En bevisande resonemang baserad modell för diagnos av lymfkörteln metastasering i magcancer

En bevisande resonemang baserad modell för diagnos av lymfkörteln metastasering i magcancer Bild Sammanfattning
Bakgrund
Lymfkörtel metastaser (LNM) i magcancer är en mycket viktig prognostisk faktor som påverkar långtidsöverlevnaden. För närvarande är flera vanliga avbildningstekniker användes för att utvärdera lymfkörtel status. De är emellertid oförmögna att uppnå både hög känslighet och specificitet samtidigt. För att hantera denna komplexa fråga, är en ny bevisande resonemang (ER) baserad modell som föreslås för att stödja diagnos av LNM i magcancer.
Metoder
Det finns 175 konsekutiva patienter som gick igenom multidetector datortomografi (MDCT) följd innan operationen. Åtta indikatorer, som är serosala invasion, tumör klassificering, tumörförbättring mönster, tumörtjocklek, antal lymfkörtlar, maximal lymfkörtel storlek, lymfkörtel station och lymfkörtel förbättring används för att utvärdera tumören och lymfkörteln genom CT-bilder. Samtliga ovanstående indikatorer återspeglar den biologiska beteende magcancer. En ER baserad modell konstrueras genom att ta dessa indikatorer som indata index. Utgången Index avgör huruvida LNM ska användas för patienterna, som beslutas av kirurgi och histopatologi. En teknik som kallas k-faldig korsvalidering används för träning och testning av nya modellen. Den diagnostiska förmåga LNM utvärderas av Receiver Operating Characteristic (ROC) kurvor. En radiolog klassificerar LNM genom att anta lymfkörtel storlek för jämförelse.
Resultat
134 av 175 fall finns fall av LNM, och resterna inte. Åtta indikatorer har statistiskt signifikant skillnad mellan de positiva och negativa grupper. Känsligheten, specificiteten och AUC för ER baserade modellen är 88,41%, 77,57% och 0,813 respektive. Men för radiologen att utvärdera LNM med maximalt lymfkörtel storlek, motsvarande värden är endast 63,4%, 75,6% och 0,757. Därför kan den föreslagna modellen få bättre prestanda än radiologen. Dessutom den föreslagna modellen överträffar även andra metoder maskininlärning.
Slutsatser
Enligt den biologiska beteende information magcancer, kan ER baserad modell diagnostisera LNM effektivt och preoperativt.
Nyckelord
Magcancer Lymph nod metastaser bevisande resonemang bakgrund
Gastric cancer har blivit en av de viktigaste orsakerna till cancerrelaterade dödsfall i världen [1]. Lymfkörtel metastas (LNM) är en mycket viktig prognostisk faktor när det gäller långsiktig överlevnad [2]. TNM en mellansystem baserat på amerikanska kommittén för cancer tas som utvärderade standard och har allmänt accepterat [3]. Baserat på denna standard är 5-års överlevnad på patienter i N0 stadium efter operationen 86,1%, medan scenpatienter N1, N2 och N3 kan erhålla 58,1%, 23,3% och 5,9%, respektive [4].
Närvarande , läkare diagnostisera LNM empiriskt baserat på storleken av lymfkörtlar som bygger på olika avbildningsmetoder, såsom endoskopisk ultraljud (EUS), buken ultraljud, multi-slice spiral datortomografi (CT), magnetisk resonanstomografi (MRT) och Positron Emission beräknat tomografi (PET). Däremot kan ingen av ovanstående bildframställning förvärva lymfkörtel status på ett tillfredsställande sätt. Samtidigt visar en systematisk översyn att EUS, MDCT, konventionell MRI, och FDG-PET inte kan användas för att bekräfta eller utesluta förekomsten av LNM tillförlitligt [2]. Anledningen är att stora lymfkörtlar kan orsakas av inflammation, medan små kan orsakas av metastaser. Därför är enda lymfkörtel storlek inte en stark prediktor. I själva verket har många studier visat att LNM är relaterad till tumörstorlek, patologiska lymfatiska engagemang histologiska typ och andra faktorer [5-8]. Därför bör man överväga en metod som kombinerar lymfkörtel storlek med dessa faktorer. Dessutom har några undersökningar [9-11] diskuterade de diagnostiska funktionerna i morfologiska egenskaper i ändtarmen cancer. Enligt dessa studier, kan morfologiska kännetecken, inklusive gräns kontur och signalstyrkan i lymfkörtlar delvis förbättra den diagnostiska förmågan av metastaser. Men dessa studier är främst inriktade på MRI i ändtarmen cancer. För patienter med magcancer i klinisk praxis, är buken CT en vanligare använda imaging modalitet än MRT-undersökning. Därför anser vi att bygga en modell för att diagnostisera LNM med flera indikatorer.
Eftersom det finns kvalitativa och kvantitativa data i åtta indikatorer, en metod som kan integrera dessa två typer av uppgifter bör antas. ER tillvägagångssätt ursprungligen föreslogs att hantera flera attribut beslutsanalys problem som involverar både kvalitativa och kvantitativa attribut under osäkerhet [12]. Kärnan är ER algoritm som utvecklats på grundval av beslutsteori och Dempster-Shafer (D-S) teori om bevis [13, 14]. ER kan integrera kvalitativ information och kvantitativa uppgifter rimligen är det tillämpas. Ett av målen i denna uppsats är att analysera vilka indikatorer är relaterade till den biologiska beteende magcancer och konstruera en matematisk modell för att bedöma LNM preoperativt.
