Un modèle de preuve de raisonnement à partir pour le diagnostic de métastases ganglionnaires dans le cancer gastrique

Un modèle de preuve de raisonnement à partir pour le diagnostic de métastases ganglionnaires dans le cancer gastrique
Résumé de l'arrière-plan
métastases ganglionnaires (LNM) dans le cancer gastrique est un facteur pronostique très important affectant la survie à long terme. À l'heure actuelle, plusieurs techniques d'imagerie commun sont utilisées pour évaluer le statut des ganglions lymphatiques. Cependant, ils sont incapables de réaliser à la fois une grande sensibilité et une spécificité simultanément. Pour faire face à cette question complexe, un nouveau raisonnement probant (ER) à base de modèle est proposé pour appuyer le diagnostic de LNM dans le cancer gastrique.
Méthodes
Il y a 175 patients consécutifs qui sont passés par multidetector tomodensitométrie (MDCT) consécutivement avant la chirurgie. Huit indicateurs, qui sont l'invasion séreux, la classification de la tumeur, le motif d'amélioration de la tumeur, l'épaisseur de la tumeur, le nombre de ganglions lymphatiques, la taille maximale des ganglions lymphatiques, la station de ganglion lymphatique et de l'amélioration des ganglions lymphatiques sont utilisées pour évaluer le noeud de la tumeur et de la lymphe à travers des images TDM. Tous les indicateurs ci-dessus reflètent le comportement biologique du cancer gastrique. Un modèle basé ER est construit en prenant les indicateurs ci-dessus que l'indice d'entrée. L'indice de production détermine si LNM se produit pour les patients, ce qui est décidé par la chirurgie et l'histopathologie. Une technique appelée k-validation croisée est utilisé pour la formation et de tester le nouveau modèle. La capacité de diagnostic de LNM est évaluée par exploitation (ROC) courbes caractéristiques du récepteur. Résultats d'un radiologiste classifie LNM en adoptant la lymphe taille du noeud pour la comparaison.
cas 134 sur 175 sont des cas de LNM, et les restes ne sont pas. Huit indicateurs ont une différence statistiquement significative entre les groupes positifs et négatifs. La sensibilité, la spécificité et l'ASC du modèle basé ER sont 88,41%, 77,57% et 0,813, respectivement. Cependant, pour évaluer le radiologue LNM par la taille maximale des ganglions lymphatiques, les valeurs correspondantes sont seulement 63,4%, 75,6% et 0,757. Par conséquent, le modèle proposé peut obtenir de meilleures performances que le radiologue. En outre, le modèle proposé surpasse également d'autres méthodes d'apprentissage de la machine.
Conclusions
Selon les informations de comportement biologique du cancer gastrique, le modèle basé ER peut diagnostiquer LNM efficacement et préopératoire.
Mots-clés
lymphe de cancer gastrique métastases ganglionnaires raisonnement Evidential Contexte
le cancer gastrique est devenue l'une des principales causes de décès liés au cancer dans le monde [1]. métastase ganglionnaire (LNM) est un facteur pronostique très important en ce qui concerne la survie à long terme [2]. Le TNM un système de mise en scène basée sur American Joint Committee on Cancer est considéré comme la norme évaluée et a été largement acceptée [3]. Sur la base de cette norme, le taux de survie à 5 ans des patients au stade N0 après la chirurgie est de 86,1%, tandis que les patients N1, N2 et N3 stade peuvent obtenir 58,1%, 23,3% et 5,9%, respectivement [4].
Actuellement , les médecins diagnostiquent LNM empiriquement en fonction de la taille des ganglions lymphatiques qui repose sur différentes méthodes d'imagerie, comme l'échographie endoscopique (EUS), échographie abdominale, multi-coupes spirale tomodensitométrie (CT), imagerie par résonance magnétique (IRM) et tomographie par émission calculée positons (TEP). Cependant, aucun des outils de formation d'image ci-dessus peut acquérir le statut des ganglions lymphatiques de manière satisfaisante. Pendant ce temps, un examen systémique montre que EUS, MDCT, IRM conventionnelle, et FDG-PET ne peuvent pas être utilisés pour confirmer ou exclure la présence de LNM fiable [2]. La raison en est que de grands ganglions lymphatiques peuvent être causés par l'inflammation, tandis que les plus petits peuvent être provoqués par des métastases. Par conséquent, seule la taille des ganglions lymphatiques est pas un prédicteur fort. En fait, de nombreuses études ont montré que LNM est liée à la taille de la tumeur, la participation lymphatique pathologique, le type histologique et d'autres facteurs [5-8]. Par conséquent, une méthode qui combine la taille des ganglions lymphatiques avec ces facteurs doivent être pris en considération. En outre, quelques recherches [9-11] ont discuté des capacités de diagnostic des caractéristiques morphologiques dans le cancer du rectum. Selon ces études, les caractéristiques morphologiques, y compris le contour des frontières et de l'intensité du signal des ganglions lymphatiques peuvent partiellement améliorer la capacité de diagnostic de métastases. Toutefois, ces études se concentrent principalement sur l'imagerie par IRM dans le cancer du rectum. Pour les patients atteints de cancer gastrique dans la pratique clinique, de l'abdomen CT est une modalité d'imagerie utilisée plus fréquente que l'examen IRM. Par conséquent, nous considérons la construction d'un modèle pour diagnostiquer LNM avec de multiples indicateurs.
