Stöd vektor modell maskin för diagnos av lymfkörteln metastasering i magsäckscancer med multidetector datortomografi: en preliminär study

stödmodell vektor maskin för diagnos av lymfkörteln metastasering i magsäckscancer med multidetector datortomografi: en förstudie Bild Sammanfattning
Bakgrund
Körtelcelscancern metastaser (LNM) av magcancer är en viktig prognostisk faktor när det gäller långsiktiga överlevnad. Men flera avbildningstekniker som vanligtvis används i magen kan inte på ett tillfredsställande sätt bedöma magcancer lymfkörtel status. De kan inte uppnå både hög känslighet och specificitet. Som ett slags maskininlärningsmetoder, har stödvektormaskin potential att lösa denna komplicerade fråga.
Metoder
Institutional Review Board godkänt denna retrospektiva studie. 175 konsekutiva patienter med magcancer som genomgick MDCT före operation ingick. Vi utvärderade tumör och lymfkörtel indikatorer på CT-bilder, inklusive serosala invasion, tumör klassificering, tumör maximal diameter, antal lymfkörtlar, maximal lymfkörtel storlek och lymfkörtlar station, vilket återspeglade den biologiska beteende magcancer. Univariat analys användes för att analysera förhållandet mellan de sex bild indikatorer med LNM. En SVM modell byggdes med dessa indikatorer ovan som indata index. Utsignalen index var att lymfkörtel metastas av patienten var positivt eller negativt. Det bekräftades genom kirurgi och histopatologi. En standardmaskin-learning teknik som kallas k-faldig korsvalidering (5 gånger i vår studie) användes för att träna och testa SVM modeller. Vi utvärderade diagnostiska förmåga SVM modeller lymfkörtel metastas med mottagaren arbetar karakteristiska (ROC) kurvor. Och radiolog klassificeras lymfkörteln metastasering av patienter med maximal lymfkörtel storlek på CT-bilder som kriterium. Vi jämförde de områden som ROC kurvor (AUC) för radiologen och SVM modeller.
Resultat
I 175 fall, fall av lymfkörtelmetastaser var 134 och 41 fall som inte var. De sex bildindikatorer alla hade statistiskt signifikanta skillnader mellan LNM negativa och positiva grupper. Den typ av känslighet, specificitet och AUC för SVM modeller med 5-faldig korsvalidering var 88,5%, 78,5% och 0,876 respektive. Medan den diagnostiska kraften i radiolog klassificera lymfkörteln metastasering av maximal lymfkörtel storlek var endast 63,4%, 75,6% och 0,757. Varje SVM modell av fem-faldig korsvalidering utförs betydligt bättre än radiologen.
Slutsatser
Baserat på biologiska beteende information magcancer på MDCT bilder, kan SVM modell hjälpa diagnostisera lymfkörtel metastas preoperativt.
bakgrund
Gastric cancer är en av de främsta orsakerna till cancerrelaterade dödsfall i världen [1]. Lymfkörtel status är en viktig prognostisk faktor när det gäller långsiktig överlevnad [2]. Den TNM baserad på amerikanska kommittén för cancer (AJCC) accepteras allmänt nu [3]. 5-års överlevnad av patienterna i N0 scenen efter operationen var 86,1%, medan scen patienterna N1, N2 och N3 sjönk till 58,1%, 23,3% och 5,9%, respektive [4].
Närvarande många avbildningstekniker har använts för att utvärdera gastrisk cancer, inklusive abdominal ultrasound, endoskopisk ultraljud (EUS), multi-slice spiral CT, konventionell MRI, och FDG-PET. Dock kan dessa avbildningsmetoder inte tillförlitligt bekräfta eller utesluta förekomsten av lymfkörteln metastaser [1]. En metaanalys visade att den genomsnittliga känsligheten och specificiteten för att bestämma LN metastaser var följande: 39,9% och 81,8% för buken ultraljud, 70,8% och 84,6% för endoskopisk ultraljud, 80,0% och 77,8% för MDCT, 68,8% och 75,0% för konventionell MRI, 34,3% och 93,2% för FDG-PET, och 54,7% och 92,2% för FDG-PET /CT [2]. Varje enskild tillämpning av dessa bildframställning kan inte på ett tillfredsställande sätt bedöma magcancer lymfkörtel status. Anledningen är att vi diagnostisera huvudsakligen LNM av storleken av lymfkörtlar. De diagnostiska kriterierna varierar från 5 mm till 10 mm [2]. Men de stora lymfkörtlar kan orsakas av inflammation och de små lymfkörtlar kan vara metastatisk. Många studier har visat att magcancer LN metastaser var associerad med tumörstorlek, djup invasion, histologiska typ och patologisk lymfatiska engagemang [5-8]. Det finns ingen lämplig metod att kombinera lymfkörtel storlek med de många faktorer som beskrivs ovan för att göra en omfattande analys. Hur man kan integrera de komplexa faktorer som påverkar lymfkörtlar och förbättra noggrannheten i diagnostisera LNM är ämnet för vår studie.
