Krooninen sairaus

tiivistelmä

Background

Keuhkosyöpä on yksi yleisimpiä muotoja syövän tuloksena yli miljoona kuolemantapausta vuodessa maailmanlaajuisesti. Tyypillisesti ongelma voi lähestyä kehittämällä entistä erotteleva diagnoosi menetelmiä. Tässä asiakirjassa, tietokoneavusteinen diagnoosi käytettiin helpottamaan ennustaminen ominaisuuksia yksittäisiä keuhkonoduluksia CT keuhkojen diagnosoida alkuvaiheen keuhkosyöpään.

Methods

Synteettinen vähemmistö yli- näytteenottotekniikka (löi) käytettiin osuus raakadataa, jotta tasapaino alkuperäisen koulutuksen keräämiseen. Curvelet-muunnos tekstuurisiin ominaisuuksia yhdessä 3 potilaan demografisia ominaisuuksia, ja 9 morfologisia ominaisuuksia käytettiin luomaan tukivektoriluokitin (SVM) ennustemalli. Pituussuuntainen tiedot kuin testituloksia asetettu käytettiin arvioimaan luokituksen suorituskykyä ennustamiseksi alkuvaiheen keuhkosyöpään.

Tulokset

Käyttämällä löi kuin esikäsittelyä menettelyssä, alkuperäinen koulutus tiedot olivat tasapainotettu suhde pahanlaatuisia ja hyvänlaatuisia tapauksissa 01:01. Tarkkuus perustuu ristiinarviointi alkuperäisen epätasapainoinen datan ja tasapainoinen data oli 80% ja 97%, vastaavasti. Perustuen Curvelet-muunnos tekstuurisiin ominaisuuksia ja muita ominaisuuksia, SVM ennustemalli oli hyvä luokitus suorituskyky alkuvaiheen keuhkosyöpään, jonka pinta-ala käyrän alla on SVMs on 0,949 (P 0,001). Textural ominaisuus (keskihajonta) oli hyvänlaatuinen tapauksissa oli suurempi muutos seuranta-ajan kuin pahanlaatuinen tapauksissa.

Johtopäätökset

textural ominaisuuksia uutetaan Curvelet muutosta ja muut parametrit, herkkä tukivektorikone ennustemallissa voi nostaa diagnoosin alkuvaiheen keuhkosyöpään. Tätä järjestelmää voidaan käyttää puhkaista erottamaan hyvän- ja pahanlaatuisten alkuvaiheen keuhkosyövässä CT kuvia.

Citation: Sun T, Zhang R, Wang J, Li X, Guo X (2013) Tietokone -Aided Diagnoosi alkuvaiheen keuhkosyöpään Perustuu Longitudinal ja Balanced Data. PLoS ONE 8 (5): e63559. doi: 10,1371 /journal.pone.0063559

Editor: Michael Gormley, Thomas Jefferson University, Yhdysvallat

vastaanotettu: 20 marraskuu 2012; Hyväksytty: 03 huhtikuu 2013; Julkaistu: May 15, 2013

Copyright: © 2013 Sun et al. Tämä on avoin pääsy artikkeli jaettu ehdoilla Creative Commons Nimeä lisenssi, joka sallii rajoittamattoman käytön, jakelun ja lisääntymiselle millä tahansa välineellä edellyttäen, että alkuperäinen kirjoittaja ja lähde hyvitetään.

Rahoitus: Tämä oli tukee Natural Science Fund of China (Serial Number: 81172772); Natural Science Fund of Beijing (Serial Number: 4112015); ja ohjelma Academic Human Resources Development korkeakoulujen Lainkäyttövaltaan Beijing kunta (Serial Number: PHR201007112). Rahoittajat ollut mitään roolia tutkimuksen suunnittelu, tiedonkeruu ja analyysi, päätös julkaista tai valmistamista käsikirjoituksen.

Kilpailevat edut: Kirjoittajat ovat ilmoittaneet, etteivät ole kilpailevia intressejä ole.

