Dokazna rezoniranje temelji model za dijagnosticiranje limfnih čvorova metastaza kod raka želuca

Dokazna rezoniranje temelji model za dijagnosticiranje limfnih čvorova metastaza kod raka želuca
apstraktne pregled pozadine
limfnog čvora metastaza (LNM) kod raka želuca je vrlo važan prognostički čimbenik koji utječe na dugoročni opstanak. Trenutno, nekoliko zajedničko slikanje tehnike se koriste za procjenu statusa limfnih čvorova. Međutim, oni nisu u stanju postići i visoke osjetljivosti i specifičnosti istovremeno. Kako se nositi s ovom složenom pitanju, nova dokazna rasuđivanje (ER) koji se temelji model predložen podržati dijagnozu LNM u rak želuca.
Metode
Ima 175 uzastopnih pacijenata koji su prošli multidetektorskom kompjuteriziranom tomografijom (MDCT) uzastopno prije operacije. Osam pokazatelji, koji su serozne invaziju klasifikaciju tumora, poboljšanja uzorak, debljine tumora, broj limfnih čvorova, maksimalne veličine limfnih čvorova, limfnih čvorova stanice i poboljšanje limfnog čvora koriste za procjenu tumora i limfnog čvora kroz CT slikama. Sve od gore navedenih pokazatelja odražava biološko ponašanje raka želuca. ER temelji model konstruiran tako da gore navedene pokazatelje kao ulazni indeksa. Indeks izlaz određuje da li se javlja LNM za pacijente, koje odlučuje operacije i histopatologijom. Tehnika se zove k-struka križna validacija se koristi za obuku i testiranje novog modela. Dijagnostički sposobnost LNM ocjenjuje se prijemnik karakterističnim (RH) krivulja. Radiolog klasificira LNM usvajanjem limfnog čvora veličine za usporedbu. Pregled Rezultati
134 od ukupno 175 slučajeva su slučajevi LNM, a ostaci nisu. Osam indikatori imaju statistički značajnu razliku između pozitivnih i negativnih skupina. Osjetljivost, specifičnost i AUC ER modela utemeljenog na su 88.41%, 77,57% i 0.813, respektivno. Međutim, za radiologa restitucionom LNM od maksimalne veličine limfnih čvorova, odgovarajuće vrijednosti, samo su 63,4%, 75,6% i 0,757. Prema tome, predloženi model može dobiti bolje performanse od radiologa. Osim toga, predloženi model nadmašuje druge metode strojnog učenja.
Zaključci pregled Prema informacijama biološkog ponašanja karcinoma želuca, ER temeljen model može dijagnosticirati LNM učinkovito i preoperativno.
Ključne riječi
želučane limfni raka čvor metastaze dokazna rasuđivanje Pozadina pregled, raka želuca je postao jedan od glavnih uzroka smrti izazvane rakom na svijetu [1]. Limfnih čvorova metastaze (LNM) je vrlo važan prognostički čimbenik u vezi dugoročni opstanak. [2] TNM odmorište sustav koji se temelji na američkom Zajedničkog odbora za rak uzima kao procijenjenog standarda, te je široko [3] prihvaćen. Na temelju ovog standarda, 5-godišnje stopa preživljavanja pacijenata u N0 fazi nakon operacije je 86,1%, dok je N1, N2 i N3 pozornici pacijenti mogu dobiti 58,1%, 23,3% i 5,9%, respektivno. [4]
Trenutno liječnici dijagnosticirali LNM empirijski na temelju veličine limfnih čvorova koji se oslanja na različitim slikovnih metoda, kao što su endoskopske ultrazvuka (EUS), abdomena ultrazvukom, multi-presjeka spiralnog kompjutoriziranom tomografijom (CT), magnetska rezonancija (MRI) i pozitronske emisijske kompjutorizirane tomografiju (PET). Međutim, niti jedan od gore navedenih slikovne alate može steći status limfnih čvorova na zadovoljavajući način. U međuvremenu, sistemski pregled pokazuje da EUS, MDCT, konvencionalna MRI i FDG-PET ne može se koristiti za potvrdu ili isključuje prisutnost LNM pouzdano [2]. Razlog tome je što veliki limfni čvorovi mogu biti uzrokovane upalom, a one male mogu biti uzrokovani metastazama. Dakle, jedna veličina limfnih čvorova nije snažan prediktor. U stvari, mnoge studije su pokazale da LNM je povezana s veličinom tumora, patološku limfni sudjelovanje, histološki tip i drugih čimbenika [5-8]. Stoga, metoda koja spaja veličina limfnog čvora s ovim faktorima treba uzeti u obzir. Osim toga, nekoliko istraživanja [9-11] raspravljali dijagnostičke mogućnosti morfoloških karakteristika u raka rektuma. Prema tim istraživanjima, morfološke karakteristike, uključujući granični konture i intenzitet signala limfnih čvorova može djelomično poboljšati dijagnostičku sposobnost metastaziranja. Međutim, ove studije uglavnom usredotočiti na MRI snimanje u raka rektuma. U bolesnika s karcinomom želuca u kliničkoj praksi, trbuh CT je češća koristi slike modalitet od MRI pregled. Stoga, smatramo izgradnje modela za dijagnosticiranje LNM s više pokazatelja.
