokler ne dosežemo dogovor. Izmerili smo in šteje šest kazalnikov o MDCT slik z rokami, kot sledi:
Tumor največji premer
Izmerimo premer raka želodca v aksialni, Krona in sagitalno slike temeljijo slike MPR. In odloča o največji premer tumorja. Bila določena
Pri klasifikaciji tumor
zgodnjega raka želodca ali razvrstitev BORRMANN napredovalega raka na slikah MPR.
Serozne invazije
aksialni in MPR slike so hkrati ocenili za določitev serozne invazija. Celotna zadebelitev želodčne stene nenormalno okrepljeno in linearnega ali reticular strukture v maščobno plast, ki obdaja želodec navedeno serozne invazijo [13].
Število bezgavk
število vseh vidnih želodčnih regionalne bezgavke so na slikah MDCT skupine je štela [14].
največja velikost limfnega vozla
bila izmerjena kratka os največje bezgavke, odkritih v CT slikah.
limfni vozli postaja
bezgavk postajo s MDCT slik, ki temeljijo o je bila določena japonski klasifikacija raka želodca [14].
Support vector machine
metoda podpornih vektorjev za nadzorovano strojno učenje tehnike, ki se pogosto uporablja v težave razpoznavanja vzorcev in razvrstitve. SVM algoritem izvede razvrstitev z izgradnjo večdimenzionalne hiperravnini da optimalno diskriminira med dvema razredoma s čim večjo maržo med dvema podatkovnih skupin. Ta algoritem dosega visoko diskriminatorno moč s pomočjo posebnih nelinearnih funkcij, imenovane jedrca preoblikovati vhodni prostor v večdimenzionalni prostor [15]. V tej študiji je bila na voljo brezplačno SVM programsko opremo, imenovano LibSVM 2.89 uporabi za ustvarjanje modela SVM [16]. Vhodni indeksi so šest kazalnikov, zbranih na MDCT slikah zgoraj. Pri teh kazalnikov, lahko merilni podatki vnesejo na SVM modela neposredno. Medtem ko naj bi se podatki Število opredeljeni kot nekaj številk. Na primer, je bil pozitiven serozne vdor opredeljena kot 1. in negativno bilo -1. Indeks izhod je bezgavkah metastaze iz leta pacienta. Potrdil jo je operacijo in histopatologijo. Če bolnik imel eno ali več bezgavk, se je zdelo kot pozitivna LNM. pozitivno LNM smo definirali kot 1, medtem ko je bilo negativno -1. Izbrali smo RBF jedra za izgradnjo modela. Za usposabljanje in preizkus naše SVM modela smo uporabili standardno strojno učenje tehniko, imenovano k-krat navzkrižne validacije. Ker je celoten vzorec naše raziskave ni bil zelo velik, smo uporabili 5-kratno navzkrižno preverjanje. Celoten podatki so bili razdeljeni v 5 enakih in različnih podskupinah. Štiri od teh podmnožice združimo in se uporabljajo za usposabljanje, in preostali niz se uporablja za testiranje. Ta proces navzkrižno validacijo smo ponovili 5-krat, tako da vsaka podskupina, ki bo nekoč kot niz testnih podatkov.
Statistična analiza
A univariatne statistične analize z uporabo SPSS /PC + različico statističnega programskega paketa 11.5 (SPSS Inc., IL, Chicago, ZDA) je bila izvedena za oceno razlike v šestih kazalnikov slikanja med bolniki, ki so imeli LNM ali ne. Metode statistične analize so bile neodvisne-vzorci za testiranje T in preskusne Mann-Whitney U. P < 0.05 smo imeli pomembne razlike. Sprejemnik, ki delujejo lastnost (ROC) krivulja je bila uporabljena za oceno diagnostične uspešnost modela SVM. Različica Medcalc opreme 11,2 (Medcalc, Medcalc Software, Gent, Belgija) smo uporabili za izdelavo krivulje ROC in jih primerjajo. Če povzamemo, smo povprečno površino pod krivuljo (AUC) krivulj ROC v 5-kratno navzkrižne validacije. Prav tako se šteje sredstva občutljivostjo in specifičnostjo. Za primerjavo z modelom SVM smo gradili ROC krivuljo za oceno radiolog z največjo velikost limfnega vozla kot merilo za razvrstitev LNM. Občutljivost in specifičnost najboljši cut-off point bili prešteti.