Johdanto

Keuhkosyöpä, yksi yleisimmistä syöpään liittyvien kuolemien osuus on 1,1 miljoonaa kuolemantapausta vuosittain maailmanlaajuisesti [1]. Vaikka huomiota on kiinnitetty siihen, että alkuvaiheen ennusteita ja diagnoosit, ennuste on edelleen erittäin huono, ja viiden vuoden eloonjäämisluvut vaihtelevat 54% vaiheen I 10% vaiheen III [2]. Tämä korostaa tarvetta luotettavan varhaisen vaiheen ennustus prosessi, joka voi pidentää potilaan hengen. Digitaalinen Tietokonetomografia (CT) on nykyään yleisesti käytetty keuhkosyöpää kliinistä käytäntöä. Kuitenkin CT-kuvia, keuhkosyöpä yleensä näkyy yksinäinen keuhkokasvaimen (SPN), ja jakaa yhtymäkohtia kuin useissa hyvänlaatuisia sairauksia [3]. Määritelmän mukaan yksinäinen keuhkokasvaimen (SPN) on yksi, pallomainen, hyvin rajattu, röntgenkuvaus opasiteetti joka mittaa = 3 cm halkaisijaltaan ja sitä ympäröi kokonaan hiilihapotetut keuhkojen. Ei ole liittynyt atelektaasi, hilar laajentuminen tai pleuraeffuusio.

kehittäminen tieteen ja teknologian, tietokoneavusteinen diagnoosi (CAD) on tullut puhkaista. Tietääksemme, käyttäen automatisoituja atk menetelmiä, kuten kuvan tekstuurin analyysi ennustaa, keuhkosyöpä, on raportoitu laajasti [4] – [9]. Way et al. [4] uutettu morfologiset, pinta ja rakenne ominaisuuksia 256 keuhkojen kyhmyjä, ja perustettu lineaarinen erotteluanalyysiä. Neuroverkko-pohjainen tietokoneavusteinen diagnoosi menetelmä keuhkosyövän kyhmyn diagnoosin yhdistelemällä morfometria ja perfuusion ominaisuudet ennustaa ominaisuuksien yksittäisiä keuhkonoduluksia otettiin käyttöön Yeh et al. [5]. Toisessa tutkimuksessa, McCarville et al. [6] kerättiin 81 keuhkonoduluksia, tukikohtia CT havainnoista eroavan hyvänlaatuiset ja pahanlaatuiset luonne keuhkonoduluksia lapsipotilailla taas Wang et al. [7] käytetään harmaustason yhteistyössä esiintyminen matriisin ja monitasoinen malli ennustaa ominaisuuksien keuhkonoduluksia. Lee et ai. [8] käytetään kaksivaiheista lähestymistapaa ominaisuuksien hallintaan luokittelija ensemble rakenne helpottaa ennustamiseen ominaisuuksien keuhkonoduluksia. Zhu et al. [9] esitetään menetelmä löytää ja valita rakenne piirteet yksittäisiä keuhkonoduluksia (SPN) havaitsee tietokonetomografia (CT) ja arvioida suorituskykyä tukivektorikone (SVM) -pohjaisen luokittelijoiden erottamaan hyvänlaatuista pahanlaatuisia SPN. Kuitenkin nämä menetelmät, mikään niistä ovat pyrkineet ennustamaan alkuvaiheen keuhkosyöpään avulla tekstuurianalyysiin, huolimatta siitä, että on tärkeää pidentää elämää keuhkosyöpäpotilaita toimittavat viipymättä resekoimista syöpä sen varhaisessa vaiheessa.