Under det senaste decenniet, maskininlärningsmetoder, som kompletterar traditionella statistiska metoder, använts för att förutsäga komplexa biologiska fenomen . Support Vector Machine är en ny generation av lärande algoritmer utvecklats på grundval av statistisk teori. SVM algoritm har en stark teoretisk grund, baserat på idéer VC (Vapnik Chervonenkis) dimension och strukturell riskminimering. Det har uppfyllt noggrannhet [9]. SVM har använts i vissa medicinska tillämpningar, främst inom molekylärbiologi och neuroradiologiska [10-12]. Det kan användas för klassificering och regression. Givet en uppsättning av träningsexempel, var märkta som tillhör en av två kategorier, en SVM lärande algoritm bygger en modell som förutsäger om ett nytt exempel faller i en kategori eller det andra.
Syftet med denna studie är att använda SVM metod för att analysera MDCT imaging information relaterad till den biologiska beteende magcancer och fastställa de matematiska modeller för att bedöma lymfkörtel metastas preoperativt.
metoder
Patienter
Denna retrospektiva studie godkändes av vår Institutional Review board. Mellan april 2006 och september 2008 var 368 konsekutiva patienter med nydiagnostiserad magcancer administreras preoperativa kontrasthöjande buken CT-undersökningar och sedan fick gastrektomi på vårt sjukhus. Patienterna motsvarade inkludering och uteslutningskriterier nedan ingick i denna studie inklusionskriterier.
Patienterna fick radikal gastrektomi och D2 lymfkörtlar dissektion. De var preoperativt undersöktes med flera detektor rad CT. Alla patienter bekräftades som magcancer av postoperativ histopatologi.
Uteslutningskriterier
patienterna fick preoperativ neoadjuvant behandling. Avlägsna metastaser återfanns i den preoperativa undersökningen eller vid driften
Slutligen 175 patienter (125 hanar, 50 honor, medelålder, 59,8 år; range, 30-85 år). Omfattade vårt studiepopulationen. Vi fick informerat samtycke från alla utvalda patienter innan rutinen kliniska förloppet av CT-undersökningar
CT protokoll
MDCT utfördes med hjälp av en 64-detektor rad datortomografen (Lightspeed 64, GE Healthcare, Milwaukee, Wis).. Varje patient fastade under mer än 8 timmar före CT-undersökningen. För att möjliggöra gastrisk utvidgning och minska gastrisk motilitet, erhöll patienterna 8 g gasproducerande kristaller oralt och en intramuskulär injektion av 10 mg anisodamine 10-15 minut innan undersökningen. Övre delen av buken icke kontrastförstärkt datortomografi från diafragma kupoler till 2 cm under den nedre kanten av luft utspänd gastric kropp förvärvades med en kollimering av 0,625 mm, 120-140 kVp och 300-350 mAs. Därefter, totalt 100 ml iopromid (Ultravist; Schering, Berlin, Tyskland) administrerades intravenöst genom en 18-gauge angiografisk kateter införd i en antekubitalvenen vid 3 ml /sek med användning av en automatisk injektor. Kontrastförstärkt datortomografi utfördes i arteriella fas (30 sekunder) och i portafasen (70 sekunder). Vi gjorde flera plana rekonstruktion med portafasen bilden.
Bildanalys
Två radiologer, en med 3 år och den andra med 8 år erfarenhet i buken CT utfört bild analyserar gemensamt avtal. Om det fanns oenighet konsulte de med en annan radiolog som hade 20 år erfarenhet i buken CT tills en överenskommelse nåddes. Vi mätte och räknade sex indikatorer på MDCT bilder av händer följande:
Tumor maximal diameter
Mät diametern på magcancer i axiell, koronal och sagittal bilder baserade MPR-bilder. Och besluta tumören maximal diameter.