Kao što postoje kvalitativne i kvantitativne podatke u osam pokazatelja, metodu koja se može integrirati ove dvije vrste podataka trebao bi biti usvojen. ER pristup je izvorno predložio da se bave s više problema attribute decision analize koje uključuju i kvalitativne i kvantitativne atribute u neizvjesnosti [12]. Kernel je ER algoritam koji je razvijen na temelju teorije odlučivanja i Dempster-Shafer (D-S) teorija dokaza [13, 14]. Kao ER može integrirati kvalitativne informacije i kvantitativne podatke razumno, to se primjenjuje. Jedan od ciljeva ovog rada je analiza koja pokazatelji se odnose na biološku ponašanje karcinoma želuca i izgraditi matematički model za procjenu LNM preoperativno.
Metode pregled Pacijenti
U ovom pokusu, dobiveni 175 CT slučajevi iz Pekinškog Sveučilišta u Cancer Hospital & Institut (Peking, Kina P. R.) čine set uzoraka. Prema međunarodnom liječenja smjernica raka želuca, CT je jedan od najčešće korištenih inspekcija [15]. Međutim, druge metode kao što su PET i EUS se koriste kao odabranu provjeriti. Ovi pacijenti su primali postoperativnog poboljšanje kontrasta trbuha u CT preglede i dobio gastrektomije između travnja 2006. i rujnu 2008. Ova retrospektivna studija je odobren od strane institucionalni pregled odbor (IRB). Oni su preoperativno ispitani MDCT. Imajte na umu da smo dobili pristanak od svih odabranih bolesnika prije kliničkoj tijekom CT pregleda. Ima 125 muškaraca i 50 žena među tih bolesnika, a njihova prosječna starost je 59,8 godina. Detalji su prikazani u tablici 1.Table 1 bolesnika karakteristike
Klinika patološke značajke pregled
vrijednost
broj pacijenata
175 pregled Prosječna starost (y)
59,8 (30-85) pregled Omjer muškaraca i žena
125: 50 pregled histopatoloških pregled Adenokarcinom pregled 173 (98,9%), pregled, dobro diferencirani pregled 6 (3.4%)
Umjereno diferenciran pregled 91 (52%) pregled, slabo diferencirani pregled 76 (43,5%) pregled, karcinom malih stanica
2 (1,1%) pregled limfnog čvora metastaza pregled Pozitivan
134 (76,6%) pregled Negativna pregled 41 (23,4%) pregled pokazatelja
Postoji osam indikatora koji su izvađeni s dva radiologa, jedan sa tri godine, a drugi s osam godina iskustva u trbušnoj CT. Osam pokazatelji mjereni su i broje ručno na MDCT slike kako slijedi: (1) serozne invazija: Aksijalni i MPR slike su ocijenili kako bi se utvrdilo serozne invaziju istovremeno. Cijeli zadebljanje želuca zid abnormalno povećava linearno ili retikularne strukture u masnom sloju okružuje želudac naznačeno serozne invaziju [16]
(2) Tumor klasifikacija. Rano rak želuca ili Bormann klasifikacija uznapredovalim rakom u MPR slika je . potvrdio
(3) poboljšanje tumora uzorak. unapređenje Tumor je podijeljena u tri uzoraka na portal fazi CT slikama, koje su na površini sluznice pojašnjenje, homogena i unaprijediti heterogenu poboljšanje
(4) debljina tumora: maksimalna debljina tumora mjeri se na aksijalnim CT slikama
(5) broj limfnih čvorova. broj želučanih regionalnih limfnih čvorova s ​​veličinom veći od 3 mm MDCT slike po skupinama se računa [17]. Kako su limfni čvorovi, koji su manji od 3 mm, suviše malen da bi ih vidljiv, oni su izostavljeni
(6) Veličina Maksimalna limfni čvor. Kratka os najvećih limfnog čvora otkriven u CT slikama mjeri
(7) limfnih čvorova stanica. limfni čvor stanica s MDCT slike koje se temelje na japanskom klasifikaciji želučanog karcinoma određuje [17]
(8) Povećanje limfnih čvorova.: To znači da CT slabljenja vrijednosti limfnog čvora, koja se mjeri na portal venske faze CT snimci.