Aiemmissa tutkimuksessa, ne vain käyttää useita morfologisia ominaisuuksia (kuten Mayo Clinic malli ja VA malli) tai textural ominaisuuksia ennustaa ominaisuus kyhmyt. Tässä asiakirjassa, tukivektorikoneet (SVMs) valittiin ennustusmallin käyttäen kattavia tekstuurisiin ominaisuuksia uuttaa Curvelets [15] CT-kuvia, potilaan demografisia ominaisuuksia, ja morfologiset ominaisuudet ennustaa alkuvaiheen keuhkosyöpä, joka näyttää kuten SPN. Tietääksemme tämä on ensimmäinen kerta, kun koostumus analyysiä käytettiin ennustamaan alkuvaiheen keuhkosyöpään ja se on hyödyllinen yritys.

Materiaalit

Tiedot antoi tässä asiakirjassa saatiin kohortti tutkimus. Kohortti tutkimus perustettiin vuonna 2009 ja toteutettu 4 sairaaloissa. Päätös potilaan osallisuutta ja syrjäytymisen perustui tuloksiin lopullisista diagnooseista. Tiedot on CT-kuvia on käsiksi 8 radiologien; välin, konfliktit lopullinen tulkinta CT kuvien ratkaistiin yksimielisesti keskustelua. Kaikkiaan 360 tapausta saatiin tästä kohorttitutkimus. 317 tapausta (317/360) oli vain kerran CT, jossa potilas oli skannataan vain kerran, ja lopullinen diagnoosi pahanlaatuisten ja hyvänlaatuisten tapauksissa määritettiin joko leikkauksen tai koepala. 33 tapausta (33/360) oli vähintään kaksi TT joiden seuranta-ajan 1 kuukausi 2 vuotta (potilaita seurattiin saakka lopullisista diagnooseista oli saatavilla), ja lopullinen diagnoosi pahanlaatuisten ja hyvänlaatuisten tapauksissa määritettiin joko toiminnan tai koepala. 10 (10/360) tapausta ulkopuolelle, koska niillä ei ole mitään lopullista diagnoosia.

TT saatiin käyttämällä 64-siivu kierteisen tomografiin (GE /Light nopeus ultra System CT99, USA), jossa on putki jännite 120 kV ja 200 mA. Jälleenrakentaminen paksuus ja jälleenrakentamiseen välein tavanomaisesta skannausta olivat 0,625 mm. Aineisto rekonstruoitu 512 x 512 matriisi. Jotta voitaisiin poistaa joitakin muita kudoksia (kuten lihasten, alusten ja luu), kaikki SPN CT kuvat olivat segmentoitu manuaalisesti saamiseksi kohdealueen (ROI), ja textural ominaisuuksia poimittiin ROI mukaan ROI. Alueella kasvava [10] algoritmi, jonka käyttö kuvan segmentointia, käytettiin poistamiseksi taustapikselien.

Training tallentamia 317 tapausta oli ainoastaan ​​kerran CT. Kaikkiaan 10108 ROI hankittiin 317 potilasta, joilla 3131 hyvänlaatuinen ROI 106 potilasta (58 urosta, 48 naarasta) ja 6977 pahanlaatuinen ROI 211 potilasta (125 urosta, 86 naarasta). Yksityiskohdat ovat seuraavat (katso taulukko 1). Koulutuksen tietoja käytettiin luomaan SVMs ennustemalli.

yhteensä 33 tapausta kesti vähintään kaksi TT ja tietojoukko ei sisältänyt SPN kuvia viimeisen CT tapauskohtaisesti. Syy miksi testituloksia jätetty viimeisen CT kussakin tapauksessa on, että radiologit tekisi kliininen diagnoosi perustuu viime CT mitä oikein tai väärin ja että loput data SPN CT-kuvia, jotka oli vaikea diagnosoida radiologien käytettiin testatakseen ennustusmallin alkuvaiheen keuhkosyöpään. Tämä tieto on koottu taulukkoon 2.

Methods

joukko tekstuurisiin ominaisuuksia uuttaa Curvelets CT ROI, demografiset parametri ja morfologiset ominaisuudet olivat käyttää lähtötietoina perustaa SVMs ennustemalli. Koska se, että yksi potilas on useita ROI, joten malignance määrä käytettiin muuttuja tehdä ROC-käyrä. Malignance korko määriteltiin: (1) B

Ethics lausunto

Tämä tutkimus suoritettiin etiikka hyväksynnän (eettinen komitea Xuanwu sairaala, Capital Medical University, hyväksyntä Document NO. [2011] 01 ). Kirjallinen suostumus antoivat potilaat.

