PLoS ONE: ennustaminen patologinen Stage potilailla, joilla on eturauhassyöpä A Neuro-Fuzzy Model
tiivistelmä
ennustaminen syövän lavastus eturauhassyövässä on arviointiprosessin todennäköisyyttä, että syöpä on levinnyt ennen hoitoa annetaan potilaalle. Vaikka tärkeitä sopivimman hoidon ja optimaalinen hallinta strategia potilaille, lavastus edelleen merkittäviä haasteita lääkäreille. Kliiniset testitulokset kuten esikäsittelyä eturauhasen antigeenin (PSA) taso, biopsia yleisin kasvain malli (Primary Gleason kuvio) ja toiseksi yleisin kasvain malli (Secondary Gleason kuvio) in kudoskoepaloihin ja kliininen T vaiheessa voidaan käyttää lääkärit ennustaa patologinen vaiheessa syöpä. Ei kuitenkaan jokainen potilas palaa epänormaali tuloksia kaikissa testeissä. Tämä vaikuttaa merkittävästi kapasiteettia tehokkaasti ennustaa vaiheessa eturauhassyöpää. Tässä olemme kehittäneet neuro-sumea laskennallisen älykkyyden malli luokitteluun ja ennustamiseen todennäköisyyttä potilaan, jolla elimeen rajoittunut tauti (OCD) tai Extra-Eturauhasen tauti (ED) käyttäen eturauhassyöpää potilaan aineisto saatiin The Cancer Genome Atlas (TCGA ) Research Network. Järjestelmä syöttää koostui seuraavista muuttujista: Ensisijainen ja Toissijainen Gleason koepala kuvioita, PSA-arvot, ikä diagnoosin, ja kliininen T vaiheessa. Suorituskyky neuro-sumea järjestelmä verrattiin muihin laskennallisen älykkyyden lähestymistavat, eli Artificial Neural Network, Fuzzy C-Means, Support Vector Machine, naiivi Bayes luokittelijoiden, ja myös AJCC pTNM Pystytysympäristö Nomogrammi jota käytetään yleisesti kliinikot . Vertailu optimaalisen Receiver Operating Characteristic (ROC) kohdat, jotka tunnistettiin käyttämällä näitä lähestymistapoja, kävi ilmi, että neuro-sumea järjestelmä, sen optimaalinen piste, palauttaa suurimman Area Under the ROC Curve (AUC), joissa on pieni määrä vääriä positiivisia (FPR = 0,274, TPR = 0,789, AUC = 0,812). Ehdotettu lähestymistapa on myös parannus AJCC pTNM Staging Nomogrammi (
FPR
= 0,032,
TPR
= 0,197,
AUC
= 0,582).
Citation: Cosma G, Acampora G, Brown D, Rees RC, Khan M, Pockley AG (2016) ennustaminen patologinen Stage potilailla, joilla on eturauhassyöpä A Neuro-Fuzzy malli. PLoS ONE 11 (6): e0155856. doi: 10,1371 /journal.pone.0155856
Editor: Daotai Nie, Southern Illinois University School of Medicine, Yhdysvallat |
vastaanotettu: 14 heinäkuu 2015; Hyväksytty: 05 toukokuu 2016; Julkaistu: 03 kesäkuu 2016
Copyright: © 2016 Cosma 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.
Data Saatavuus: Aineisto ja koodi ovat yleisesti saatavilla Figshare: https://figshare.com/account/articles/3369901 DOI: 10,6084 /m9.figshare.3369901.
Rahoitus: Tämä tutkimuksen rahoittivat NHS Nottingham Clinical Käyttöönotto konsernin jako NIHR Research Capability rahoitus (sopimuksen numero: CCG /NTU /02 /RCF /13-14). Kirjoittajat haluaa myös tunnustaa taloudellisen tuen John ja Lucille van Geest Foundation sekä Terveydenhuollon ja Bioscience iNet, EAKR tukema projekti hallinnoi Medilink East Midlands. Rahoittajat ollut mitään roolia tutkimuksen suunnittelu, tiedonkeruu ja analyysi, päätös julkaista tai valmistamista käsikirjoituksen.
Kilpailevat edut: Tutkimus rahoitettiin osittain Terveydenhuollon ja Bioscience iNet, EAKR tukema projekti onnistui jonka kaupallisesta lähteestä Medilink East Midlandsin. Ei ole olemassa patentteja, tuotteiden kehittämiseen, tai markkinoille tuotteita julistaa. Tämä ei muuta tekijöiden noudattaminen kaikki PLoS ONE politiikan tietojen jakamiseen ja materiaaleja, yksityiskohtaisena online-oppaassa tekijöille.