Tumör klassificering
tidig magcancer eller Borrmann klassificering av framskriden cancer i MPR-bilderna bestämdes.
Serosala invasion
axiella och MPR-bilderna samtidigt utvärderas för att bestämma serosala invasion. Hela förtjockning magsäcksväggen onormalt förhöjd och linjär eller retikulära strukturer i fettlagret kring magen indikerade serosala invasion [13].
Antal lymfkörtlar
Antalet alla synliga gastric regionala lymfkörtlar i MDCT bilder av grupper räknades [14] Lymph.
Maximal lymfkörtel storlek
kort axel största lymfkörteln upptäckts i CT-bilder mättes.
noder station
lymfkörtlar station med MDCT bilder baserat på den japanska klassificering av magcancer bestämdes [14].
stödvektormaskin
Support Vector Machine är en övervakad maskininlärningsteknik som ofta används i problem mönsterigenkänning och klassificering. SVM algoritm utför en klassificering genom att konstruera en flerdimensionell hyper som är optimalt skiljer mellan två klasser genom att maximera marginalen mellan två datakluster. Denna algoritm uppnår hög diskriminerande strömmen med speciella icke-linjära funktioner kallas kärnor för att omvandla ingångsutrymmet i en flerdimensionell utrymme [15]. I denna studie var en fri tillgängliga SVM programvara kallad LibSVM 2,89 används för att generera SVM modellen [16]. Ingångs index var sex indikatorer som samlats på MDCT bilderna ovan. För dessa indikatorer, kan mätdata skrivas in till SVM modell direkt. Medan räknedata bör definieras som några siffror. Till exempel var positiv serosala invasion definieras som en och negativa var -1. Utsignalen index var den lymfkörtel metastas av patienten. Det bekräftades genom kirurgi och histopatologi. Om patienten hade en eller flera lymfkörtlar metastas, ansågs det som positivt LNM. Vi definierade positiva LNM som en medan den negativa var -1. Vi valde RBF kernel för att bygga modellen. Att träna och testa vår SVM modell använde vi en standardmaskin-learning teknik som kallas k-faldig korsvalidering. Eftersom hela provstorleken med vår studie var inte mycket stor, använde vi fem-faldig korsvalidering. Hela data var uppdelade i 5 lika stora och distinkta undergrupper. Fyra av dessa delmängder kombineras och används för utbildning och den återstående uppsättningen används för testning. Denna korsvalideringsprocess upprepades 5 gånger, så att varje delmängd för att tjäna en gång som testdatamängden.
Statistisk analys Review, en univariat statistisk analys med hjälp av SPSS /PC + statistiska programpaket version 11.5 (SPSS Inc., IL, Chicago, USA) utfördes för att utvärdera skillnaderna i sex avbildningsindikatorer mellan de patienter som hade LNM eller inte. De statistiska analysmetoder var Independent-prover t-test och Mann-Whitney U test. P < 0,05 ansågs signifikant skillnad. Receiver Operating Characteristic (ROC) kurvan användes för att utvärdera den diagnostiska prestanda SVM modellen. Den MedCalc version 11.2 (MedCalc, MedCalc Software, Ghent, Belgien) användes för att göra ROC kurvor och jämföra dem. I sammanfattning, vi i genomsnitt området under kurvan (AUC) för de ROC kurvor av den 5-faldigt korsvalidering. Vi räknas också medel för känslighet och specificitet. Att jämföra med SVM modellen, konstruerade vi ROC-kurvan för radiolog bedömning genom att använda maximal lymfkörtel storlek som kriterier för att klassificera LNM. Känsligheten och specificiteten av de bästa brytpunkt räknades.