Synthetic Vähem- Over-näytteenotto Technique (löi) B

Tiedot hankittiin sairaaloista oli epätasapainossa (suhde pahanlaatuinen hyvänlaatuisesta tapauksia harjoitusdatasta oli 02:01). Nämä tiedot käyttämällä luokittelun aiheutti bias koulutuksesta luokittelijoiden ja vähensi herkkyyden havaitsemisen vähemmistönä luokan esimerkkejä [11]. Jos epätasapainossa tietoja käytettiin tähän tutkimukseen, tulokset olisi suuri herkkyys ja matala spesifisyys, jotka ovat ei-toivottuja tuloksia.

datan esikäsittelyyn käytetty menetelmä selittää epätasapainoinen aineisto koostuu seuraavista kahteen ryhmään [12 ]: alle-näytteenotto enemmistö luokan ja yli-näytteenotto vähemmistö luokassa. Under-näytteenotto menetelmiä sovelletaan poistamaan jonkin verran koulutusta enemmistö luokan kuvioita tasapainottaa aineistoja, kun taas yli-näytteenotto menetelmiä käytetään muodostamaan uusi vähemmistö luokan näyte. Jotkut tutkijat pitävät liian otantamenetelmät alle näytteenotto- koska käyttämällä alle näytteenottomenetelmiä riskit menetys enemmistön luokan tiedon.

Synteettinen vähemmistö yli-näytteenotto tekniikka (löi) [13] on yksi tällainen yli- näytteenottomenetelmää. Sen pääajatuksena on muodostaa uusi vähemmistö luokan näytteiden interpoloimalla useiden vähemmistö luokan esimerkkejä, jotka sijaitsevat yhdessä. Vuonna löi sijasta pelkkä tietojen suuntautunut monistaminen, positiivinen luokka on yli-näytteet luomalla synteettisen tapauksia piirreavaruutta muodostama positiivinen tapauksissa. Jokaista vähemmistö Esimerkiksi sen k (joka on asetettu 5 löi) lähimmät naapurit saman luokan lasketaan, sitten joitakin esimerkkejä valitaan satunnaisesti niistä mukaan yli-näytteenottotaajuus. Sen jälkeen, uusia synteettisiä esimerkkejä syntyy pitkin linjan välillä vähemmistön esimerkki ja valittujen naapurit.

laatu Extraction

laatu on olennainen ominaisuus digitaalisia kuvia, koska se yleensä kuvastaa rakenne kuvien esineistä. Kuva piirreirrotus on tärkeä askel kuvankäsittelyn tekniikoita.

aallokemuunnosprosessin, tekstuurisiin ominaisuuksia uuttomenetelmällä, tarjoaa moniresoluutio ja ei-tarpeeton edustus signaalien tarkka jälleenrakentamiseen valmiudet, ja muodostaa tarkka ja yhtenäiset puitteet tilaa taajuus analyysi. Vaikka Aallokkeet toimivat erittäin hyvin kohteita, joissa piste erikoisen, ne eivät ole riittäviä edustavat 1D singulariteetti [14] – [15]. Vuonna 2000 Candes ja Donoho [16] kehitti Curvelet, eräänlainen toisen sukupolven Wavelets. Koska laajentaminen Wavelet Useita aika analyysi puitteet, Curvelets voidaan tehokkaasti käsitellä lineaarinen singularities 2D signaalit [14]. Curvelet muunnos määritellään tehokas työkalu löytää käyrät useilla astetasot. Useat tutkimukset käyttäen Curvelet muunnokset kuvankäsittelyssä ovat osoittaneet, että Curvelet muunnokset saadaan parempia tuloksia [17] – [19].