u ovom radu, svi pokazatelji su mjeri ručno. Broj limfnih čvorova je količina limfnih čvorova oko želuca. Maksimalna veličina limfnih čvorova i limfnog čvora pojašnjenje, izvlači se iz maksimalne limfnom čvoru. Cilj je predvidjeti hoće li se javlja LNM osim maksimalno limfni čvor ima LNM. Drugim riječima, objekt je predvidjeti da li se javlja LNM za svakog pacijenta. Konačni rezultat za LNM dijagnoze odlučuje operacije i histopatologijom. Patološka rezultat može definitivno potvrditi da li se javlja LNM ili ne. Mi ne želimo predvidjeti metastaza za svaki limfni čvor. Razlog tome je što jedan-na-jedan limfni čvor je korespondencija s CT i patologije ovisi o vrlo precizno i ​​odličan doživljaj radiolog. To je obično nije u skladu adekvatno za različite radiologa, što može utjecati na točnost predviđanja o matematičkom modelu. Dakle, nismo napraviti jedan-na-jedan korespondencije za svaki limfni čvor. Pojedinosti su opisane u tablici 2.Table 2 opis osam pokazatelji
podataka o pacijentima
LNM (-)
LNM (+)
broj bolesnika pregled 41/175 pregled 134/175 podaci pregled Mjerenje pregled debljina tumora (mm) pregled, 13,3 ± 14,0 pregled 16,6 ± 28,4 pregled Maksimalna veličina limfnih čvorova (mm) pregled, 6.5 ± 2.8 pregled, 10,0 ± 5,5 pregled broja limfnih čvorova pregled 7 ± 4 pregled, 12 ± 8 pregled limfnih čvorova pojašnjenje pregled 39,5 ± 58,5 pregled 62,5 ± 66,5 pregled Count podatke
poboljšanje tumora obrazac
pattern 1 pregled 13/175 pregled 6/175 pregled pattern 2 pregled, 26/175 pregled 118/175 pregled uzorak 3 pregled 2/175 pregled 10/175 pregled serozne invazija pregled, Da
15/175 pregled 120/175 pregled Bez pregled 26/175 pregled 14/175 pregled tumora klasifikacija
Rani karcinom želuca pregled 9/175 pregled 1/175 pregled Borrmann sam
2/175
0/175 pregled Borrmann II
3/175
9/175 pregled Borrmann III pregled 27/175 pregled 121/175 pregled Borrmann IV
0/175
3/175 pregled limfnih čvorova stanica pregled Station 1 pregled 29 /175 pregled 44/175 pregled Station 2 pregled, 12/175 pregled 54/175 pregled Station 3 pregled, 0/175 pregled 36/175 pregled vrijednost podataka mjerenja mjerena je ručno, a podaci su broj je broj podataka.
