Redes neuronales artificiales para el diagnóstico y la predicción de la supervivencia en el cáncer de colon

RNAs son la regresión no lineal computacional dispositivos que se han utilizado durante más de 45 años en la clasificación y la predicción de la supervivencia en varios sistemas biomédicos, incluyendo el cáncer de colon. Descritos en el presente artículo es la teoría de las tres capas libre adelante redes neuronales artificiales con backpropagation error, que se utiliza ampliamente en campos de la biomedicina, y en un enfoque metodológico para su aplicación para la investigación del cáncer, como por ejemplo el cáncer de colon. Revisión de la literatura muestra que las aplicaciones de estas redes han mejorado la exactitud de la clasificación del cáncer de colon y de predicción de la supervivencia en comparación con otros métodos estadísticos o clinicopathological. Exactitud, sin embargo, debe ser ejercida en el diseño, la utilización y la publicación de resultados biomédica máquina-aprendizaje que emplean dispositivos tales como RNAs en la literatura de todo el mundo con el fin de reforzar la confianza en la calidad y la fiabilidad de los datos notificados.

Las solicitudes de RNAs para diagnostico de cáncer de colon

Microarray de datos se están convirtiendo en herramientas poderosas en el diagnóstico clínico, especialmente para la clasificación de tumores, ya que al mismo tiempo record los niveles de expresión génica de miles de genes. Estos datos se caracteriza por la alta dimensionalidad, porque un gran número de la expresión génica de entrada muy superior al número de toma de muestras, que pueden llevar a overfitting. Esta situación hace necesaria, ya sea a través de la reducción de dimensionalidad utilizando un algoritmo de reducción, o la selección de un pequeño conjunto de los genes, como aporte a la clasificación supervisada en un camino , o mediante el empleo de la validación cruzada para evitar el overfitting .

Ambos métodos de agrupamiento no supervisado y supervisado han sido los métodos empleados para la clasificación . He empleado el cáncer de colon como ejemplo para mostrar cómo RNAs supervisadas tienen una ventaja sobre los métodos de la agrupación (que se consideraban incapaces de detectar sutiles diferencias biológicas entre clases) en la clasificación en caso de algún conocimiento previo de las clases está disponible.

Existe una importante distinción sutil entre adenomas esporádicos de colon y el cáncer (ZEC) y la enfermedad inflamatoria tazón relacionado con displasia o cáncer (IBDNs) porque ZEC puede ser administrado por polipectomía por sí solo, mientras que IBDNs requieren un riesgo para la vida colectomía subtotal. Un microarray estudio fue realizado para evaluar la capacidad de ANN y el análisis de conglomerados jerárquico de discriminar entre estos tipos de cáncer basado en hibridadas 8064 clones de cDNA a mRNAs derivados de 39 especímenes neoplásica de colon . GeneFinder software se utiliza para seleccionar clones 1192 que mostró significativamente diferente media de los cuadrados de los niveles de expresión entre IBDNs y ZEC (P = 0,001). Un BP FFNN, con dos capas ocultas y 1192 entradas (en representación de los genes seleccionados) se construyó, y la salida se fijó en 0 para IBDNs y 1 para ZEC utilizando el programa de software MatLab (Math Works, Inc, Nattick, MA). El RNA es la formación adquirida mediante un conjunto de 5 IBDNs y 22 ZEC. La prueba comprende el resto de datos de las muestras consiste en 3 IBDNs y 9 ZEC. ANN aproximaciones se evaluó mediante análisis de regresión que comparó los resultados esperados (Meta) con ANN después de la formación de salida, y unpaired 2 caras "t" de Student también se utilizó para evaluar la diferencias estadísticas entre la red definida IBDNs versus ZEC (es decir, 0 vs 1). Jerárquicos agrupación se ha realizado mediante el programa Cluster (Universidad de Stanford, Palo Alto, CA). Considerando que la red correctamente diagnosticados 12 de 12 muestras de ciego, el análisis no jerárquicos, probablemente a causa de ruido en la base de datos. Sólo mediante un proceso iterativo para reducir el número de clones utilizados para el diagnóstico a 97, el grupo de análisis podría separar los dos tipos de lesiones. Incluso con este clon reducido conjunto, ANN todavía conserva su capacidad para el diagnóstico correcto de los dos tipos de cáncer de colon.

Otro estudio microarrays empleado una combinación de selección de método en relación con el conjunto de redes neuronales para el análisis de datos de cáncer, entre ellos el de colon. El principio del método se basa en el supuesto de que la combinación de distintos mecanismos de selección de función para elegir mejor clasificado de los genes va a obtener más información, y mediante el uso de un conjunto que combina la salida de varios RNAs en un total de la producción, a sus características pueden ser analizadas de manera más eficaz debido A la estabilidad de las redes y la solidez de la respuesta [39]. Los autores emplean la base de datos pública de Alon et al que contiene 62 muestras (40 tumores de colon y 22 muestras de tejido normal).

Escogieron 2000, de los genes expresados ~ 6500, en base a su confianza en el nivel medido expresión de montar redes consta de 100 miembros. No se dispone de muestras frescas para la realización de pruebas de la red de conjunto. No obstante, la utilización de este conjunto, la exactitud de predicción de la adopción de la licencia-un-a la validación cruzada (LOOCV) y 10 veces la validación cruzada fue 91,94% y 90,32%, respectivamente, frente al 85,48% obtenido mediante el uso de diferentes algoritmos de impulsar, en combinación con LOOCV. Sin embargo, un inconveniente de los RNAs conjunto enfoque es el aumento de complejidad computacional y el tiempo adicional necesario para realizar el análisis.

