条文本
PDF
文摘
背景和目的:淋巴结转移是不争的决定因素结肠癌和直肠癌的预后。使用古典组织学标准,许多没有试图预测淋巴结的转移,防止足够我(pT1)癌症管理阶段。我们研究肿瘤的作用matrilysin预测转移的潜力,并讨论其潜在使用赋予个性pT1结肠癌和直肠癌的治疗。
方法:与淋巴结转移相关的基因签名是调查cDNA数组在24结肠癌和直肠癌。我们研究了494名结肠癌和直肠癌患者确定淋巴结的转移和评估潜在的风险因素来预测淋巴结的转移通过逻辑回归模型或内置matrilysin贝叶斯神经网络模型。然后我们推断可能的因果关系的结构方程模型的节点转移。
结果:互补脱氧核糖核酸数组显示matrilysin最大调节在转移签名确认。肿瘤matrilysin表达式成为舞台淋巴结转移的独立危险因素,导致类似的预测性能在接受者操作特征曲线分析两个模型。贝叶斯方法称为自动相关性测定确定matrilysin最相关的预测研究。结构方程模型表明matrilysin之间的直接因果关系和淋巴结的转移成为可能。
结论:我们提供了证据表明,肿瘤matrilysin表达式是一个有前途的生物标志物预测节点转移的结肠癌和直肠癌。分析肿瘤matrilysin表达式将帮助临床医生实现个性化癌症治疗的目标基于pT1结肠癌和直肠癌的转移潜能。
- ARD,自动关联的决心
- 安,人工神经网络
- CRC,结肠癌和直肠癌
- EMR,内镜黏膜切除术
- MMP的基质金属蛋白酶
- MMP-7, matrilysin
- 山姆,微阵列的意义分析
- SEM,结构方程模型
- matrilysin
- 贝叶斯神经网络
- 结构方程建模
- 淋巴结的转移
- 结肠癌和直肠癌
来自Altmetric.com的统计
结合微创和目标导向治疗,量身定制符合转移潜力,是一个理想的但仍远程癌症治疗的目标,这将改善结果和减少癌症患者的医疗费用。后基因时代,癌症治疗已经成为越来越多的面向目标的1和许多分子靶点识别通过高通量技术鼓励这一趋势,为临床使用提供有吸引力的候选人。2 -4此外,个性化的基于药物基因组学现在是一个真正的临床癌症治疗的可能性,而微创手术是目前首选的方法对许多癌症。5尽管许多组织学研究,我们仍不能评估癌症的转移潜能。6本研究的主要目的是评估和预测癌症的转移潜力,这是很难直接评估。幸运的是,局部区域节点几乎总是最初的网站转移扩散阶段我(pT1)结肠癌和直肠癌(CRC),所以节点转移的发展应该完全反映原发性肿瘤的转移潜力我(pT1) CRC的阶段。我们的次要目的是提出个性化治疗阶段我(pT1N0M0) CRC基于临床转移潜能。
基质金属蛋白酶(MMP)是有前途的癌症治疗的目标基于大规模upregulation恶性组织和其独特的细胞外基质成分的能力。7我们和其他作者报道,matrilysin (MMP-7)是完全由肿瘤细胞和肿瘤生长具有重要影响,入侵,胃肠道癌症的转移和预后。8日,9日,10日,11日,12日,13尽管matrilysinβ-catenin transactivated的目标之一,Wnt通路的关键中介,与家人互动的Tcf / Lef1转录因子,13 -15并在肿瘤发生早期直接有牵连,9matrilysin的精确作用在淋巴结的转移潜力尚不清楚。
神经计算和图形造型最近成为一个实用的技术,与成功的应用在许多不相关的领域。人工神经网络(ann)算法适用于复杂的非线性统计模型提供一种新的选择逻辑回归的最常用的方法为二分结果在医药开发预测模型。16日,17结构方程建模(SEM)是一种统计的方法来推断潜在因素之间的因果关系不可能直接观察,和选择的可测量的变量在社会和物理现象。18然而,歧视性的使用逻辑回归、安、SEM产生最好的结果在临床决策过程仍不完全清楚。
