Добавил:
Sekretar
kiopkiopkiop18@yandex.ru
t.me/Prokururor I Вовсе не секретарь, но почту проверяю
Опубликованный материал нарушает ваши авторские права? Сообщите нам.
Вуз:
Предмет:
Файл:Ординатура / Хирургия / Библиотека им академика М.И. Перельмана / Книга_1449_Библиотеки_им_академика_М_И_Перельмана
.pdf
181
повышенной интенсивности флуоресценции в прилегающей к опухоли
паренхиме печени является излучение молекул, имеющих более длительное
время жизни флуоресценции, таких как связанный с белком НАДН или
НАДФН (рисунок 3.12б).
При анализе полученных данных не было выявлено значительных
различий между опухолью ГЦК и паренхимой печени контрольных животных
по параметру короткого времени жизни флуоресценции τ
1
(рисунок 3.12в).
Напротив, значения τ
1
в паренхиме печени, окружающей опухоль, значительно
превышали как значения, измеренные в опухолевых узлах, так и в здоровой
ткани печени контрольных животных. Аналогичные результаты были
получены для параметра длительного времени жизни флуоресценции τ
2
(рисунок 3.12г), за исключением того, что этот параметр был значительно
ниже для опухоли ГЦК по сравнению с печенью в контрольной группе
(2530±25 пс и 2720±10 пс соответственно, p<0,001), а в паренхиме печени,
прилегающей к опухоли, составил 3150±30 пс (p<0,001). Ранее в [434] было
определено, что время жизни флуоресценции, соответствующее белку НАДН,
в нормальной печени составляет 3120,7±291,8 пс и 2541,7± 341,8 пс в
паренхиме печени с ГЦК. Полученные результаты близки к наблюдаемым в
описанных исследованиях. Уменьшение длительности компоненты τ
2
– это
известный эффект, связанный с метаболическим сдвигом в раковых клетках и
выражающийся в увеличении свободного НАДН и потенциальном
уменьшении фракции НАДН, связанной с белком [435,436]. Также это может
быть связано с изменением интенсивности антиоксидантной защиты
[437,438].
Полученные в рамках данного исследования данные демонстрируют,
что метод ФС с временным разрешением имеет высокую чувствительность к
особенностям метаболизма, позволяя регистрировать изменения в
биологических тканях, свидетельствующие о различной степени
вовлеченности в патологические процессы. Преклинические исследования
показали, что перспективными параметрами для выявления отличий
182
различных метаболических состояний биологических тканей являются
короткое и длительное время жизни флуоресценции (τ
1
, τ
2
) и вклады их
компонент в общий сигнал α
1
и α
2
. Диагностический классификатор может
быть реализован на основе вектора входных параметров, слабо
коррелированных между собой. Таким образом, набор взаимно независимых
параметров, который может быть получен с помощью ФС с временным
разрешением с моделью двухэкспоненциального затухания флуоресценции,
выглядит следующим образом: τ
1
, τ
2
, α
2
(или α
1
) и интенсивность
флуоресценции I
f
.
3.2.2 Методика проведения клинических исследований, реализующих
регистрацию времени жизни флуоресценции интраоперационно через
оптоволоконный зонд во время проведения чрескожной пункционной
биопсии печени
Клинические исследования проводились на базе отделения
рентгенохирургических методов диагностики и лечения БУЗ Орловской
области «Орловская областная клиническая больница» (г. Орел). Все
исследования были проведены в соответствии с принципами биомедицинской
этики, сформулированными в Хельсинкской декларации 1964 г. и ее
последующих обновлениях, и одобрены локальным биоэтическим комитетом
ФГБОУ ВО «Орловский государственный университет имени И.С. Тургенева»
(протокол № 14 от 24.01.2019 г.). В группу включения вошли пациенты с
подозрением на злокачественное поражение печени и имеющие показания к
плановой ЧПБ печени. Из исследования были исключены пациенты с тяжелой
коагулопатией, когнитивным дефицитом, психическими состояниями и
различными острыми декомпенсированными заболеваниями. После
получения описания протокола пациенты подписали информированное
согласие, подтверждающее их добровольное желание участвовать в
исследовании.