Metoder
Patienter
I detta experiment, 175 CT fall erhållna från Peking University Cancer Hospital & Institute (Beijing, Kina P.R.) utgör provuppsättning. Enligt den internationella behandling riktlinje för magcancer, är CT en av de vanligaste inspektioner [15]. Emellertid är andra metoder såsom PET och EUS används som valda check. Dessa patienter administrerades preoperativ kontrastförbättring buken i CT-undersökningar och fick gastrektomi mellan april 2006 och september 2008. Denna retrospektiva studie godkändes av Institutional Review Board (IRB). De var preoperativt undersöktes med MDCT. Observera att vi har fått informerat samtycke från alla utvalda patienter före rutinmässig klinisk loppet av CT-undersökningar. Det finns 125 män och 50 kvinnor bland dessa patienter, och deras medelålder är 59,8 år. Detaljerna visas i Tabell 1.Table 1 Patientegenskaper
Clinic patologiska funktioner
Värde
Antal patienter
175
Medelålder (y) Review 59,8 (30-85) Review Förhållandet mellan män till kvinnor
125: 50
Histopatologi
Adenocarcinom
173 (98,9%) Review Väl differentierade
6 (3,4%)
Måttligt differentierat
91 (52%) katalog Dåligt differentierade
76 (43,5%) Review Småcellig carcinom
2 (1,1%) Review lymfkörtel metastas
Positiv
134 (76,6%) Review Negativ
41 (23,4%) Review indikatorer
Det finns åtta indikatorer som extraherats med hjälp av två radiologer, en med tre år och en annan med åtta års erfarenhet i buken CT. De åtta indikatorer mättes och räknades manuellt på MDCT bilder på följande sätt: (1) serosala invasion: Axial och MPR-bilder utvärderas för att bestämma den serosala invasionen samtidigt. Hela förtjockning magsäcksväggen onormalt ökar linjära eller retikulära strukturer i fettlagret kring magen indikerade serosala invasion [16]
(2) Tumör klassificering. Tidig magsäckscancer eller Bormann klassificering av avancerad cancer i MPR bilder är . bekräftade
(3) Tumör förbättring mönster. Tumör förbättring är uppdelad i tre mönster på portalen fasen av CT-bilder, som är slemhinneyta förbättring, homogen förbättring och heterogena förbättring
(4) tumörtjocklek: Den maximala tjockleken av tumör mäts vid de axiella CT-bilder
(5) Antalet lymfkörtlar. Antalet gastric regionala lymfkörtlar med storlek större än 3 mm i MDCT bilder av grupper räknas [17]. Som lymfkörtlarna, som är mindre än 3 mm, är för liten för att göra dem urskiljbara, de utelämnade
(6) Maximal lymfkörtel storlek. Den korta axeln av de största lymfkörteln upptäckts i CT-bilder mäts
(7) lymfkörtel~~POS=TRUNC station. lymfkörteln station med MDCT bilder baserat på den japanska klassificering av magcancer bestäms [17]
(8) lymfkörtel~~POS=TRUNC förbättring.: det betyder CT dämpningsvärdet av lymfkörteln, som mäts vid portafasen av CT-bilden.
i detta dokument är alla indikatorer mäts manuellt. Antalet lymfkörtlar är mängden av lymfkörtlar runt magen. Maximal lymfkörtel storlek och lymfkörtel förbättring utvinns ur den maximala lymfkörteln. Målet är att förutsäga huruvida LNM inträffar annan än maximal lymfkörtel har LNM. Med andra ord är ändamålet att förutsäga huruvida LNM inträffar för varje patient. Det slutliga resultatet för LNM diagnos bestäms av kirurgi och histopatologi. Den patologiska resultat kan definitivt bekräfta huruvida LNM sker eller inte. Vi vill inte att förutsäga metastas för varje lymfkörtel. Anledningen är att en-till-en lymfkörtel korrespondens med CT och patologi beror på mycket exakt och goda erfarenheter av radiologer. Det är oftast inte konsekvent adekvat för olika radiologer, som kan påverka förutsägelse noggrannhet den matematiska modellen. Därför gjorde vi inte göra en-till-en motsvarighet för varje lymfkörtel. Detaljerna beskrivs i tabell 2.Table 2 Beskrivning av åtta indikatorer
patientdata
LNM (-)
LNM (+)
Patient nummer
41/175
134/175
Mätdata
Tumör tjocklek (mm) Review 13,3 ± 14,0
16,6 ± 28,4
Maximal lymfkörtel storlek (mm) Review 6,5 ± 2,8
10,0 ± 5,5
Antalet lymfkörtlar
7 ± 4
12 ± 8
Lymfkörtel förbättring
39,5 ± 58,5
62,5 ± 66,5
Räkna uppgifter
Tumör förbättring mönstrar iphone mönster 1
13/175
6/175
mönster 2 Review 26/175
118/175
mönster 3
2/175
10/175
serosala invasion
Ja
15/175
120/175
nr
26/175 14/175
Tumör klassificering
Tidig magcancer
9/175
1/175
Borrmann I
2/175
0/175
Borrmann II
3/175
9/175
Borrmann III
27/175
121/175
Borrmann IV
0/175
3/175
lymfkörtlar station
Station 1
29 /
175 44/175
Station 2
12/175
54/175
Station 3
0/175
36/175
värdet av mätdata mättes manuellt och dataräkningen var antalet uppgifter.
ER baserad modell
i denna modell representerar vi varje fall av en över komplett lexikon vars element är träningsproverna. Om tillräcklig utbildning prover finns tillgängliga från varje klass, kommer det att vara möjligt att representera provet.
Antag att utbildnings prover betecknas med X = {x
1
X
2 Review, ..., X
p
}
∈ R
mxn
, där n
är antalet övningsprov, och m
är antalet indikatorer. y
∈ {1,2, ..., p} är
är etiketten och p
klassen index. T = [T
1
T
2 Review ..., T
m
]
T
betecknar ett testprov. Över komplett lexikon A
betecknas på följande sätt: A
=
A
1