在这项研究中,我们发现,matrilysin是转移性的基因签名cDNA数组中最大限度地调节分析。使用大量的CRC患者,我们确定肿瘤matrilysin表达式是一个舞台淋巴结转移的独立危险因素。然后,我们开发和评估两个新颖的基于逻辑回归预测模型和贝叶斯安内置matrilysin。此外,可能的因果关系的matrilysin淋巴结的转移从SEM推断。基于这些发现,我们提出,将完善评估转移性肿瘤matrilysin测量CRC的潜力,和内窥镜干预结合matrilysin测量是最理性的策略对pT1 CRC,使个性化癌症治疗调整的风险转移。
材料和方法
设计和参与者
我们从24 CRC患者获得新鲜组织。所有经历了国际抗癌联盟明确手术根据(UICC)的指导方针。比较基因表达谱在CRC (n = 16)有淋巴结的转移与那些没有淋巴结的转移(n = 8),每个标本包含超过90%的肿瘤细胞受到cDNA阵列分析。所有肿瘤都是腺癌,及其临床病理的特点分类根据UICC TNM分类。
我们将494名日本pT1-T4 CRC患者分成两个研究种群评估节点的风险转移。我们进行了横断面调查在180年的一组连续患者pT1,定义为当肿瘤侵入黏膜下层(表1、2)。这些都是分成两个子组:外科组(n = 94)激进的手术,仅和一个内镜黏膜切除术(EMR)组(n = 86)由最初的内镜治疗局部切除之后,额外的根治手术。的另一个主要集团由244年pT1-T4 122配对组成的患者年龄(五年内)和性别、根据案例分析(节点积极),控制节点(消极的)设计(表3、4)。比较新的生物标志物(肿瘤matrilysin)与当前标准,我们故意引入“不利的分数”,这被定义为标准的添加剂和淋巴结的转移在pT1 CRC的危险因素。这些因素包括:深度入侵(得分0或大规模稀疏1);分化等级(1、中度2,和3);淋巴入侵(- 0或+ 1);和血管侵犯(负0或正1)。19治疗所有患者进行了1990年和2001年之间在医院附属于我们的大学,和所有患者知情同意。我们排除了多个主要的癌症患者,家族癌症综合征、特发性炎症性肠病。札幌医科大学的机构审查委员会批准了这项研究。我们从医学临床病理的数据检索和病理记录(表1 - 4)。
494名患者被随机分为两组:一个是训练数据组402例和另一个是测试数据组92例。使用训练数据集,我们独立开发两个预测模型、逻辑模型和贝叶斯ANN模型。然后我们评估这两个模型的预测性能使用相同的测试数据集。此外,我们开发了一个因果模型节点的转移与扫描电镜使用训练数据集(详情见附件)。
互补脱氧核糖核酸阵列分析
我们执行cDNA阵列分析根据制造商的协议,使用过滤器(人类癌症;Toyobo)组成的550癌症相关基因和11个看家基因复制。的完整列表可以在URLhttp://www.toyobo.co.jp。比较基因表达谱的淋巴结的转移使用意义的分析微阵列(SAM;http://www-stat.stanford.edu/提波斯/ SAM /)20.(详情见附件)。
免疫组织化学及其评价
档案福尔马林固定石蜡包埋的部分应用使用标准avidin-biotin过氧化物酶技术,按照制造商的推荐(Dako、斯特鲁普、丹麦)。鼠标使用单克隆抗体是针对人类MMP-7 (141 - 7 - b2;第一核电站精细化工、富山、日本)、细胞角蛋白(56 kDa) (KL-1;Serotec,牛津大学,英国),β-catenin(转导实验室、肯塔基州的莱克星顿,英国)。最简单的标准来评估根据一个孤注一掷的原则采用免疫反应性。Matrilysin疣状被判断为积极提供底和/或胞质染色观察入侵边缘(图1),细胞角蛋白是用于提高可视化的小初露头角的癌细胞的数量。肿瘤萌芽被定义为微观的未分化癌细胞在入侵前的肿瘤,也被称为“焦去分化”。21在这个分析,评价积极β-catenin表达仅限于核积累浸润性肿瘤的前面。两个独立的研究人员(丫和TS)评估所有疣状盲目的方式。