Johdanto
Syöpä lavastus ennustaminen on arviointiprosessin todennäköisyyttä, että tauti on levinnyt ennen hoitoa annetaan potilaalle. Cancer pysähdyspaikan arviointi tapahtuu ennen (eli ennustetta vaihe) ja sen jälkeen (eli diagnoosi vaiheessa) kasvain on poistettu, kliinisen ja patologisen vaiheissa vastaavasti. Kliiniseen vaiheeseen arviointi perustuu kerättyihin tietoihin kliiniset testit, jotka ovat käytettävissä ennen hoitoa tai kirurginen poisto kasvain. On olemassa kolme ensisijaista kliinisessä vaiheessa testit eturauhassyövän: eturauhasen antigeenin (PSA) testiä, joka mittaa tason PSA verenkiertoon; koepala jota käytetään havaitsemaan syövän eturauhasen ja arvioida, missä määrin syövän aggressiivisuus (tulokset annetaan yleensä muodossa ensi- ja toissijaiset Gleason malleja); ja lääkärintarkastus, eli eturauhasen (DRE), joka voi määrittää olemassaolon sairauden ja mahdollisesti annettava riittävästi tietoa ennustaa vaiheessa syöpä. Rajoitus on PSA-testi on, että poikkeuksellisen korkea PSA-arvot eivät välttämättä ilmaisemaan eturauhassyövän, eikä ehkä normaali PSA-arvot heijastavat puuttuessa eturauhassyöpää. Patologinen lavastus voidaan määrittää seuraava leikkaus ja tutkiminen poistetun kasvaimen kudoksen, ja on todennäköisesti tarkempi kuin kliininen lavastus, koska se mahdollistaa suoran käsityksen laajuuden ja taudin luonne. Lisätietoja kliinisistä testeistä annetaan seuraavassa momentissa
Medical Background
.
Koska mahdollisia ennustetekijöiden voima kliiniset kokeet erilaisia eturauhassyövän pysähdyspaikan ennustaminen on kehitetty. Kyky ennustaa patologinen vaiheessa potilaan eturauhasen syöpä on tärkeä, koska se mahdollistaa Lääkäreille paremmin määrittää optimaalisen hoidon ja hallinnan strategioita. Tämä on potilaan huomattavan suurta hyötyä, koska monet hoitovaihtoehtoja voi liittyä merkittäviä lyhyen ja pitkän aikavälin sivuvaikutuksia. Esimerkiksi eturauhasen (HE) -edellä kirurginen poistaminen eturauhanen-tarjoaa parhaat mahdollisuudet kuivatuksen sairauden eturauhassyöpä on lokalisoitu, ja tarkan ennusteen patologinen vaiheessa on olennaista mitkä potilaat hyötyisivät eniten tästä lähestymistavasta [1-3]. Tällä hetkellä kliinikot käyttävät nomogrammit ennustaa ennustetyövälineenä kliininen tulos eturauhassyövän, ja ne perustuvat tilastollisiin menetelmiin kuten logistinen regressio [4]. Kuitenkin syövän lavastus edelleen merkittäviä haasteita kliinisen yhteisölle.
eturauhassyöpä lavastus nomogrammit joita käytetään ennustamaan patologinen vaiheessa syöpä perustuvat tulokset kliiniset testit. Kuitenkin tarkkuus nomogrammit on kiistanalaista [5, 6]. Briganti et ai. [5] mukaan nomogrammit ovat tarkkoja välineitä ja että ”Henkilökohtainen lääke tunnustetaan tarve muutoksia, mukaan tauti ja isäntä ominaisuudet. On aika omaksua sama asenne muiden tieteenalojen lääketieteen. Tämä sisältää urologic onkologian jossa nomogrammit, regressio-puita, hakutaulukot ja neuroverkot ovat keskeisiä välineitä, joka pystyy tarjoamaan yksilöllistä ennusteita ”. Dr Joniau in [5] väittää, että käytetyt tiedot Suunnitellessaan nomogrammit ovat subjektiivisia ja, jossain määrin, puolueellinen institutionaalisten protokollia, joista potilaat valitaan tietylle hoitoon. Dr Joniau mukaan yksi haitat nomogrammit on se, että eri nomogrammit on laadittu riskin arvioinnin ja sitä on vaikea määrittää, mikä nomogrammi tarjoavat luotettavimman riskin estimointi tietylle potilaalle. Hän korostaa, että vaikka nomogrammit mahdollistavat tarkemman riskinarvioinnin, tämä riskin estimointi on ”tilannekuva riski jatkumo”. Vaikka tämä saattaa mahdollistaa muokattuja ehdotuksia, se myös tekee hoitopäätökset vaikeaa [5].