Comme il existe des données qualitatives et quantitatives dans huit indicateurs, une méthode qui permet d'intégrer ces deux types de données devraient être adoptées. L'approche de ER a été initialement proposé pour faire face à de multiples problèmes d'analyse de décision d'attribut qui impliquent des attributs à la fois qualitatives et quantitatives dans l'incertitude [12]. Le noyau est l'algorithme de ER qui est développé sur la base de la théorie de la décision et le Dempster-Shafer (D-S) théorie de l'évidence [13, 14]. Comme ER peut intégrer les informations qualitatives et de données quantitatives raisonnablement, il est appliqué. L'un des objectifs de cet article est d'analyser les indicateurs qui sont liés au comportement biologique du cancer gastrique et construire un modèle mathématique pour évaluer LNM préopératoire.
Méthodes
Patients
Dans cette expérience, 175 cas de CT obtenus de l'Université de Pékin Hôpital &Cancer; Institut (Beijing, Chine P. R.) constituent l'ensemble de l'échantillon. Selon les lignes directrices de traitement international du cancer gastrique, CT est l'une des inspections les plus couramment utilisés [15]. Cependant, d'autres méthodes telles que le PET et EUS sont utilisées comme contrôle sélectionné. Ces patients ont été administrés préopératoire amélioration du contraste abdominale dans les examens CT et reçu le gastrectomie entre Avril 2006 et Septembre 2008. Cette étude rétrospective a été approuvée par le conseil d'examen institutionnel (IRB). Ils ont été examinés avant l'opération de MDCT. Notez que nous avons obtenu le consentement éclairé de tous les patients sélectionnés avant le cours clinique de routine des examens CT. Il y a 125 hommes et 50 femmes parmi ces patients, et leur âge moyen est de 59,8 ans. Les détails sont présentés dans le tableau 1.Table 1 Caractéristiques des patients de la clinique caractéristiques pathologiques
Numéro de valeur de 175
L'âge moyen des patients (y)
59,8 (30-85)
Ratio des hommes aux femmes
125: 50
histopathologie de adénocarcinome
173 (98,9%) de
bien différencié 6 (3,4%)
différenciée Modérément
91 (52%)
mal différencié
76 (43,5%)
carcinome à petites cellules
2 (1,1%)
métastase ganglionnaire
positif
134 (76,6%)
négatif
41 (23,4%)
indicateurs
Il y a huit indicateurs qui ont été extraites par deux radiologues, une avec trois ans et une autre avec huit ans d'expérience dans CT abdominale. Les huit indicateurs ont été mesurés et comptés manuellement sur les images MDCT comme suit: (1) l'invasion séreuse: images axiales et MPR sont évaluées pour déterminer l'invasion séreuse simultanément. La paroi de l'estomac d'épaississement toute améliore anormalement structures linéaires ou réticulaires dans la couche de graisse entourant l'estomac indiqué invasion séreuse [16]
(2) la classification de la tumeur:. Cancer gastrique précoce ou Bormann classification du cancer avancé en images MPR est . confirmée
(3) modèle d'amélioration de la tumeur:. amélioration de la tumeur est divisé en trois modèles à la phase portail des images CT, qui sont l'amélioration de la surface des muqueuses, l'amélioration homogène et rehaussement hétérogène
(4) épaisseur de la tumeur: L'épaisseur maximale de la tumeur est mesurée au niveau des images CT axiales
(5) Le nombre de ganglions lymphatiques. Le nombre des gastriques ganglions lymphatiques régionaux avec une taille supérieure à 3 mm dans les images MDCT par des groupes est compté [17]. Étant donné que les ganglions lymphatiques, qui sont inférieures à 3 mm, sont trop petits pour les rendre perceptibles, ils sont omis
(6), la taille des ganglions lymphatiques maximum. Le petit axe du plus grand des ganglions lymphatiques détectée dans les images CT est mesurée
(7) station de ganglionnaire. la station des ganglions lymphatiques avec des images MDCT selon la classification japonaise du cancer de l'estomac est déterminé [17]
(8) l'amélioration des ganglions lymphatiques.: cela signifie CT valeur d'atténuation des ganglions lymphatiques, qui est mesurée à la phase veineuse portale de l'image CT.
Dans cet article, tous les indicateurs sont mesurés manuellement. Le nombre de ganglions lymphatiques est la quantité de ganglions lymphatiques autour de l'estomac. la taille des ganglions lymphatiques et des ganglions lymphatiques amélioration maximale est extraite du ganglion lymphatique maximale. L'objectif est de prédire si LNM se produit autre que les ganglions lymphatiques maximale a LNM. En d'autres termes, l'objet est de prédire si LNM se produit pour chaque patient. Le résultat final pour le diagnostic LNM est décidée par la chirurgie et l'histopathologie. Le résultat pathologique peut certainement confirmer si LNM se produit ou non. Nous ne voulons pas de prédire les métastases pour chaque ganglion lymphatique. La raison est que la correspondance de one-to-one ganglionnaire avec CT et de la pathologie dépend de l'expérience très précise et excellente du radiologue. Il est généralement pas compatible de manière adéquate pour différents radiologues, qui peuvent affecter la précision de la prédiction du modèle mathématique. Par conséquent, on n'a pas fait la correspondance un-à-un pour chaque nœud lymphatique. Les détails sont décrits dans le tableau 2.Table 2 Description de huit indicateurs
données patient
LNM (-)
LNM (+)
Patient Numéro
41/175
134/175 données
de mesure
épaisseur de la tumeur (mm)
13,3 ± 14,0 16,6 ± 28,4