表达式的matrilysin入侵前pT1结肠癌和直肠癌淋巴结转移。(A)全景haematoxylin-eosin斑(×1.5)代表的部分。中度分化腺癌大规模入侵到黏膜下层。淋巴和静脉入侵都是礼物。在这项研究中,前面的侵入性肿瘤被定义为代表的边缘箭头所示部分切除标本。(B)的免疫组织化学matrilysin (×20)。箭头显示消除matrilysin表情崭露头角的癌细胞的入侵。
统计分析
分类比较的临床病理的特点进行了使用χ2测试、确切概率法的p值根据皮尔逊的统计或蒙特卡洛方法。连续变量被学生的测试t测试。逻辑回归分析节点使用向后逐步执行转移法(似然比)(软件、SPSS为Windows版本11;芝加哥,伊利诺斯州,美国)。临床病理特征匹配的数据使用条件逻辑回归进行分析。一个p值小于0.05的被认为是具有统计学意义。所有测试都正反。
人工神经网络(ann)
最受欢迎的三层前馈感知器学习算法,采用误差反向传播,。22它是由九个输入单元,20隐藏的单位,和一个输出单元。九个输入节点包括年龄、性别、肿瘤大小、肿瘤位置、深度入侵,分化等级、淋巴和静脉入侵,matrilysin的表情。一个输出节点代表节点转移。我们使用贝叶斯学习神经网络的实现使用马尔可夫链蒙特卡罗抽样由尼尔。23自动关联的决心(ARD),麦基和尼尔提出的,24日,25是一种分层贝叶斯方法有hyperparameters明确代表不同的输入特性的相关性(图2)。所有的分析贝叶斯神经网络采用软件灵活的贝叶斯模型(版权1995 - 2003年由雷德福米尼尔,版本2003-06-29;软件和它的文档可从下面的URLhttp://www.cs.utoronto.ca/ ~雷德福/)。此外,我们进行了接受者操作特征(ROC)曲线分析两种预测模型开发与挑战它(由查尔斯·E梅茨;ROC软件包括挑战它和用户手册可以在以下网址:http://home.uchicago.edu/ junji / KRL_HP / rocold.htm)(图3)26(详情见附件)。
输入体重大小自动相关性测定之前输入隐藏的重量。这些情节显示低水平的值输入隐藏hyperparameters的模拟。他们的平均平方大小的平方根权重的连接九个输入。水平轴给supertransitions的数量。
接受者操作特征曲线(ROC)的ROC曲线分析表明人工神经网络(ANN)模型和逻辑回归模型的训练数据集。曲线下的面积定义为每个曲线和周围区域的对角线。
结构方程建模(SEM)
我们试图推断因果关系的节点转移使用的相同的训练数据集安从SEM分析。路径图作为节点转移的因果模型,包括9个可衡量的和两个潜变量,是发达的。该模型在统计学上评估t测试所有路径r2值或平方多重相关计算。SEM分析EQS6.1用于Windows(美国加州多元软件有限公司)(图4)(详情见附件)。
淋巴结的转移的路径图。圆圈代表了潜在的变量,肿瘤生长和转移的潜力。矩形表示可测量的变量。只有重要的路径和估计参数显示。
结果
我们确定了三个基因调节的至少四倍(matrilysin,层粘连蛋白β-2,和PMS1)和一个由至少四倍下调(cadherin-6) CRC组织有淋巴结的转移(详情见附件)。这些差异表达四个基因在山姆分析具有统计学意义,和半定量逆转录-聚合酶链反应分析,结果符合的cDNA阵列分析(数据未显示)。
Matrilysin和β-catenin优先表达,但在不同的位置前面的侵入性肿瘤(图1)。癌细胞仍然形成中度分化管状腺结构表示matrilysin两极分化的顶端细胞表面焦肉瘤或出芽的腺体在许多情况下肿瘤细胞表现出matrilysin动摇在细胞质和/或基部的细胞表面(图1 b)。