Rezultati
V teh 175 primerov je bilo 134 primerov, ki so imeli limfnega vozla metastaze in 41 primerov niso imeli. clinicopathological značilnosti bolnikov so prikazani v tabeli 1. Zbrali smo šest kazalnikov o MDCT slik. Rezultati univariantne statistične analize je pokazala, da vsi šest kazalnikov, vključno s serozne invazije, razvrščanje tumorja, tumorja največjim premerom, število bezgavk, največjo velikost bezgavk in bezgavk postaje so bile značilno razlikovali med LNM pozitivno in negativno skupino (P <0,001). Sredstva za tumorja največjim premerom, število bezgavke, in največja limfnega velikosti vozlišču v LNM pozitivni skupini je bilo 56,6 ± 19,5 mm, 10,0 ± 5,5 mm in 12 ± 8, v tem zaporedju. Vsi so bili višji od tistih LNM negativne skupine (tabela 2) .table 1 bolnikov Značilnosti
Clinicopathological lastnosti
vrednost
No. bolnikov
175
Povprečna starost (y)
59.8 (30-85)
Razmerje žensk do moških
50: 125
histopatologijo
Adenokarcinom
173 ( 98,9%)
dobro diferenciran
6 (3,4%)
zmerno razlikuje
91 (52%)
Slabo razlikujejo
76 (43,5%)
drobnoceličnega karcinoma
2 (1,1%)
bezgavko metastaze
pozitivno
134 (76,6%)
Negative
41 (23,4%)
Opomba .-- številke v oklepajih so navedeni razponi.
Tabela 2 podatki bolnika: podatki 6 indikatorji "iz slik MDCT in rezultati univariantne statistične analize
Bolnik podatki
LNM (. -)
LNM (+)
P vrednost
številko bolnika
41/175 (23,4%)
134/175 (76,6%)
Merjenje podatki *
Tumor maksimalni premer (mm)
39,0 ± 17,0
56,6 ± 19,5
< 0,001
največja velikost bezgavka (mm)
6,5 ± 2,8
10,0 ± 5,5
< 0,001
Število bezgavk
7 ± 4
12 ± 8
< 0,001
Štetje podatkov #
serozne invazije
< 0,001
Da
15/175 (8,6%)
120/175 (68,6%)
št
26/175 (14,8%)
14/175 (8%)
klasifikacija Tumor
< 0,001
zgodnjega raka želodca
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%)
limfni vozli postajo
< 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)
* vrednost podatkov meritev je bila sredstva ± standardni odklon. P vrednost je bila iz Neodvisne-vzorcev testa T.
# Vrednost podatkov štetja je bilo število podatkov. P vrednost je bila iz testa Mann-Whitney U.
Radiolog dosegla AUC 0,757 kot razvrstitev limfnega vozla metastaze bolnika z največjim velikost bezgavk. Najboljši cut-off točka največje velikosti bezgavkah je bila 7,7 mm. Občutljivost in specifičnost je bilo le 63,4% in 75,6%. SVM je sredstvo občutljivosti, specifičnosti in AUC s 5-kratnim prečnim potrjevanju bila 88,5%, 78,5% in 0,876, oziroma (tabela 3). V primerjavi s radiolog vsak AUC 5-kratnih navzkrižno validacije SVM modelov bistveno boljše izvedena (P &0.05) kot radiolog (slika 1, tabela 3). Slika 1 ROC krivulja za LNM. Sprejemnik deluje karakteristika (ROC) krivulja za bezgavk metastaz s 5-kratno navzkrižne validacije SVM modelov in radiolog. AUC k1 do K5 SVM modeli so bili 0.862, 0.866, 0,878, 0,900 in 0876, v tem zaporedju. V primerjavi z radiologa, so bile vrednosti P vsi manj kot 0,05 (tabela 3). Za SVM model petih je bila povprečna AUC enaka 0,876. In AUC velikosti radiolog, ki temelji LN je bil 0,757.
Tabela 3 AUC SVM modela in radiologa
Model