Perustuu Curvelet muutosta, neljätoista CT kuva tekstuurien piirteitä keuhkonoduluksia poimittiin: Entropy, Mean , korrelaatio, energia, tasalaatuisuus, keskihajonta, Maximum todennäköisyys, Inverse Difference Moment, Cluster Taipumus, inertia, Sum-Mean, Difference-Mean, Sum-Entropy, ja ero-Entropia. Koska pre-prosessi luokittelua, joka on Curvelet muunnos tuotti esitys keuhkonoduluksia CT kuvien kautta monen sävytasolla hajoaminen. Kolme vaa’an Curvelet kertoimien matriisit (karkean kerroksen yksityiskohtia kerros, ja hieno kerros) valittiin ehdokkaiksi. ROI kuvat oli hajotetaan 34 alikaistaan, jolloin louhinta 476 textural ominaisuuksia kustakin ROI.

Survey of Clinical parametrit

kolme demografiset muuttujat (ikä, sukupuoli, ja tupakointi) saatiin taustatietoja. 9 morfologisia ominaisuuksia (mukaan lukien merkittäviä muutoksia, tiheys SPN, läsnäolo osista johtuva, luolien, vacuoles, lobulation, kalkkeutumista ja maa lasia SPN, ja alue) on raportoitu kokeneet radiologit mukaan SPN.

Prediction Model

ehdottivat suuri määrä kirjallisuutta mennessä, tukivektorikoneet voidaan pitää hyvänä algoritmeja luokittelun joillakin tutkimusaloilla [20] – [22]. Aiemmassa tutkimuksessa samat tulokset osoittivat ryhmämme [23].

tukivektorikone (SVM) kuvataan suosittu luokittelija perustuu rakenteellisiin riskien minimointia periaate. Verrattuna muihin luokittelijoista SVM tavoitteena löytää hypertaso joka maksimoi etäisyys hypertaso lähimpään esimerkkejä kussakin luokassa. Koska joukko koulutus vektorit (l yhteensä) kuuluva erottaa luokkiin, merkitsee

i

th panos vektori ja on vastaava halutun tehon. Maksimaalinen marginaali luokittelija pyritään löytämään hypertaso erottaa harjoitusdatasta. Kun mahdollinen hyperplanes vain yksi maksimoi marginaali (välinen etäisyys hypertason ja lähimmän datapiste kunkin luokan). Tuki vektorit Merkitään pistettä makaa marginaalin rajalla. Ratkaisu luokittelu saadaan päätökseen toiminto: (2) B

Missä on positiivinen Lagrangen kerroin, on tuki vektorit (yhteensä), ja on toiminto konvoluutio ytimen päätöksen toiminto.

R 2.14.0 ohjelmistoa käytettiin toteuttamaan tukivektorikoneet ja löi. Radiaalinen kantafunktion ydin käytettiin ytimen että SVMs tässä tutkimuksessa.

Tulokset

löi Esikäsittelykoneiden epätasapainoisesta Data Set

jakautuminen 3 väestörakenteen parametrit on esitetty taulukossa 3. alkuperäinen harjoitusarvot mukana kuvia 3131 hyvänlaatuinen ROI ja 6977 pahanlaatuinen ROI, että suhde pahanlaatuinen hyvänlaatuisesta tapauksia 02:01. Käyttämällä löi kuin esikäsittelyä menettelyssä, uudet tiedot mukaan lukien textural rakenne, demografiset muuttujat ja morfologiset ominaisuudet syntyi, ja lopullinen koulutus aineistossa havaintoja 9393 hyvänlaatuinen ROI ja 9393 pahanlaatuinen ROI.

Prediction tulokset

testaamiseksi SVM perustuva malli tasapainoiseen tietoihin oliko herkkä keuhkosyöpä, kahta menetelmää käytettiin: 10-kertainen ristiinarviointi ja uudet testit tietojen arviointi.

tarkkuus perustuva 10-kertainen ristiinarviointi alkuperäisen epätasapainoinen datan ja tasapainoinen data oli 80% ja 97%, vastaavasti. Se oli todistettu, että löi algoritmi lisäisi merkittävästi suorituskykyä ennustemalli.