taille maximale des ganglions lymphatiques (mm)
6,5 ± 2,8
10.0 ± 5.5
Le nombre de ganglions lymphatiques
7 ± 4
12 ± 8
ganglionnaire amélioration
39,5 ± 58,5 62,5 ± 66,5

comte de données
motif d'amélioration de la tumeur
motif 1
13/175
6/175
motif 2
26/175
118/175
motif 3
2/175
10/175
Oui de séreuse invasion
15/175
120/175
No
26/175
14/175
classification des tumeurs
cancer gastrique précoce
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

Ganglions station
station 1
29 /175
44/175
station 2
12/175
54/175
station 3
0/175
36/175
la valeur des données de mesure a été mesurée manuellement, et les données de comptage était le nombre de données.
ER basé sur un modèle
Dans ce modèle, nous représentons tous les cas par un dictionnaire sur-complet dont les éléments sont les échantillons de formation. Si les échantillons de formation suffisants sont disponibles à partir de chaque classe, il sera possible de représenter l'échantillon d'essai.
Supposons que les échantillons de formation sont désignés par X = {X
1
, X
2
, ..., X
p
}
∈ R
mxn
, où n
est le nombre d'échantillons de formation et m
est le nombre d'indicateurs. y
∈ {1,2, ..., p}
est l'étiquette et p
est l'indice de classe. T = [T
1
, T
2
..., T
m
]
T
désigne un échantillon d'essai. La plus-complète le dictionnaire A
est notée comme suit: A
=
A
1
,
1
,
A
1
,
2
, ...

,
A
1
,
n
A
2
,
1
,
A
2
,
2
, mo> ...
<>,
A
2
,
n
...
,
...
,
...
, mo> ...
A
m
<>,
1
,
A
m
,
2
,
...
,
A
m
,
n
(1) ici A
se compose d'échantillons de formation et de A
m, n
représente tous les indicateurs dans les échantillons de formation. Selon les limites de ER, les colonnes de A
et T
devraient être normalisées tout d'abord. Ensuite, chaque indicateur T i
dans l'échantillon de test est représenté par A
et coefficients correspondant w
i
, i
= 1,2, ..., m
. Ensuite, nous utilisons l'algorithme ER analytique [13] comme suit: 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) Tous les indicateurs T
peuvent être représentés par A
et
w i
, i
= 1,2, ..., m
en utilisant l'approche de ER. Supposons que ER
représente l'approche ER. Par conséquent, T
est représentée comme suit: T
=
ER
A
,
ω
(4) où ω∈R
n
est le vecteur de coefficient. Toutefois, il est impossible de garantir la solution optimale et à la place que nous le remplacer par la solution approximative prévue dans l'équation (5): T
≈
ER
A
,
ω
(5) Comme le nouveau cas peut être représenté de manière suffisante par les échantillons de formation de la même classe, nous obtenons la prédiction par ω. model
0.948
0.020
0.000
0.908
0.988
ANN
0.798
0.043
0.000
0.713
0.882
SVM Tous les auteurs ont lu et approuvé le manuscrit final.

• Polymorphismes de TGFB1 et des gènes VEGF et la survie des patients atteints de cancer
• séquence du génome de Helicobacter suis soutient son rôle dans la séquence du génome pathology