Cancer ennuste järjestelmiä, jotka pitävät eri muuttujien ennustamisessa lopputulos edellyttää laskennallisia älykkäitä menetelmiä tehokkaaseen ennustuksen tulosten [7]. Vaikka laskennallisen älykkyyden lähestymistapoja on käytetty ennustamaan eturauhassyövän tuloksia, hyvin harvat mallit ennustavat patologinen vaiheessa eturauhassyövän olemassa. Pohjimmiltaan luokittelu mallit perustuvat laskennallisen älykkyyden hyödynnetään ennustamiseen tehtäviin. Luokittelu on eräänlaista tietojen analysointi joka erottaa luokittelija kuvaavia tietoja luokkia, ja käyttää näitä malleja ennustamaan kategorisen tarrat (luokat) tai numeerisia arvoja [8]. Kun luokittelija käytetään ennustamaan numeerinen arvo, toisin kuin luokan merkintä, se on tarkoitettu ennustajana. Luokittelu ja numeerinen ennustaminen ovat molemmat ennustuksen ongelmia [8], ja luokittelu mallit ovat laajasti analysoida potilastietoja ja poimia ennustemallista lääketieteellisessä ympäristössä.
Computational intelligence lähestymistapoja, ja erityisesti sumea perustuva lähestymistapoja, jotka perustuvat matemaattisiin malleihin, jotka on erityisesti kehitetty käsittelemään epävarmuutta ja epätarkkuus, joka on tyypillisesti esiintyy kliinisiä tietoja, joita käytetään ennusteen ja sairauksien diagnosointiin potilailla. Nämä ominaisuudet tekevät nämä algoritmit sopivan alustan, jonka perusteella uusia strategioita diagnosointiin ja lavastus eturauhassyöpää. Esimerkiksi kaikki eivät diagnosoitu eturauhasen syöpä epänormaalista tulokset kaikissa testeissä, seurauksena joka, eri testitulos yhdistelmiä voi johtaa samaan tulokseen.
kapasiteettia sumea, ja erityisesti neuro-sumea lähestymistapoja, ennustaa patologinen vaiheessa eturauhasen syöpä ei ole niin laajalti tutkittu kuin yleisesti käytetty keinotekoinen neuroverkko (ANN) ja muut lähestymistavat. Kuitenkin, sumea lähestymistapoja on käytetty muihin eturauhassyövän skenaarioita. Benechi et ai. [9] ovat soveltaneet Co-Active Neuro-Fuzzy päättelyjärjestelmä (CANFIS) ennustaa eturauhassyövän esiintymisen; Keleş ym. [10] ehdotti neuro-sumea järjestelmä ennustamiseen, onko henkilö on syöpä tai eturauhasen hyvänlaatuisen liikakasvun (BPH, hyvänlaatuinen eturauhasen liikakasvua). Cinar [11] suunniteltu luokittelija-pohjainen asiantuntijajärjestelmä varhaistoteamiseen eturauhassyövän, mikä tehostaa päätöksentekoprosessia ja tiedottaa tarpeen koepala. Castanho et ai. [12] kehitti geneettinen-fuzzy asiantuntija, joka yhdistää ennen leikkausta seerumin PSA, kliiniseen vaiheeseen, ja Gleason arvosana koepala ennustaa patologinen vaiheessa eturauhassyövän (eli onko se suljetussa tai ei rajoittunut).
Saritas et al. [13] kehitti ANN lähestymistapa ennustetta syövän, jota voidaan käyttää apuna kliinisen liittyvät päätökset tarvetta koepala. Shariat et ai. [14] On suoritettu kriittisesti eturauhassyövän ennustelaitteet ja päätteli, että ennustava välineet voivat auttaa aikana monimutkainen päätöksentekoprosesseihin, ja että ne voivat tarjota yksilöllisiä, näyttöön perustuvat arviot tautinsa potilailla, joilla on eturauhasen syöpä.
Lopuksi Tsao et ai. [15] kehitti ANN malli ennustaa eturauhassyövän patologinen lavastus 299 potilaalla ennen eturauhasen, ja totesi, että ANN malli oli ylivoimainen ennustamaan Organ Confined Disease eturauhassyövässä kuin logistiikkaregressiomallin. Tsao et ai. [15] Myös verrattuna niiden ANN malli Partin taulukot, ja totesi, että ANN malli tarkemmin ennusti patologinen vaiheessa eturauhassyöpää.