20 180 pT1患者(11.1%)节点的正面的,如表1所示。检索到的淋巴结平均为14.8,而不是依赖于节点的状态转移。五十六matrilysin阳性180例(31.1%)。肿瘤萌芽在66.0%(95/144)的标本,和异常的核表达β-catenin中发现70.9% (100/141)。淋巴结的转移和肿瘤matrilysin统计与相同的相关因素:肿瘤侵犯深度(p = 0.016)v0.011),肿瘤的萌芽(p = 0.0025)v< 0.0001),积极matrilysin表达(p < 0.001),淋巴入侵(p = 0.039v0.0188),静脉入侵(p = 0.024v0.01),淋巴结转移(p < 0.0001),分别。β-Catenin没有与任何的因素了。虽然积极外科肿瘤matrilysin和淋巴入侵的子群明显高于EMR组,其他因素(表1)。多个物流分析显示肿瘤matrilysin表达式(优势比为10.4,6.7(95%可信区间(CI) 3.18 - -33.98, 1.10 - -41.48))是一个独立的危险因素淋巴结的转移在pT1 CRC和EMR子群,分别静脉入侵(优势比为2.8 (95% CI 1.39 - -5.61))是一个独立的危险因素淋巴结的转移在pT1 CRC(表2,上部)。分析使用不利的分数,肿瘤matrilysin(优势比为9.2,6.1 (95% CI 2.83 - -30.08, 1.08 - -34.91))是一个独立的危险因素在pT1 CRC和EMR子群,分别和不利的分数(优势比为1.5 (95% CI 1.11 - -2.12))是一个独立的危险因素在pT1 CRC(表2,下方)。
244 pT1-T4 CRC患者的临床病理特征的其他研究人口列于表3。检索到的淋巴结平均为29.4,这是独立的节点的状态转移。Matrilysin表达阳性176例(72.1%)和所有参数检查除外肿瘤位置是统计学意义Matrilysin淋巴结的转移和积极性。条件确定物流分析淋巴结的转移,淋巴入侵(调整后的优势比为5.7 (95% CI 2.66 - -12.37))和肿瘤matrilysin表达(调整后的优势比为5.27 (95% CI 1.75 - -15.84))阶段是淋巴结转移的独立危险因素(表4,上)。使用不利的分数,肿瘤matrilysin表达式(调整优势比为4.3 (95% ci 1.71 - -10.64))和不利的分数(调整后的优势比为1.9 (95% ci 1.46 - -2.58))是独立危险因素(表4,降低)。
物流模型和贝叶斯ANN模型是由相同的402训练数据集和评估92年相同的测试数据集。ROC曲线分析表明,预测精度测试与训练数据集的ANN模型有一个最大的敏感性为88.0%,特异性86.6%接受切断值为0.37。然而,这些值逻辑模型最大限度为88.0%和82.1%,分别在切断值为0.46(图3)。曲线下的面积分别为0.904和0.874的神经网络和逻辑回归分析,分别;两条ROC曲线之间的差异没有达到统计学意义。
ARD模型的贝叶斯技术确定输入参数的意义在测试数据集。输入参数分为两类,命令从最相关的最相关的每个类如下。相关参数:肿瘤matrilysin表达式,淋巴入侵,入侵的深度,静脉入侵。无关的参数:分化等级、性别、肿瘤大小、年龄、肿瘤的位置(图2)。
我们开发了一个多指标的SEM模型引入两个潜伏因素为肿瘤生长和转移的潜力。探讨了模型具有良好的拟合优度值:χ2χ= 8.735 (p = 0.810)2/dfNFI = 0.986 = 0.582, NNFI = 1.020, CFI = 1.000, RMSEA = 0.000。这表明matrilysin(路径系数= 0.42)和淋巴入侵(路径系数= 0.35)是因果的父母淋巴结的转移。我们可以跟踪从因果因果图上的三个路径祖先(肿瘤生长)后裔(淋巴结的转移):肿瘤生长→转移潜能→ly→淋巴结的转移(0.35×0.77×0.35 = 0.09);肿瘤生长转移潜能→→MMP-7→淋巴结的转移(0.35×0.56×0.42 = 0.08);肿瘤生长→MMP-7→淋巴结的转移(0.25×0.42 = 0.11)。整体之间的联系是这些影响的总和,这样效果由ly是0.09,而由MMP-7是0.19。因果效应的相对贡献matrilysin大约是两个(0.19/0.09)高于淋巴入侵的因果模型(图4)。