ER modela utemeljenog
U ovom modelu, što predstavlja svaki od slučaja do nad-kompletna rječniku čiji su elementi uzorci trening. Ako dovoljan broj uzoraka za obuku su dostupni iz svake klase i to će biti moguće predstavljaju uzorak. Pregled pretpostaviti da uzorci za obuku su označeni X = {X pregled, 1 pregled, X pregled 2 pregled, ..., X pregled, p pregled}
∈ R pregled MXN pregled, gdje je n pregled je broj uzoraka za obuku i m pregled je broj pokazatelja. y pregled ∈ {1,2, ..., p} pregled je oznaka, a p pregled je indeks klase. T = [T pregled 1 pregled, T pregled 2 pregled, ..., T pregled m pregled] pregled T pregled označava test uzorka. Nad-kompletan rječniku pregled se označava kako slijedi: A pregled = pregled A pregled 1 pregled pregled 1 pregled pregled A pregled 1 pregled pregled 2 pregled, , pregled ... pregled pregled A pregled 1 pregled pregled n pregled A pregled 2 pregled, pregled 1 pregled pregled A pregled 2
pregled 2 pregled, pregled ... pregled pregled A pregled 2 pregled pregled n pregled ... pregled pregled ... pregled pregled ... pregled pregled ... pregled A pregled m pregled pregled 1 pregled pregled A pregled m pregled pregled 2 pregled, pregled ...
pregled a pregled m pregled pregled n pregled (1) Ovdje pregled sastoji se od uzoraka obuke i pregled m, n pregled predstavlja svaki pokazatelj u uzorcima obuke. Prema granicama ER, stupci A Netlogu i T Netlogu treba normalizirati prvo. Zatim svaki indikator T i
u ispitnom uzorku zastupa Netlogu i odgovarajućih koeficijenata w pregled i
, i pregled = 1,2, ..., m
. Onda mi koristimo algoritam ER analitički [13] na sljedeći način: T pregled j pregled = pregled μ pregled × pregled Π
k pregled = pregled 1 pregled n pregled ω pregled k pregled A
j pregled pregled k pregled + pregled 1 pregled - pregled ω pregled k pregled Σ pregled ja
= pregled 1 pregled m pregled A pregled ja pregled pregled k pregled - pregled Π pregled k pregled = pregled 1 pregled n pregled 1 pregled - pregled ω pregled k pregled Σ pregled ja
=
1 pregled m pregled A pregled ja
pregled k pregled 1
- pregled μ pregled × pregled Π pregled k pregled = pregled 1 pregled n pregled 1 pregled - pregled ω pregled k pregled (2) μ pregled = pregled [pregled Σ pregled j pregled = pregled 1 pregled m pregled Π pregled k
= pregled 1 pregled n pregled ω pregled k pregled A pregled j
pregled k pregled + pregled 1 pregled - pregled ω pregled k pregled Σ pregled ja
=
1
m
A
i pregled pregled k pregled - pregled m pregled - pregled 1 pregled Π pregled k pregled = pregled 1 pregled n pregled 1 pregled - pregled ω pregled k pregled Σ pregled ja
= pregled 1 pregled m pregled A pregled ja
pregled k pregled] pregled - pregled 1 pregled (3) Svi pokazatelji u T Netlogu može zastupati
a w pregled i
, i pregled = 1,2, ..., m pregled pomoću ER pristup. Pretpostavimo da je ER pregled predstavlja ER pristup. Dakle, T pregled je predstavljen na sljedeći način: T pregled = pregled ER pregled A pregled pregled ω pregled (4) gdje ω∈R pregled n pregled je koeficijent vektor. Međutim, nije moguće jamčiti optimalno rješenje i umjesto da ga zamijeniti od približno rješenje predviđeno u jednadžbi (5): T pregled ≈ pregled ER pregled A
pregled ω pregled (5) Kako se novi slučaj može biti dovoljno zastupa uzoraka izobrazbe iz iste klase, dobivamo predviđanja po ro. model
0.948
0.020
0.000
0.908
0.988
ANN
0.798
0.043
0.000
0.713
0.882
SVM Svi autori pročitali i odobrili konačnu rukopis. Pregled

• Polimorfizmi TGFB1 i VEGF gena i preživljavanje pacijenata sa želučanim cancer
• Genom Helicobacter suis podržava svoju ulogu u želučanom pathology