Tässä ehdotamme neuro-sumea malli ennustamiseksi patologinen vaiheessa eturauhassyövän . Järjestelmä tulot sisältävät seuraavat muuttujat: yleisin kasvain malli (Primary Gleason kuvio), toiseksi yleisin malli (Secondary Gleason kuvio), PSA-arvot, ikä diagnoosin, ja kliininen T vaiheessa. Neuro-sumea malli automaattisesti rakentaa sumea sääntöjen kautta oppimisprosessilla jota sovelletaan olemassa oleviin ja tunnettujen potilastietoja ja tila. Nämä säännöt käytetään sitten ennustamaan eturauhassyövän vaiheessa potilaita validointi asetettu. Malli hyödyntää Adaptive Neuro-Fuzzy päättelyjärjestelmä jota käytetään myös optimoida ennakoivan suorituskykyä. Lopputulos Kunkin potilaskertomus on numeerinen ennustaminen ”aste belongingness” kunkin potilaan elimeen rajoittunut tauti ja Extra-Eturauhasen Disease luokissa.
Medical Background
Tässä osassa kuvataan käytetyt muuttujat diagnosointiin.
prostataspesifisen antigeenin (PSA).
prostataspesifisen antigeenin (PSA) testi on verikoe, joka mittaa tason eturauhasen antigeeni verenkiertoon. Vaikka sillä rajoitukset, PSA-testi on tällä hetkellä paras tapa tunnistaa lisääntynyt riski paikallinen eturauhassyöpä. PSA-arvot pyrkivät nousemaan iän myötä, ja koko PSA-arvot (ng /ml) suosittelemia Eturauhassyöpä riskinhallintaohjelmasta ovat seuraavat [16]: 50-59 vuotta,
PSA
≥ 3,0; 60-69 vuotta,
PSA
≥ 4,0; ja 70 ja yli,
PSA
5.0. Poikkeuksellisen korkea ja nosti PSA-pitoisuudet voivat, mutta ei välttämättä, ilmaisemaan eturauhassyöpää. Eurooppalainen tutkimus seulonta eturauhassyövän paljastui, että seulonta vähentää merkittävästi kuolemaan eturauhassyöpää, ja että mies, joka käy läpi PSA testaus on hänen riski kuolla eturauhassyöpään vähennetään 29% [17, 18], ja [19]. On kuitenkin myös huomattava, että normaali PSA-testi ei välttämättä sulje pois eturauhassyöpää.
Ensisijainen ja Toissijainen Gleason Patterns.
kudosnäyte (biopsia) käytetään havaitsemaan läsnäolo syövän eturauhasen ja arvioida sen aggressiivisuus. Tulokset peräisin eturauhasen koepalan ovat yleensä muodossa Gleason luokan pisteet. Kunkin biopsianäytteestä, patologit tutkia yleisin kasvain malli (Primary Gleason kuvio) ja toiseksi yleisin malli (Secondary Gleason kuvio), jossa kukin malli annetaan arvosana 3 5. Nämä laadut yhdistetään sitten luoda Gleason pisteet (luku välillä 6-10), jota käytetään kuvaamaan, miten epänormaalia rauhasjärjestelmää arkkitehtuuri näkyy mikroskoopilla. Jos esimerkiksi yleisin kasvain kuvio on asteen 3, ja seuraavaksi yleisin kasvain kuvio on arvosana 4, Gleason pisteet on 3 + 4, tai 7. pisteet 6 pidetään alhaisen riskin tauti, sillä siihen liittyy vähän vaarassa aggressiivinen; ja pisteet 3 + 4 = 7 osoittaa väli riski. Koska ensimmäinen numero edustaa suurinta osaa epänormaalin kudoksen kudosnäytteessä, 3 + 4 pidetään vähemmän aggressiivisia kuin 4 + 3. Lukemattomat 4 + 3 = 7 tai 8.-10 osoittaa, että rauhas arkkitehtuuri on yhä enemmän epänormaali ja joihin liittyy suuria riskejä sairaus, joka on todennäköisesti aggressiivinen.
kliiniset ja patologiset vaiheet.