讨论
我们的目标是评估CRC的转移潜力以开发潜在的临床有效的个性化治疗基于反对阶段我的CRC (pT1N0M0)。利用cDNA数组,我们首次发现的许多可能的候选人,matrilysin是一个主要的生物标志物参与淋巴结的转移。我们以前报道,matrilysin表达式被局限于癌症细胞,这不仅与肿瘤转移相关潜在的小鼠模型,但也涉及胃肠道癌症患者的不良预后。此外,matrilysin Wnt信号通路是一个既定的目标。由于这些原因,我们特别关注matrilysin进行进一步分析。
基质金属蛋白酶一直是癌症治疗的一个潜在的目标。然而,合成金属蛋白酶抑制剂的临床试验已经令人失望。26缺乏成功的一个主要原因可能导致明显的不确定性对抑制活动所需的精确的光谱。换句话说,有必要阐明个人基质金属蛋白酶的作用在癌症发展的阶段和类型的癌症。为了解决这个问题,为了说明直观的临床应用,我们专注于matrilysin和淋巴结的转移我CRC pT1的阶段。如果目标可以发现早期疾病,面向目标的方法可能会更成功。有趣的是,没有matrilysin积极的原位癌或腺瘤检查使用我们的标准为肿瘤免疫反应性matrilysin好像反映他们的转移潜力。pT1 CRC的最早阶段疾病和淋巴结的转移在pT1 CRC是肿瘤扩散的初始步骤,必须精确地反映原发性肿瘤的转移潜能。因此,分析节点转移pT1 CRC应该创建新的治疗途径涉及转移潜在的个性化或以目标为导向的方法。
到目前为止,治疗pT1 CRC从内镜各种明确的手术。节点的总体频率pT1 CRC的转移可能低至10%(表1),27提高内镜局部切除的可能性是一个有效的方法有前途的治疗大多数pT1患者没有转移(pT1N0M0)。尽管广泛的组织学研究,我们仍然无法预测pT1 CRC的转移潜能。28这个能力是问题的症结所在pT1 CRC的如何改善治疗。180年系列pT1患者,甚至在EMR组(n = 86)由最初的内镜治疗局部切除紧随其后的是额外的根治手术,大约有90%的病人接受不必要的广泛的手术。肿瘤matrilysin表达成为一个新的生物标志物优于常规节点转移肿瘤matrilysin相比时的风险因素与个体危险因素(表2和4,上半部分)或不利的分数定义为整笔风险因素(表2和4,下方)在这项研究中。使用我们的ANN模型,对手术的发生率在EMR子群(换句话说,假阳性率)应该会减少约12%(11/86),而导致约92%(79/86)在当前标准评估节点的转移。基于个性化癌症治疗的概念调整的风险转移,内窥镜结合分析肿瘤局部切除术matrilysin表达似乎是最理性的策略基于pT1 CRC患者的治疗决策。这就需要确认进一步的临床研究和更广泛的共识之前,其广泛的应用。
进行进一步的因果推论和开发一个健壮的预测模型节点积极性,另一臂的244 pT1-T4 CRC,年龄和性别匹配的单独,根据病例对照研究设计。29日条件逻辑回归分析,这些数据还显示,肿瘤matrilysin表达式和淋巴入侵阶段淋巴结转移的独立危险因素。这部分我们的研究不能严格归类为一个纵向研究,因为结论matrilysin表达式之前淋巴结的转移只是保证在86 pT1患者EMR小组由最初的内镜治疗局部切除紧随其后的是额外的根治手术。然而,以下的发现意味着积极的因果关系的matrilysin淋巴结的转移。30.matrilysin表达符合生物的存在合理性的“不侵略不转移”,这个协会是由相应的持续的一致性结果从两个不同的研究群体(表1 - 4)和两种不同的统计模型(安和物流模型)。协会的强度是由以前的研究。12日,13SEM分析还隐含肿瘤matrilysin和节点之间的直接因果关系转移(图4)。