1

A
1

2 Review
...

A
1

n
A
2 Review
1

A
2

2 Review
...

A
2 Review
n
...

...

...

...
A
m

1

A
m

2 Review
...

A
m

n
(1) Här A
består av övningsprov och En
m, n
representerar varje indikator i övningsprov. Enligt gränserna för ER, bör kolumnerna i A Mössor och T
normaliseras först. Då varje indikator T i
i provet representeras av A Mössor och motsvarande koefficienter w
i
, i
= 1,2, ..., m
. Sedan använder vi ER analytisk algoritm [13] enligt följande: 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) Samtliga indikatorer i T
kan representeras av A
och w
i
, i
= 1,2, ..., m
hjälp av ER strategi. Antag att ER
representerar ER tillvägagångssätt. Därför T
representeras på följande sätt: T
=
ER
A

ω
(4) där ω∈R
n
är koefficientvektorn. Det är dock inte möjligt att garantera en optimal lösning och i stället vi ersätta den med den ungefärliga lösning som i ekvation (5): T
≈
ER
A

ω
(5) Eftersom den nya fall i tillräcklig utsträckning kan representeras av utbildnings prover från samma klass, vi få förutsägelse av ω. model
0.948
0.020
0.000
0.908
0.988
ANN
0.798
0.043
0.000
0.713
0.882
SVM Alla författare läst och godkänt den slutliga manuskriptet.

• Polymorfism hos TGFB1 och VEGF gener och överlevnaden hos patienter med magsäcks cancer
• Genomsekvensen av Helicobacter suis stöder sin roll i gastric patologi