kliinisessä vaiheessa on arvio eturauhassyövän vaiheessa ja tämä perustuu tuloksiin digitaalinen peräsuolesta tutkimus (DRE). Patologinen vaihe voidaan määrittää, jos potilas on ollut leikkauksessa ja siksi perustuu tarkasteluun poistetun kudoksen. Patologinen pysähdyspaikkojen on todennäköisesti tarkempi kuin kliininen pysähdyspaikan, koska se voi tarjota suoran käsityksen taudin levinneisyys. Tällä kliinisessä vaiheessa on neljä luokkaa kuvaavat paikallisen laajuuden eturauhasen kasvain (T1-T4). Kliiniset ja patologiset pysähdyspaikan käyttää samaan luokkaan, paitsi että T1 luokkaan ei käytetä patologisia pysähdyspaikan. Yhteenvetona vaiheissa T1 ja T2 kuvaavat syöpä, joka on luultavasti elimeen rajoittunut, T3 kuvailee syöpä, joka on alkanut levitä ulkopuolella eturauhasen, ja T4 kuvaa syöpä on todennäköisesti alkanut levitä läheisiin elimiin. Luokka T1 on kun kasvain ei voi tuntua aikana DRE tai nähtävissä kuvantamisen kuten transrectal ultraäänellä (TRUS). Luokka T1 on kolme alaluokkaa: T1 a syöpä on todettu sattumalta aikana höyläysleikkaus eturauhasen (TURP), joka on tehty hoitoon eturauhasen hyvänlaatuisen liikakasvun, ja syöpä on läsnä korkeintaan 5% kudoksen poistettu; T1b syöpä on todettu aikana TURP, mutta on läsnä enemmän kuin 5% kudoksen poistettu, ja T1c syöpä on todettu neula biopsia, joka on suoritettu, koska korkea PSA. Luokka T2 on kun kasvain voi tuntua aikana DRE tai nähnyt kuvantamisen, mutta silti näyttää rajoittuvan eturauhanen. Luokka T2 on kolme alaluokkaa: T2a syöpä on puolet tai vähemmän vain yksi puoli (vasen tai oikea) eturauhasen; T2b syöpä on yli puolet vain yksi puoli (vasen tai oikea) eturauhasen; ja T2c syöpä on molemmin puolin eturauhasen. T3-luokka on kaksi alaluokkaa: T3a syöpä ulottuu ulkopuolella eturauhasen, mutta ei rakkularauhaset; ja T3b syöpä on levinnyt rakkularauhaset. Lopuksi, luokka T4 syöpä on kasvanut kudoksiin vieressä eturauhasen (muut kuin rakkularauhaset), kuten virtsaputken sulkijalihaksen, peräsuoleen, virtsarakon, ja /tai seinän lantion.
TNM lavastus on laajimmin käytetty järjestelmä eturauhassyövän lavastus ja pyrkii laajuuden määrittämiseksi:
primaarikasvaimen (T vaihe),
puuttuminen tai läsnäolo alueellisen imusolmuke osallistuminen (N vaiheessa ), ja
puuttuminen tai läsnäolo etäispesäkkeitä (M vaihe)
TNM järjestelmä on hyväksynyt unionin International Cancer ohjaus (UICC) ja Yhdysvaltain sekakomitealle syöväntutkimuskeskuksen (AJCC). Useimmat lääketieteelliset laitteet käyttävät TNM järjestelmää pääasiallisena menetelmä syövän raportointiin. Kliiniset TNM ja patologisia TNM annetaan taulukoissa 1 ja 2 vastaavasti. Kun T, N ja M on määritetty, vaihe I, II, III, tai IV osoitetaan, vaiheen I on aikaisin ja vaiheessa IV on pitkälle edennyt tauti. Kun määritetään T, N ja M vaiheet, ennuste voidaan tehdä noin anatominen vaiheessa syövän käyttäen ryhmittymiä esitetään taulukossa 3, jossa vaihe I, II, III, tai IV annetaan potilaalle, jolla on vaiheen I on varhainen ja vaiheessa IV on edennyt sairaus [20]. Vaiheet I, II, ovat elin rajoittuu syöpä vaiheissa, kun taas vaiheiden III ja IV ovat extra-eturauhasen vaiheissa. TNM järjestelmät ovat käyneet läpi useita parannuksia, jotta ”parantaa tasaisuutta potilaan arviointi ja ylläpitää kliinisesti merkittävästi arviointi” [20]. Viimeisimmässä American sekakomitean Cancer (AJCC) [21], Gleason pisteet ja PSA on sisällytetty syövän vaiheessa /prognostista ryhmiä 3.