33 tapausta (17 pahanlaatuinen tapauksissa 16 hyvänlaatuisia tapausta) valittiin testituloksia arvioida luokituksen suorituskykyä alkuvaiheen keuhkosyöpään . SVM ennustemallin on onnistunut käyttäen 488 textural ominaisuuksia. Tieto tapauksista analysoitiin, ja malignance korko (kaava 1) annettiin on riippumaton muuttuja piirtää ROC käyrät, ja tulokset esitetään kuviossa 1. AUC SVM oli 0,949 (

P

0,001, tarkkuus oli 15/17 pahanlaatuinen tapauksissa 14/16 hyvänlaatuisen tapausta). Tämä tulos on esitetty yhteenvetona taulukossa 2. testituloksia tässä tutkimuksessa, joka tapauksessa ollut CT diagnoosi ennen kuin toiminta ja tulokset on esitetty taulukossa 2. CT diagnoosit 33 tapausta olivat kaikki potentiaalisesti pahanlaatuinen osoittaa, että vaikka läpi ajan seuraavia up aika on melko vaikeaa tehdä selkeä kliininen päätös.

Lisäksi emme arvioida muutoksen textural ominaisuuksia ensimmäisen CT ja viimeinen CT perustuu testituloksia asetettu. Löysimme Curvelet textural ominaisuus (keskihajonta) oli suuri ero hyvän- ja pahanlaatuisia tapauksissa. Kuvio 2 osoittaa muutoksen suuntaus textural ominaisuus (keskihajonta) keskiarvo.

Keskustelu

Tällä hetkellä ilmaantuvuus ja kuolleisuus keuhkosyöpään ovat ykköseksi keskuudessa erilaisten kasvainten . Käyttö TT on yleistä kliinisten käytäntöjen erottamaan hyvän- SPN ja pahanlaatuisia kasvaimia. Meta-analyysi [24] todennut, että se on yhdistetyssä herkkyys 0,57 (95% luottamusväli, 0,49-0,66) ja yhdistetyssä spesifisyys 0,82 (95% luottamusväli, 0,77-+0,86) keuhkosyövän käyttäen TT. Kaikki edellä mainitut tutkimukset keskittyivät keuhkosyöpä, eikä alkuvaiheen keuhkosyöpään. Niinpä herkkyys ja alkuvaiheen keuhkosyöpään voisi olla huonompi. Perustuen kliiniseen käytäntöön, suuri osa potilaista epäilyttävien lieviä olosuhteita, jotka eivät voineet sulkea pois mahdollinen pahanlaatuisen kasvaimen vaatisi lisätutkimusten tai leikkaus, mikä lisäisi taakkaa potilaille. Tietokoneavusteinen diagnoosi (CAD) tekniikka on yleistynyt avustamisessa radiologit tekemisessä diagnooseja. Tietääksemme tutkimukset on SPN kuva-analyysi keskustelevat ennustaminen ominaisuuksia keuhkosyövän avulla tekstuurianalyysiin, ei alkuvaiheen keuhkosyövässä mikä on enemmän kliinistä merkitystä. Tässä tutkimuksessa Pitkittäisleikkaustieto käytettiin testituloksia arvioida luokituksen suorituskyky SVM ennustemallin alkuvaiheen keuhkosyöpään. Alue käyrän alainen SVM oli 0,949 (

P

0,001), ja malli on potentiaalia osaamista ennustaa alkuvaiheen keuhkosyöpään. Liittyvät kirjallisuutta ei ole vielä raportoitu.

saadut tiedot sairaaloista oli epätasapainoinen. Käyttämällä epäsymmetrinen tiedot voivat aiheuttaa alemman spesifisyys ennustettaessa hyvänlaatuinen tapauksissa. Tässä tutkimuksessa löi, yli-näytteenottomenetelmä, käytettiin esikäsittelyä menettely tasapainottaa tietojen ja luokittelu suorituskyky (tarkkuus) on ennustemalli oli suuri parannus 80%: sta 97%. Siten löi on käyttökelpoinen menetelmä tilille epätasapainoinen datan ja voi parantaa kykyä mallien.