Solicitud de FFNN de predicción de la supervivencia en el cáncer de colon

Actualmente es difícil predecir cuándo y si un paciente va a morir tras la cirugía y el tratamiento de quimioterapia adyuvante del cáncer de colon, sobre todo en el intermedio duques; ByC etapas, utilizando técnicas disponibles sobre la base de estadificación TNM histopatológico y empleando univariado y análisis de regresión multivariante .

A 5 años de seguimiento de los datos de 334 pacientes tratados por cáncer colorrectal (CCR) se utilizaron para capacitar a 284 pacientes y 50 pacientes utilizando validar 6 FFNN con BP, que contiene de 2 a 15 unidades ocultas diseñado para predecir la muerte en 9, 12, 15, 18, 21 y 24 meses utilizando la función de activación logística con salida continua en el intervalo de 0, 1. Por otra parte, el entrenado de 12 meses ANN se aplicó entonces a 2 años de seguimiento de pacientes de una segunda institución. La red de las predicciones de que los pacientes mueren dentro de los 12 meses también se compararon con los de consultoría de dos cirujanos [42]. Los resultados mostraron que todos los 6 RNAs son capaces de lograr una exactitud de predicción de muerte a los IC del 95%: ≥ 80% en la primera institución, con una sensibilidad y especificidad de 60% y 88%, respectivamente. Por otra parte, el entrenado de 12 meses ANN logrado una exactitud de predicción de la muerte del 90% (95% CI 84-96), cuando se aplica a la muerte de la segunda institución, en comparación con una exactitud de 79% (71 - 87) y el 75 % (66 - 84) para los cirujanos CRC. Así, RNAs predijo resultados de CRC muerte más precisa que los métodos clinicopathological. Además, una vez formados en una institución, RNAs son capaces de predecir con precisión los resultados para los pacientes de una institución no relacionadas .

En otro estudio para predecir una sobrevida a 5 años después de tratamiento primario de carcinoma de colon en la Base de Datos Nacional del Cáncer (NCDB), el Reino Unido, 37500 casos atendidos entre los años 1985 y 1993, y no se utiliza en el modelo de desarrollo, se analizaron por un ANN Y en comparación con el modelo estándar paramétrico de Cox de regresión logística. Un FFNN con dos capas ocultas que figura 4 y 3 neuronas ocultas, respectivamente, y una capa de salida fue seleccionado. Once variables de entrada han sido seleccionados por un método de análisis de sensibilidad (incluyendo raza, sexo, edad, localización del tumor, el tamaño, comportamiento; histopatología; cirugía, quimio o radioterapia, hormonal o de otro tipo de cáncer de la terapia dirigida), y sólo las variables que resultaron significativas en Pérdida de precisión cuando se conservaron cayó en la final arquitectura de la red, el entrenamiento de la red se logra mediante el uso de una norma de segundo orden ascendencia método del gradiente conjugado. Un conjunto de validación que representan el 25% de los datos seleccionados en forma aleatoria, fue empleado para la validación. El área bajo la curva ROC fue utilizado para medir la precisión de la predicción global de la red. El ROC ANN arrojó una superficie de 87,6%. En la sensibilidad a la mortalidad de 95%, la especificidad fue del 41%. La regresión logística arrojó una zona ROC de 82%, y la sensibilidad a la mortalidad de 95% dio una especificidad de sólo 27%. Así, la ANN encontrado un fuerte patrón en la base de datos de predicción de sobrevida a 5 años, mientras que la regresión logística producido algo menos exacta, pero los buenos resultados [10]. En otro estudio realizado por el mismo grupo de investigadores destinado a la predicción de 5 años de supervivencia asociada con CRC utilizando el mismo ANN y de regresión de Cox y ROC para comparar datos, el modelo de regresión logística dio un resultado de 66% y el 78 dio ANN %, Lo que indica que la red neuronal enfoque fue más superior en comparación con el análisis de regresión para predecir la supervivencia del cáncer de colon.

Un cuarto estudio comparó la estadificación TNM RNAs a predecir 5 años la supervivencia de los pacientes con CCR, utilizando el área bajo la ROC como medida de la precisión. Variables para evaluar la atención de los pacientes (PCE) la base de datos utilizada para el análisis incluyeron: edad, raza, sexo, signos y síntomas (por ejemplo, los cambios en los hábitos intestinales, obstrucción, ictericia, sangre oculta, y otros), el diagnóstico y el alcance de las pruebas de la enfermedad (Por ejemplo, endoscopia, radiografía, el enema de bario, la colonoscopia, CT, biopsia, antígeno CEA, rayos X, pruebas de función hepática y otros), y histoipathological parámetros.

Una prueba de conjunto de 5007 casos de capacitación, y un conjunto de 3005 la validación de los casos se utilizó.

Un FFNN BP compuesto por una entrada, una oculta y una capa de salida se utilizó. El RNAs predicción de sobrevida a 5 años fue significativamente más preciso que el estadiaje TNM (ANN TNM 0,815 versus 0,737, p <0,001). Agregando comúnmente recogido variables demográficas y anatómicas a la TNM variables aumentado aún más la exactitud de la ANN (0.869). Así, el RNAs fueron significativamente más preciso que el sistema de estadificación TNM cuando ambos utilizan la TNM factores pronósticos solo, y los factores pronósticos añadido a ANN aumentado aún más el pronóstico predictivo exactitud .

http://viaclinica.com/article.php?pmc_id=1208946

las redes neuronales se han convertido en una herramienta muy beneficiosa para la salud en general, la  identificacion de factores que influyen en el desarrollo de las enfermedades,  lograr detectar enfermedades a tiempo, etc. son cosas que pueden permitir obtener resultados optimos.