183
Клиническое исследование проводилось в соответствии с
утвержденным протоколом. Измерения выполнялись в ходе проведения
стандартной процедуры ЧПБ печени у 25 пациентов с предполагаемым
злокачественным поражением печени. Средний возраст пациентов составил 64
года (от 48 до 82 лет). В исследовании приняли участие 14 мужчин (56 %) и 11
женщин (44 %). По результатам ЧПБ и патоморфологического исследования
биоптатов выявлено 25 злокачественных новообразований, из которых 6
классифицированы как первичный рак печени (ГЦК), 6 – как
доброкачественная опухоль (ДО) и 13 – как метастазы (МТС). В данном
исследовании информативного материала, полученного при проведении ЧПБ,
было достаточно во всех 25 случаях, чтобы результаты гистопатологического
исследования были приняты как 100% эффективные.
На рисунке 3.13 показано расположение системы для регистрации ФС с
временным разрешением на стойке в операционной и процесс введения
оптоволоконного зонда во время проведения ЧПБ печени.
а)
б)
Рисунок 3.13 – Система ФС с временным разрешением на стойке в
операционной (а) и процесс введения оптоволоконного зонда во время
проведения ЧПБ печени
184
При ЧПБ использовались иглы типа Chiba 17,5 G. Группа пациентов не
является достаточно большой выборкой, но данные, полученные при
оптической биопсии, уникальны, и для таких исследований приемлем метод
расширения выборки путем регистрации сигналов при позиционировании
биопсийной иглы с оптоволоконным зондом в нескольких точках паренхимы
печени и опухолевой ткани. Для регистрации спектров в паренхиме печени и
опухоли хирург вынимал стилет из иглы и вводил в канюлю оптоволоконный
зонд. Таким образом, для дальнейшего анализа данных было зарегистрировано
следующее количество спектров: у пациентов с ГЦК – 129 спектров в
опухолевой ткани и 97 спектров в паренхиме печени, с доброкачественными
новообразованиями – 120 спектров в опухоли и 110 спектров в паренхиме
печени, у пациентов с МТС печени – 310 спектров в опухоли и 225 спектров в
печени.
3.2.3 Анализ результатов клинических исследований
На рисунке 3.14 представлены типичные кривые затухания
флуоресценции, зарегистрированные с помощью устройства, реализующего
метод ФС с временным разрешением, в паренхиме печени по траектории
движения пункционной иглы к опухоли и в опухолевой ткани.
а)
б)
Рисунок 3.14 – Примеры кривых затухания флуоресценции,
зарегистрированных в паренхиме печени и в опухолевом новообразовании
185
Результаты расчетов параметров кривых затухания флуоресценции в
неизмененной паренхиме печени и в центре опухоли для различных типов
новообразований представлены в таблице 3.3.
Таблица 3.3 – Результаты расчета диагностических параметров,
полученных методом ФС с временным разрешением, для паренхимы печени и
опухолевой ткани при различных типах новообразований
Область
измерения
Интенсивность
флуоресценции, I,
фотоны
Короткое
время жизни
флуоресценции,
τ
1
, пс
Длительное
время жизни
флуоресценции,
τ
2
, пс
Вклад
компоненты
с
длительным
временем
жизни, α
2
, %
Первичный рак печени (ГЦК)
Паренхима
печени
0,48·10
6
[0,14·10
6
; 1,20·10
6
]
520
[514; 536]
2586
[2556; 2762]
35,3
[32,3; 43,0]
Опухоль
1,24·10
6
[0,55·10
6
; 2,05·10
6
]***
514
[506; 523]***
2572
[2537; 2603]**
34,3
[31,5; 38,2]*
Метастазы
Паренхима
печени
0,84·10
6
[0,63·10
6
; 1,19·10
6
]
492
[469; 510]
2558
[2468; 2596]
33,8
[31,5; 35,9]
Опухоль
0,99·10
6
[0,69·10
6
; 1,66·10
6
]**
500
[484; 511]**
2551
[2520; 2584]
33,8
[30,7; 36,3]
Доброкачественная опухоль
Паренхима
печени
0,63·10
6
[0,35·10
6
; 0,82·10
6
]
508
[479; 523]
2665
[2600; 2710]
35,4
[31,0; 38,1]
Опухоль
0,68·10
6
[0,39·10
6
; 1,20·10
6
]
506
[488; 525]
2576
[2539; 2602]***
32,8
[31,1; 36,3]*
* – статистическая значимость различий по отношению к условно
здоровой паренхиме печени с вероятностью p < 0,05;
** – статистическая значимость различий по отношению к условно
здоровой паренхиме печени с вероятностью p < 0,01;
*** – статистическая значимость различий по отношению к условно
здоровой паренхиме печени с вероятностью p < 0,001.