Resultat
I dessa 175 fall fanns 134 fall som hade lymfkörteln metastasering och 41 fall hade inte. Patienternas kliniskt patologiska funktioner har i detalj på tabell 1. Vi samlade de sex indikatorer på MDCT bilder. Resultaten av univariata statistiska analysen visade att alla sex indikatorer inklusive serosala invasion, tumör klassificering, tumör maximal diameter, antal lymfkörtlar, maximal lymfkörtel storlek och lymfkörtlar station var signifikant olika mellan LNM positiva och negativa gruppen (P < 0,001). Medlen för tumör maximal diameter, antal lymfkörtlar, och maximal lymfkörtel storlek i LNM positiva gruppen var 56,6 ± 19,5 mm, 10,0 ± 5,5 mm, och 12 ± 8, respektive. De var alla högre än LNM negativ grupp (tabell 2) .table 1 patientkarakteristika
kliniskt patologiska egenskaper
Värde
Nej av patienterna
175
Medelålder (y) Review 59,8 (30-85) Review Förhållandet mellan kvinnor och män
50: 125
Histopatologi
Adenocarcinom
173 ( 98,9%) Review Väl differentierad
6 (3,4%) Review Måttligt differentierat
91 (52%) katalog Dåligt differentierade
76 (43,5%)
Småcellig carcinom
2 (1,1%) Review lymfkörtel metastas
Positiv
134 (76,6%) Review Negativ
41 (23,4%) Review Obs .-- siffror inom parentes är intervallen.
Tabell 2 Patient data: de 6 indikatorer 'data för de MDCT bilder och resultaten av univariat statistisk analys
Patientdata
LNM (. -)
LNM (+)
P-värde
Patient antal
41/175 (23,4%) Review 134/175 (76,6%)
Mätdata *
Tumör maximal diameter (mm) Review 39,0 ± 17,0
56,6 ± 19,5 Hotel < 0,001
maximal lymfkörtel storlek (mm) Review 6,5 ± 2,8
10,0 ± 5,5 Hotel < 0,001
Antal lymfkörtlar
7 ± 4
12 ± 8 Hotel < 0,001
räknedata #
serosala invasion Hotel < 0,001
Ja
15/175 (8,6%) Review 120/175 (68,6%) katalog nr
26/175 (14,8%) Review 14/175 (8%)
Tumör klassificering Hotel < 0,001
tidig magcancer
9/175 (5,1%) katalog 1/175 (0,6%) katalog BorrmannI
2/175 (1,1%)
0/175
BorrmannII
3/175 (1,7%)
9/175 (5,1%) Review Borrmann III
27/175 (15,4%) Review 121 /175 (69,1%) Review Borrmann IV
0/175
3/175 (1,7%) Review lymfkörtlar station
< 0,001
Station1
29/175 (16,6 %) katalog 44/175 (25,1%) Review Station2
12/175 (6,9%) Review 54/175 (30,9%) Review Station3
0/175
36 /175(20.5) Review * värdet av mätdata var medelvärde ± standardavvikelse. P-värdet var från Independent-prov T-test.
# Värdet av dataräkningen var antalet uppgifter. P-värdet var från Mann-Whitney U-test.
Radiolog uppnått en AUC av 0,757 som klassificera lymfkörteln metastasering av patienten genom maximal lymfkörtel storlek. Det bästa brytpunkten för maximal lymfkörtel storleken var 7,7 mm. Känsligheten och specificiteten var endast 63,4% och 75,6%. SVM: s hjälp av känslighet, specificitet och AUC med 5-faldig korsvalidering var 88,5%, 78,5% och 0,876 (tabell 3). Jämfört med radiolog, var AUC av de 5-faldiga korsvaliderings SVM modeller presterade signifikant bättre (P < 0,05) än radiologen (figur 1, tabell 3). Figur 1 ROC-kurvan för LNM. Receiver Operating Characteristic (ROC) kurvan för lymfkörtel metastas med 5-faldiga korsvaliderings SVM modeller och röntgenläkare. AUC för k1 att K5 SVM modeller var 0,862, 0866, 0,878, 0,900 och 0876, respektive. Jämfört med radiolog, P värdena var alla mindre än 0,05 (tabell 3). För de fem SVM modellerna medelvärdet av AUC var 0,876. Och AUC för radiologen baserad LN storlek var 0,757.
Tabell 3 AUC för SVM modell och radiolog
Model

K-fold

Sensitivity

Specificity

AUC*

P värde (AUC jämfört med radiolog)
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
betyda
0,885
0,785
0,876
radiolog
0,634
0,756
0,757 ± 0,042
känslighet, specificitet och AUC för 5-faldiga korsvalidering SVM modeller och radiolog för att diagnostisera lymfkörteln metastasering av patienten.
* värdet av data var AUC ± standardavvikelse.