useita menetelmiä talteen textural ominaisuudet kuvien on kehitetty. Yksi suosituimmista menetelmistä on Wavelet jota käytetään laajasti käsittely lääketieteellisten kuvien [14] – [15]. Verrattuna Aaltoset, Curvelet muunnokset voivat tarjota vakaa, tehokas, ja lähellä optimaalista esityksiä sileä esineiden ottaa katkoksia pitkin sileä käyrät [14]. On olennainen ominaisuus digitaalisia kuvia, textural ominaisuuksia yleensä heijastavat microcosmic rakennetta kuvien esineistä, näkymät makroskooppiset ominaisuudet tapauksista. Tässä asiakirjassa, textural ominaisuuksia uutetaan Curvelets lisäksi 3 potilaan ominaisuudet ja 9 morfologisia ominaisuuksia, joita sovellettiin kuvaamaan makroskooppiset ominaisuudet kudosten, käytettiin tulosuureina luoda SVMs ennustusmallin. Tämä järjestelmä on herkkä alkuvaiheen keuhkosyöpään ja voi näin ollen lisätä tarkkuudella määrä diagnoosin.

Tässä tutkimuksessa löysimme Curvelet textural ominaisuus, keskihajonta, oli suuri ero hyvän- ja pahanlaatuisia tapauksissa. Vaikka kaikki tapaukset eivät ole samana päivänä edellisen CT, rakenneominaisuuksia ominaisuus (keskihajonta) hyvänlaatuisen tapauksista oli selvä lisäys ensimmäisiin CT viimeiseen CT useimmissa tapauksissa, mutta se oli suhteellisen vakaana pahanlaatuinen tapauksissa. Tämä tulos voisi olla hyödyllinen, koska vihjeen löytää biomarkkeri keuhkosyöpään.

33 tapauksessa, keskimääräinen CT tapausta kohti oli 3,2 kertaa. Keskiarvo, mediaani, kvartiiliväli ja keskihajonta seuranta-aika oli 6,9, 2,0, 8,0 ja 11,0 kuukautta, vastaavasti. Jos menetelmä mukana tässä paperia voidaan käyttää kliinisessä käytössä auttamaan radiologit päätöksentekoa varten, aika diagnoosit lyhentää 6,9 kuukaudesta säästää kustannuksia 2,2 TT (Pekingissä Kiinassa, kustannukset 2,2 TT on noin 1000 RMB). Perustuen meta-analyysi [25], suoria taloudellisia kustannuksia keuhkosyöpäpotilaita on erilainen vaihdellen 18,019.4 RMB per henkilö vaiheen I 3,2534.0 RMB per henkilö vaiheen IV RMB per henkilö Kiinassa ja se on kasvanut vuosi vuosi. Mental taakkaa potilaille ja välilliset taloudelliset kustannukset ovat myös tärkeitä. Kiina on yksi niistä maista, joilla on korkein itsemurhia keskuudessa syöpäpotilaita maailmassa. Näin ollen, jos järjestelmä otetaan käyttöön tässä tutkimuksessa on kliinisessä käytössä, se voi vähentää taloudellista ja henkistä taakkaa potilaille ja pidentää aikaa keuhkosyöpäpotilaiden. Arkkitehtuurit SVM ja Curvelets ovat yksinkertaisia, oikaistuksi helposti, ja sopivat ohjelmiston suunnittelu. Sitä voidaan käyttää jokapäiväisessä radiologisten käytännössä koska sen etu ei ole kaukana tulevaisuudessa.

On kuitenkin rajoituksia mukana tässä tutkimuksessa. Välinen aika ensimmäisen CT ja viimeinen CT on erilainen eri puolilla potilasta.