Из двух связанных между собой параметров α
1
и α
2
был выбран
последний, так как ранее было показано, что именно этот параметр может дать
больше физиологической информации при построении классификаторов
186
здоровых и опухолевых тканей печени [432]. Из-за несимметричности закона
распределения данные также представлены в формате Me [Q1-Q3], где Me –
медиана, Q1 – первый квартиль, Q3 – третий квартиль. Для определения
различий между группами использовали критерий Манна-Уитни.
Анализ полученных данных показал, что каждый из типов
новообразования имеет свой так называемый «метаболический портрет». В
большинстве случаев, если другие метаболические пути не оказывают
существенного влияния, наблюдаемые изменения соотношения
относительных вкладов свободной и связанной форм кофермента НАДН
связаны с изменениями баланса между гликолизом и OXPHOS [439].
Первичные опухоли печени характеризовались повышенной
интенсивностью флуоресценции, уменьшением времени жизни τ
2
и
относительного вклада компоненты с длительным временем α
2
,
ассоциированных с формой кофермента НАДН, связанной с белком. Такие
перестройки характерны при увеличении вклада гликолиза по сравнению с
митохондриальным OXPHOS в метаболизме опухоли [38,40]. Также
повышенная интенсивность флуоресценции была зарегистрирована в
метастазах, незначительные изменения регистрировались в значениях
параметра τ
1
. Это может быть связано с тем, что метаболизм в метастазах не
имеет преобладающего гликолитического пути и вклад во флуоресценцию
вносят флуорофоры, ассоциированные с другими метаболическими
перестройками. В группе пациентов с доброкачественной опухолью печени
статистически значимая разница зарегистрирована для параметров α
2
и τ
2
,
которые были также увеличены по сравнению с измерениями в паренхиме
печени. Это также может косвенно указывать на то, что эти типы опухолей
имеют метаболические перестройки, но это требует дополнительных
исследований.
187
3.2.4 Алгоритм классификации данных
Алгоритм классификации данных можно разделить на две основные
составляющие: подготовка данных и применение методов МО (рисунок 3.15).
Для реализации алгоритма используется среда программирования Python.
Алгоритм начинается с изучения дисперсии каждого объекта в наборе
данных. Объекты с низкой дисперсией (< 1) исключаются из дальнейшего
анализа. Этот шаг уменьшает размерность и исключает признаки, которые
оказывают незначительное влияние на дальнейшее обучение. Оценка
дисперсии выборок в МО играет важную роль по нескольким причинам.
Модели с низкой дисперсией обычно более устойчивы. Чем выше дисперсия,
тем больше вариативность данных, что может указывать на сложность модели
для обучения. При этом высокая дисперсия может указывать на возможность
переобучения (оверфиттинга). Модель, которая слишком точно
подстраивается под выборку с высокой дисперсией, может плохо обобщать
данные на новых примерах. Для оценки величины дисперсии применяется
расчет единичного расстояния, при котором все данные приводятся к единому
масштабу, чтобы их можно было сравнивать или использовать в МО. Принято
считать, что, когда данные имеют дисперсию, превышающую единичное
расстояние (то есть более одного стандартного отклонения), это может
свидетельствовать о выбросах, шуме или других проблемах с качеством
данных.
Затем алгоритм оценивает корреляции Пирсона между всеми парами
признаков. Признаки со значительной корреляцией (> 0,7) исключаются, так
как они могут привести к избыточности и потенциально исказить процесс
обучения.
188
Рисунок 3.15 – Схематическое описание процесса обучения и тестирования,
включая выбор признаков, различные классификаторы и оценку
производительности
На этом этапе был исключен один параметр – относительный вклад
компоненты с коротким временем жизни (
1
). При эквивалентном вкладе
компонентов
1
и
2
в эффективность классификации предпочтение было
отдано параметру
2
. Это связано с тем, что квантовый выход НАДН
увеличивается на порядок при связывании с ферментами, и относительный
вклад компоненты с длительным временем жизни может дать больше
физиологической информации при построении классификаторов [440,441].