Methods I -Neuro-Fuzzy Model
sumea logiikka on jatkoa monikäsite logiikkaa, joka käsittelee likimääräinen sijaan kiinteä ja tarkka päättely. Kiinteä päättely on perinteinen binary logiikka jossa muuttujat voivat ottaa tosi tai epätosi arvoja. Sumea logiikka alkaa käsitteen sumea joukko [22], joka on asetettu ilman teräviä, selkeästi määritelty raja. Sumea joukko voi sisältää elementtejä vain osittainen verran jäsenyyden, ja täten mahdollistaa astetta totuuden, minkä sumea logiikka sovellettavissa lääketieteen skenaarioita, joiden katsotaan ottamaan monimutkaisuus, epävarmuus ja epämääräisyys. Sumea logiikka on yhdistetty eri pehmeän laskennan menetelmiä, kuten neuro-computing, mikä johtaa voimakas neuro-sumea järjestelmiä.
neuro-sumea järjestelmä ehdotti tässä (yhdistelmä sumean logiikan perustuvia algoritmeja, jotka on kuvattu kuvassa 1) ennustaa patologinen vaiheessa syöpä (eli diagnoosi tulos), käyttäen tietoja, jotka on saatu ennen leikkausta kliiniset kokeet, jotka suoritetaan ennustetta vaiheessa. Kuten TNM-järjestelmän, meidän ehdotettu neuro-sumea järjestelmä arvioi, onko potilaalla elimeen rajoittunut tauti (OCD, patologinen vaihe pT2) tai extra-eturauhasen sairaus (ED, patologinen vaiheessa
pT
2).
kliiniset tiedot käytettävä patologinen syövän vaiheen ennustuksen tyypillisesti vaikuttavat epätarkkuutta, mikä johtui pääasiassa siitä, että kaikki potilaat eivät epänormaalista tuloksiin kaikissa kliinisissä kokeissa. Tämä aiheuttaa ongelman, kun yritetään ennustaa syövän etenemisestä ja sen vuoksi päätettäessä paras hoitostrategia potilaille. Siksi sumea logiikka on sopiva lähestymistapa tämäntyyppiselle kliinisen ennusteen, koska sitä voidaan käyttää mallina ihmisen päättelyä-in real skenaarioissa kliinikon harkitsisi datan ja antaa arvion sijaan lopullista vastausta. Neuro-sumea järjestelmä tekee ennusteen tietyn potilaan ja palauttaa arvon edustaa ”aste jäsenyyden” potilaan syövän extra-eturauhasen set. Ehdotettu kehys on kuvattu kuviossa 1 ja kuvattu alakohdissa, jotka seuraavat.
neuro-sumea malli käsittää kaksi päävaihetta: oppiminen ja ennustaminen. Tällä
oppimisen vaiheessa
, malli kouluttaa itse käyttää potilastietoja, jolle patologinen vaiheessa on tiedossa, ja
ennustus vaiheessa
malli ennustaa patologinen vaiheessa käyttävät tietoja, joita on saatu aikana oppimisen vaiheessa. Seuraavissa alakohdissa kuvataan prosesseja, jotka ovat mukana aikana oppimisen ja ennustaminen vaiheissa.
System Tulot
oppimisen vaiheessa
, neuro-sumea ennustajan oppii (eli junat itse) nykyinen potilaskertomus tietojen luomiseksi tietoa, jota tullaan käyttämään (aikana
ennustus vaiheessa
) tehdä ennusteita uusia, ja aiemmin näkymätön, data. Aikana oppiminen vaiheessa järjestelmä ottaa syötteenä liittyviä tietoja kunkin potilaan kliiniset piirteet (eli ikä diagnoosin, PSA, koepala Primary Gleason kuvio, koepala Secondary Gleason kuvio, ja kliininen T vaihe) ja tunnettu patologinen vaiheessa tuloksia (eli tiedossa lähdöt) jotka on saatu aikana diagnoosin. Järjestelmä edustaa panokset matriisina
koosta
n
×
m
, jossa
n
on kokonaislukumäärä potilastietoja, ja
m
on kokonaismäärä kliinisiä piirteitä (eli järjestelmä tuloa,
m
= 5). Järjestelmä edustaa tavoitteet muodossa
n
× 1 vektori T, jossa jokainen solu
t
i
pitää patologisia T vaihe (pT) arvon kullekin potilaskertomus.
ennustus vaiheessa
, järjestelmä vaatii vain niin syötteenä 1 x
m
vektori pitämällä tuloksia potilaan kliiniset piirteet (eli ikä diagnoosin, PSA, koepala Primary Gleason kuvio, koepala Secondary Gleason kuvio, ja kliininen T vaihe), ja järjestelmä palaa kuvaavan arvon todennäköisyys potilaan ottaa Extra-Eturauhasen Disease (ts patologinen vaiheessa tulokset).
Data Normalisation
ikä, PSA, kliininen T vaiheessa ja patologinen vaiheessa (pT) muuttujat on ryhmiteltävä ennen kuin ne syötetään sumea ennustaja. Normalisoituminen arvoista on kuvattu
Tulokset
jakso. Normalisoituminen suoritetaan, jotta voidaan varmistaa tukien tasaisen jakautumisen tiedot ja poistaa mahdolliset poikkeavat tiedoista, jotka voivat vaikuttaa suorituskykyyn ennustajan algoritmin.