Diskussion
Lymfkörtel metastas påverkar kirurgisk behandling av patienter med gastrisk cancer och är också en viktig faktor för prognos. För närvarande beror preoperativ diagnos främst på olika avbildningsmetoder. Standarden för bedömning lymfkörteln metastaser är beroende av morfologiska indikatorer. Lymfkörtel storlek är den dominerande indikator. Men rapporterade Dorfman RE et al att de övre gränserna för det normala för lymfkörtel storlek på buken datortomografi varierade från 6 till 11 mm [17]. De överlappade delvis med malign lymfadenopati. Fukuya T et al visade att CT dämpning och lymfkörtel konfiguration kan underlätta diagnos av malignt adenopati [18]. Tvärtom, Deutch SJ et al uttryckte att storlek, läge, kontur, densitet var inte bra att skilja godartade från maligna lymfadenopati [19]. Brist på kriterier för att bedöma är det huvudsakliga hindret för att förutsäga lymfkörteln metastasering preoperativt.
Biologiska beteende magcancer speglar histopatologiska prestanda tumörens malignance och invasion. Det påverkar lymfkörtel metastas direkt eller indirekt. Den konkret manifestation av den biologiskt beteende innefattar, till exempel, tumörstorlek, djup av invasion, tumörinvasion av andra organ, lymfkörtel metastas och avlägsna metastaser. MDCT kan tydligt visa dessa patologiska händelser. Vissa studier har rapporterat att noggrannheten för magcancer T iscensättning med MDCT kombination med 3D-rekonstruktion var 84-89% [20, 21]. Zhang XP et al rapporterade att antalet lymfkörtlar som detekteras av MDCT visade en signifikant skillnad mellan den lymfkörtel metastas grupp och ingen metastas grupp i hjärt cancer [22]. MDCT kan också indikera situationen i andra bukorganen och bukhinnan. Därför kan MDCT avbildning spegla den biologiska beteende magcancer histopatologi. Univariat analys i vår studie visade att 6 indikatorer för magcancer och lymfkörtlar information om CT-bilder har alla en relation till LNM. Så vi bör överväga dessa biologiska beteende faktorer omfattande förutsäga LNM.
Det fanns några andra maskininlärningsmetoder som används i medicinska studier. Den huvudsakligen metoden var artificiellt neuralt nätverk (ANN). ANN anses vara en lämplig metod för medicinsk dataanalys [23]. Bollschweiler et al tillämpat en single-layer perceptron, som är en typ av ANN, att förutsäga lymfkörtelmetastaser i magcancer. Riktigheten i ANN var 79% [24]. Emellertid ANN hade vissa nackdelar. ANN modell var benägna att overfitting. Det krävs lång utveckling och tid för att optimera. De var svårare att använda på fältet på grund av beräkningskraven [25]. Mot bakgrund av ovanstående skäl valde vi SVM modell i stället. SVM kunde producera lägre prediktionsfelet jämfört med klassificerare baserade på andra metoder som artificiella neuronnät [26]. Jämfört med ANN kan SVM ha samma ännu bättre prediktiva förmåga [27, 28]. För närvarande finns det få rapporter om tillämpningen av SVM i magcancer lymfkörtel metastas. Som en förstudie, våra resultat tyder på att SVM modellen har bättre diagnostisk kapacitet för LNM än de traditionella LN storlekskriterierna. AUC har uppnått en god diagnostisk kraft. Med ytterligare förbättringar, kan SVM bli en effektiv metod för att förutsäga lymfkörtel iscensättning av magcancer.
Slutsatser
Baserat på biologiska beteende information magcancer på MDCT bilder, kan SVM modell hjälpa diagnostisera lymfkörtel metastas preoperativt.
Deklarationer
Tack
Vi tackar Jie Li Yong Cui, Li-Ping Qi, Xiao-Ting Li för redaktionellt stöd och juni Shan, Ning Wang, Ying Li, Shun-Yu Gao för att granska manuskriptet.
Projekt som stöds av National Natural Science Foundation i Kina (Grant nr 30.970.825) och Pekings kommunala Natural Science Foundation (nr 7.092.020).
författarnas ursprungliga inlämnade handlingarna Images of Nedan finns länkar till författarna "original lämnat filer för bilder. 12885_2010_2503_MOESM1_ESM.jpeg Författaroriginalfilen för figur 1 konkurrerande intressen
Författarna förklarar att de inte har några konkurrerande intressen.

• Förändringar av E-cadherin och β-catenin i magcancer
• Expression av p53, inducerbart kväveoxidsyntas och vascular endothelial growth factor i mag precancerous och cancerous lesions: korrelation med kliniska