我们提出消除matrilysin表达式直接导致了肿瘤的形成的机制,允许癌细胞获得最激进的表型对寄主的防御机制的入侵前线。虽然这只是一个假设和过程的确切机制需要澄清,异常核致癌β-catenin积累被认为是癌症细胞重新编程的关键。31日然而,我们的数据表明,异常入侵前核β-catenin积累与任何的因素没有显著相关检查,包括matrilysin表达式。一个可能的解释是,核β-catenin单独并不足以诱导内在matrilysin,据克劳福德等和我们自己。32岁的33
过度拟合发展中一个普遍的安是一个至关重要的问题,因为它可能会导致一个非常贴身的训练数据集,而相比之下,外部测试数据集总是导致低劣的性能。有几种方法可以避免过度拟合训练数据有限,22所有这些都与网络的复杂性。在这里,我们采用了“贝叶斯神经网络框架”所倡导的尼尔,这样我们就可以安小说发展预测模型淋巴结的转移,避免过度拟合而不需要任何验证集,23其诊断能力相当于物流模型的ROC分析。ARD之前输入隐藏的重量被用来提取输入之间的相关性的安。23日,24如图2中所示,它显示matrilysin表达式是最相关的输入之一的ANN模型,加强逻辑回归和SEM的结果,并建立matrilysin表达与淋巴结转移之间可能的因果关系。
在SEM将提供一个新颖的见解医疗以因果关系为基础的方式,一个ANN模型以及物流可以补充这通过提供一个精确的预测模型。这项研究的结果应该改善临床决定谁应该得到明确的手术阶段我(pT1N0M0)或可能帮助解决争议谁应给予辅助化疗在第二阶段(pT3/4N0M0) CRC。无论是原发性肿瘤的转移潜力,通过肿瘤matrilysin测量,可以预测复发或生存阶段II CRC需要进一步临床研究。
总之,我们建议分析肿瘤matrilysin表达式可以完善的预测个人CRC的转移潜力,和帮助临床医生更对的目标基于肿瘤个性化治疗转移性pT1 CRC的潜力。
附录
材料和方法
互补脱氧核糖核酸阵列分析
总RNA隔绝冰冻组织使用试剂盒试剂(美国生活技术,罗克维尔市,马里兰州)用于使用MagExptractor信使RNA信使RNA提取隔离设备(Toyobo、东京、日本)根据制造商的协议。生物素标记cDNA目标是由0.5μg使用基因mRNA航海家cDNA放大系统(Toyobo)。基因航海家cDNA数组过滤器(人类癌症;Toyobo)由550年癌症相关基因和11个看家基因复制。的完整列表可以在URLhttp://www.toyobo.co.jp。杂交了一夜之间在68°C PerfectHyb (Toyobo)。过滤器清洗三次2×SSC / 0.1%钠十二烷基硫酸其次是三个洗0.1×SSC / 0.1%钠十二烷基硫酸盐在68°C 10分钟。过滤器上的特定信号被检测到化学发光检测设备(成像高;Toyobo)。定量评估信号上的过滤器是由扫描Fluor-S多重图象系统(Bio-Rad,里士满,加州,美国)其次是图像分析使用ImaGene软件(BioDiscovery,洛杉矶,加利福尼亚,美国)。重复的点在一个数组中值显示平均和正常化信号强度对于一个给定的数组。
人工神经网络(ann)