Fuzzy C-Means
Muodollisesti anna
= [
v
1,
v
2,
v
3, …,
v
n
] on [potilastietoihin tapauksissa] -by- [kliinisiä piirteitä] matriisi ja anna 2 ≤
c
n
olla kokonaisluku, jossa
c
on klusterien lukumäärä (eli luokat) ja
n
on kokonaismäärä potilas- tapauksia. Tässä nimenomaisessa eturauhassyövän sovelluksen,
c
= 2 koska meillä on kaksi klustereita: elimeen rajoittunut tauti (OCD) ja Extra-Eturauhasen tauti (ED). Sumea C-Means (FCM) algoritmi palauttaa listan klusterin keskusten
X
=
x
1, …,
x
c
ja jäsenyys matriisi
U
=
μ
i, k
∈ [0, 1];
i
= 1, …,
n
;
k
= 1, …,
c
, jossa jokainen elementti
μ
ik
omistaa yhteensä jäsenyys datapiste
v
k
(ts potilastietoihin) kuuluvat klusterin
c
i
. FCM päivittää keskuksia klusterien elimeen rajoittunut tauti ja Extra-Eturauhasen tauti, ja jäsenyyden laadut datapisteen, joka edustaa potilastietueen, iteratiivisesti siirtämällä klusterin keskusten oikeaan paikkaan datasarjan. Pohjimmiltaan tämä iterointi perustuu minimointiin tavoitefunktiota joka edustaa etäisyyden tahansa tiedot viittaavat siihen klusterikeskuksen painotettuna että datapiste jäsenyyden laatu. Kohdefunktion FCM on yleistys Eq (1) (1), jossa
μ
ik
edustaa astetta jäsenyys potilaskertomus
v
i
nteen
klusteri;
x
i
on klusterikeskuksen sumean ryhmä
i
; || * || on euklidinen etäisyys
nteen
klusteri ja
nnen
datapiste; ja
m
∈ [1, ∞] on painotus eksponentti. Edellytykset toiminto (1) saavuttaa sen minimi näkyvät toiminnot (2) ja (3). (2) (3) B
Sugeno-Yusukawa menetelmä
Kokoelma Takagi -Sugeno-Kang (TSK) säännöt [23], yksi kutakin klusterin, määrittämiseksi jäsenyys potilastietueen tiettyyn klusterin syntyy. Tämä Sugeno-tyyppinen Fuzzy päättelyjärjestelmä (FIS) generoidaan käyttämällä FCM klusterointialgoritmi. Määrä klustereita peräisin Klusterointiprosessia määrittää joukko sääntöjä ja jäsenyysfunktiot luodussa FIS. FIS rakenne kartat tuloa kautta tulon jäsenyysfunktiot ja liittyvät parametrit, ja sitten läpi lähtö jäsenyysfunktiot ja liittyvät parametrit tuotoksiin. Tuotos FIS johdetaan Adaptive-Neuro Fuzzy päättelyjärjestelmä (ANFIS) malli [24], joka sitten virittää FIS parametreja input /output koulutus tietoja, jotta voidaan optimoida ennustemalli.
Adaptive-Neuro Fuzzy päättelyjärjestelmä
Adaptive Neuro-Fuzzy päättelyjärjestelmä (ANFIS) [24] yhdistää Artificial Neural Networks ja sumean logiikan algoritmeja. ANFIS luo sumea päättely järjestelmän jäsenyyden toimintoja, joita syntyy mukautuva backpropagation oppimista. Arkkitehtuuria Type-3 ANFIS, joka on ANFIS käytetään ehdotetussa mallissa, on selitetty [24]. Seuraavassa on lyhyt kuvaus ANFIS ja perustuu [25]. ANFIS koostuu viidestä kerroksesta. Vuonna kerros 1, jokainen solmu muodostaa jäsenyyden luokan kielellinen muuttuja (eturauhasen syöpä skenaario, kielelliset muuttujat ovat lavastus luokkia, eli elimeen rajoittunut tauti ja Extra-Eturauhasen tauti) käyttäen jäsenyyden toimintoa. Gaussin jäsenyys toimintoa käytetään sisällä neuro-sumea malli. Layer 2 laskee ampumakykyisiksi kunkin säännön, ja kerroksen 3 laskee suhde kunkin säännön ampumisen voimaa yhteensä kaikkien ampumisen vahvuuksia. Klo kerros 4, osuus kunkin säännön kohti kokonaistuotannon lasketaan, ja lopuksi kerros 5 laskee yleistä ulostulon summattu osuus kustakin säännöstä. Aikana oppimisprosessi, ANFIS mukautuu parametrit liittyvät jäsenyysfunktiot ja virittää ne käyttäen gradienttivektorin joka otetaan joukko parametreja, mittaa järjestelmän perusteella, miten hyvin se malleja tulon ja lähdön tiedot. ANFIS on käytetty yhdessä FCM, ja näin FIS palasi FCM klusterointi syötetään ANFIS, ja FIS parametrit on viritetty käyttäen input /output koulutus tietoja, jotta voidaan optimoida ennustemalli.