K-fold

Sensitivity

Specificity

AUC*

P vrednost (AUC v primerjavi z Radiologist)
SVM
K1
0,881
0.780
0.862 ± 0.038
0,002
K2
0,866
0,780
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
< 0,001
K5
0.888
0.780
0.876 ± 0,038
< 0,001
pomeni
0,885
0,785
0,876
Radiolog
0,634
0,756
0,757 ± 0,042
občutljivosti, specifičnosti in AUC 5-kratnih navzkrižne validacije SVM modelov in radiolog za diagnosticiranje limfnega vozla metastaze bolnika.
* vrednost o so podatki AUC ± standardni odklon.
Razprava
limfnega vozla metastaze vpliva na kirurško zdravljenje bolnikov z rakom želodca in je prav tako pomemben dejavnik pri prognozo. Trenutno predoperativna diagnoza predvsem odvisno od različnih načinov slikanja. Standard za presojanje limfnega vozla metastaze temelji na morfoloških kazalnikov. Velikost bezgavka je glavni indikator. Vendar Dorfman RE et al poročali, da je zgornja meja normalne velikost bezgavk v trebuhu računalniške tomografije je spreminjala od 6 do 11 mm [17]. Se delno prekrivajo z malignim limfadenopatijo. Fukuya T et al pokazala, da bi CT slabljenje in konfiguracija limfna vozlišča pomoč pri diagnosticiranju malignih adenopatija [18]. Ravno nasprotno, Deutch SJ et al izrazil, da je velikost, lokacijo, obris, gostota niso bili v pomoč pri razlikovanju benignih od malignih limfadenopatijo [19]. Pomanjkanje meril za presojanje je glavna ovira za napovedovanje bezgavk metastaz predoperativno.
Biološko vedenje raka želodca odraža histopatološko uspešnost malignance in invazije tumorskih je. To vpliva na bezgavkah metastaze, neposredno ali posredno. Betonski manifestacija biološke obnašanja vključuje, na primer, velikost tumorja, globina invazije, tumorske invazije drugih organov, limfnega vozla metastaz in oddaljenih metastaz. MDCT mogoče jasno prikazati te patološke pojave. Nekatere študije so poročali, da je bila natančnost želodčnega raka T uprizoritev z MDCT v kombinaciji s 3D rekonstrukcijo 84-89% [20, 21]. Zhang XP sod poročali, da je število bezgavk, ki jih MDCT odkritih pokazali pomembno razliko med metastaziranje skupino bezgavkah in brez metastaziranje skupine raka srčnega [22]. MDCT lahko kažejo tudi razmere v drugih trebušnih organov in potrebušnice. Zato lahko MDCT slikanje natančno odražajo biološko obnašanje želodca histopatologijo raka. Univariatne analize v naši raziskavi so pokazali, da imajo 6 kazalniki želodca informacij rak in bezgavke na CT slikah vse odnos do LNM. Torej bi morali upoštevati te biološke vedenjske dejavnike celovito pri napovedovanju LNM.
Je bilo nekaj drugih strojno učenje metode, ki se uporabljajo v medicinskih raziskavah. Predvsem je bila metoda umetne nevronske mreže (ANN). ANN se šteje, da je ustrezna metoda za medicinske analize podatkov [23]. Bollschweiler et al uporablja enoslojne perceptrona, ki je neke vrste nevronske mreže, napovedati bezgavko metastaze raka želodca. Natančnost nevronske mreže je 79% [24]. Vendar je imela ANN nekaj slabosti. Ann model je bil nagnjen k prenasičenja. To zahteva dolgotrajen razvoj in čas za optimizacijo. Bili so bolj težko uporabljati na terenu, ker računskih zahtev [25]. Ob upoštevanju zgoraj navedenih razlogov, smo izbrali model SVM namesto. SVM lahko povzroči manjšo napako predvidevanja glede na razvrščevalce na podlagi druge metode, kot so umetne nevronske mreže [26]. V primerjavi z ANN, lahko SVM imajo isto še bolje napovedno sposobnost [27, 28]. Trenutno obstaja nekaj poročil o uporabi SVM v želodčni rak bezgavk metastaz. Kot predhodne študije, naši rezultati kažejo, da je SVM modela boljše diagnostične zmogljivosti za LNM od tradicionalnih meril velikosti LN. AUC je dosegla dober diagnostični moč. Z nadaljnjim izboljševanjem lahko SVM postane učinkovita metoda za napovedovanje bezgavko uprizoritev raka želodca.
Sklepe primerjavo na podlagi bioloških podatkov obnašanja raka želodca na MDCT slik, lahko SVM modela diagnosticiranje limfnega vozla metastaze na predoperativno.
IZJAVE
Zahvala
Zahvaljujemo Jie Li, Yong Cui, Li-Ping Qi, Xiao-Ting Li za uredniško podporo in junij Shan, Ning Wang, Li Ying, Shun-Yu Gao za pregled rokopis.
Projekt podpira National Natural Science Foundation Kitajske (Grant No. 30970825) in Pekingu občinskega Natural Science Foundation (št 7.092.020). originalne predložene datoteke
avtorjev za slike
Spodaj so povezave do avtorjev "prvotna prenosov datotek za slike. Izvirna datoteka 12885_2010_2503_MOESM1_ESM.jpeg avtorjev na sliki 1 Konkurenca interesov
Avtorji izjavljajo, da nimajo konkurenčnih interesov.

• Spremembe v E-kadherina in beta-catenin v želodcu cancer
• Izražanje p53, inducibilne sintaze dušikovega oksida in žilnega endotelija rastnega faktorja v želodcu predrakavih in rakavih poškodb: korelacija s klinično features