最受欢迎的三层前馈感知器学习算法,采用误差反向传播,。22它是由九个输入单元,20个隐藏单元,和一个输出单元。九个输入节点包括年龄、性别、肿瘤大小、肿瘤位置、深度入侵,分化等级、淋巴和静脉入侵,matrilysin的表达。一个输出节点代表节点转移。我们使用贝叶斯学习神经网络的实现使用马尔可夫链蒙特卡罗抽样,由尼尔。23简要描述算法和启发式的使用。网络参数的先验(重量和偏见)定义的层级结构,使用hyperparameters控制参数的标准偏差在不同组。先知先觉为每个组不同的权重,在更高层次hyperparameters之间共享所有组中的权重,从而引入权重之间的依赖关系。这可以通过使用高斯先验分布意味着零和标准差σ,体重给定hyperparameterα。我们之前设置一个含糊不清的p(α伽马分布由
p(α)~γ(μ,一个)∝αα/ 2−1exp (−α一个/ 2μ)
在哪里μ是指,一个是一个形状参数。这些先知先觉是使用以下语法指定在软件使用。
[x]宽度[:[是甲等小组][:[Alpha-subgroup] [: [Alpha-parameter]]]]
“宽度”规范的一部分被用来指定精度的均值,定义为τ=σ−2。我们使用μ= 400(对应宽度= 0.05)。阿尔法部分给了形状参数,α= 0.5用于这项研究。是甲等小组选择常见的精度时用于所有参数。Alpha-subgroup用于子组之一,和Alpha-parameter为单个参数。前缀“x”引起的宽度这之前自动缩放。预测是使用整个吉布斯采样器得到的后验分布hyperparameters更新,和混合蒙特卡罗采样器更新的网络参数。混合蒙特卡罗更新与轨迹长2000跳过步骤,一个窗口,stepsize调整系数为0.4,600次迭代采样阶段是用于这项研究。这些蚊帐的初始三分之一(200次迭代)丢弃算法可能需要时间来达到高的后验概率的区域。网络采样的其余部分运行期间(400次迭代)保存进行预测。随机选择的402年的数据被指定为训练数据集,剩下的92作为验证测试数据集。
ARD麦凯和尼尔提出的23日,24是一种分层贝叶斯方法有hyperparameters明确代表不同的输入特性的相关性模型的宽度上的零均值高斯先验参数(图2)。ARD的语法之前,“×0.2:0.5:0.5”是有两个“阿尔法”价值观,包括高水平和低水平hyperparameters为每个输入。所有的分析贝叶斯神经网络进行灵活的贝叶斯模型使用软件(版权1995 - 2003年由雷德福米尼尔,版本2003-06-29;软件和它的文档可从以下网址:http://www.cs.utoronto.ca/ ~雷德福/)。此外,我们进行ROC曲线分析两种预测模型开发与挑战它(由查尔斯·E梅茨ROC软件包括挑战它和用户手册可以在以下网址:http://home.uchicago.edu/ junji / KRL_HP / rocold.htm)(图3)。25
结构方程建模(SEM)
我们试图推断因果关系的节点转移使用的相同的训练数据集安从SEM分析。首先,在一个探索性因素分析,提取两个因素直接oblimin旋转,斜的解决方案之一。接下来,验证性因子分析模型对这些数据进行了测试。最后,考虑拟合优度使用fit(χ的几个指标2,χ2/df,NNFI NFI CFI, RMSA等等),路径图作为节点转移的因果模型,包括9个可衡量的和两个潜变量,是发达的。该模型在统计学上评估t测试的所有路径r2值或平方多重相关性计算。此外,该模型由多元Largrange乘数和瓦尔德测试修改。详细处理二进制数据的顺序或分类变量,如性别、MMP-7,和淋巴结的转移,在这项研究中没有解释但取决于修改“Lee-Poon-Bentler”的方法使用多分格和polyserial相关系数。34统计参数估计使用最大似然方法在软件实现的“健壮”选项。35SEM分析是由EQS6.1 Windows(多元软件Inc .)(图4)。
确认
本研究支持补助金从教育部、科学、体育和文化(KI),在日本。我们要感谢Peter M Olley博士,英语教师,语言帮助,和Sonoda博士T,札幌医科大学公共卫生部门,统计的建议。
引用
脚注
利益冲突:没有宣布。
相关的文章
- 消化