koulutuksen pysähtyy aina kun nimetty epookki numero on saavutettu, tai virhe tavoite on saavutettu. Suorituskyky ANFIS arvioidaan käyttäen joukko tehollisarvo virheitä (ero FIS lähdön ja harjoitustietosivut lähtö) kussakin aikakautta. Siten jäsenyyden aste potilastietueen tiettyyn klusterin (esimerkiksi Extra-Eturauhasen tauti), määrittää, kuinka lähellä ennusteen on seuraavaan klusterin (esim elimeen rajoittunut tauti). Yksinkertaisesti sanottuna, anna
c
ja
c
b
olla klusteri Extra-Eturauhasen tauti ja klusterin Organi- Ahtaat Disease vastaavasti potilastietueen
v
k
voi kuulua klusterin
c
siten, että
v
k
∈
c
, tai se voi kuulua risteyksessä alueella kahden klustereita siten, että
v
k
∈
c
∧
v
k
∈
c
b
.
Neuro-Fuzzy Predictor
neuro-sumea ennustaja ottaa syötteenä vektori
X
i
of koko 1 x
m
, jossa
m
on kokonaismäärä kliinisiä piirteitä, joten 1 x 5 ja potilastietue on ryhmitelty niin elimeen rajoittunut tauti tai Extra-Eturauhasen tauti kautta FCM klusterointialgoritmi [26]. Ennalta määrätty Takagi-Sugeno-Kang (TSK) säännöt [23] syötetään sitten, jotta voidaan arvioida, missä määrin jäsenyys potilastietue tietylle klusterin. Tuotos on numeerinen arvo edustaa todennäköisyyttä potilaan kuuluvan Extra-Eturauhasen Disease klusteri. Tämä arvo on erityisen hyödyllinen päätettäessä sopivan käsittelyn tarjotaan potilaalle. Esimerkiksi hoito voi olla erilainen, jos potilas on ennustettu olevan elimeen rajoittunut tauti, joiden arvo nojaa enemmän kohti Extra-Eturauhasen tauti.
Methods II-Muut Computational Intelligence Approaches
Artificial Neural Network luokitin
keinotekoinen neuroverkko (ANN) voidaan opettaa tunnistamaan kuvioita tiedot ja tämä on sopiva lähestymistapa ratkaisemiseen luokitusta liittyviä ongelmia kahden tai useamman kerroksen. Sillä eturauhassyöpä lavastus ennustus ongelma, ANN on koulutettu tunnistamaan potilaat, jotka ovat elimeen rajoittunut tauti tai Extra-Eturauhasen tauti. Hahmontunnistuksen neuroverkon käytettiin kahden kerroksen feedforward-verkko, jossa ensimmäinen kerros on yhteys verkkoon tulo, ja se on kytketty lähtöön kerros, joka tuottaa verkon lähdön.
log-sigmoid siirtofunktio
upotettiin piilotettu kerros ja
Softmax- siirtofunktio
upotettiin tuotoksen kerrokseen.
neuroni on R useita panoksia jossa R on elementtien määrä panos vektori. Anna tulo vektori X olla potilastietueen
X
i
kuuluvat luokkaan elimeen rajoittunut tauti tai Extra-Eturauhasen tauti. Jokainen tulo
X
i
painotetaan sopivalla paino
w
. Summa painotetun panosten ja bias muodostaa tulon siirtofunktio
f
. Neuronien voidaan käyttää differentioituva siirtofunktio
f
tuottaa tuotantoaan. Log-Sigmoid toiminto, joka generoi lähtöjä välillä 0 ja 1, kun neuroni liikevaihto panos kulkee negatiivisesta positiiviseen äärettömyyteen käytettiin. Softmax hermo siirtofunktio käytettiin laskemiseen kerroksen tuotosta sen net panos. Softmax toimintoja muuntaa raaka arvon osaksi posterior todennäköisyys ja tämä antaa mitan varmuudella. Määrä piiloneuronien asetetaan 5, jotta ne vastaisivat tulojen määrä.