Также ранее была показана большая диагностическая значимость этого
параметра для дифференциации паренхимы печени мышей от ГЦК [433]. К
оставшимся 4 признакам был применен метод главных компонент (principal
component analysis, PCA) для уменьшения размерности при сохранении
максимального объема информации. При этом исходные объекты
преобразуются в новый набор некоррелированных переменных, называемых
главными компонентами. Главные компоненты были упорядочены по
величине дисперсии, что позволяет выбрать наиболее информативные. Все 4
параметра имеют одинаковый вклад в общую дисперсию (25%), поэтому
после завершения алгоритма подготовки данных для МО были выбраны:
189
интенсивность флуоресценции (I
f
), относительный вклад компоненты с
длительным временем жизни (
2
), короткое время жизни флуоресценции (τ
1
),
длительное время жизни флуоресценции (τ
2
), которые были окончательными
входными данными для моделей МО.
Для обучения и оценки моделей МО было проведено разбиение данных,
при этом 80 % данных использовались для обучения, а 20 % – для
тестирования. Такое разделение позволило обучить модели на значительном
объеме данных и независимо оценить их работоспособность. На этапе
обучения было осуществлено 10 эпох повторения алгоритма при случайном
смешивании данных в обучающий и тестовый наборы. Данный итеративный
процесс позволил улучшить прогностические возможности моделей.
Для построения классификаторов были использованы методы
случайного леса (Random Forest, RF), SVM и логистической регрессии
(Logistic Regression, LR), которые чаще всего используются для решения
подобных задач.
Метод случайного леса RF использует начальную агрегацию, также
известную как бэггинг, для построения ансамбля деревьев решений. С
помощью метода бутстрапа случайным образом выбираются подмножества
исходной обучающей выборки. Для каждого подмножества обучающих
данных строится дерево решений, которое обучается независимо и использует
только некоторые случайно выбранные признаки из общего набора признаков.
В RF решение принимается путем агрегирования среднего значения решений
всех деревьев. Таким образом, результат классификации получается путем
объединения прогнозов всех деревьев.
Классификатор опорных векторов (Support Vector Classifier, SVC)
является разновидностью SVM и позволяет работать с нелинейными данными,
преобразуя исходное пространство данных в новое, более многомерное, где
данные становятся линейно разделимыми. Затем SVC применяет метод SVM
к новым пространственным данным. В разработанном алгоритме первым
шагом является подготовка данных, которая включает в себя
190
масштабирование признаков и разбиение данных на обучающую и тестовую
выборки. Затем создается SVC-модель с полиномиальным ядром, которое
обучается на обучающей выборке. Во время обучения SVC находит
оптимальную гиперплоскость, чтобы максимизировать разрыв в классе.
В качестве третьего метода МО был использован метод LR, который
основан на логистической функции для прогнозирования вероятности
принадлежности объекта к определенному классу. Этот метод основан на
линейной регрессии, но использует сигмоидальную функцию, также
известную как логистическая функция, для получения вероятностей классов.
Модель была обучена на обучающей выборке, в которой коэффициенты
линейной комбинации признаков были скорректированы с помощью метода
максимального правдоподобия. После обучения модель использовалась для
классификации новых данных путем прогнозирования вероятности
принадлежности к каждому классу.
На первом этапе были разработаны бинарные классификаторы –
печень/опухоль для каждого из типа опухолей. На втором этапе
разрабатывалась классификационная модель для различения 3 классов:
первичная опухоль печени – ГЦК, МТС и доброкачественные опухоли (ДО).
Для бинарной классификации два класса сравнивали друг с другом, а именно:
ГЦК (n=129)/печень (n=97), ДО (n=120)/печень (n=110) и МТС (n=310)/печень
(n=225). Метрики оценки классификаторов рассчитывались для каждой пары.
Для данной классификации сравнивали между собой 3 типа опухолей, а
именно ДО (n=120)/ГЦК (n=129)/МТС (n=310). Метрики оценки
классификаторов рассчитывались для каждого класса отдельно.
На первом этапе применения МО был разработан классификатор для
дифференциации паренхимы печени и различных видов опухолевой ткани.
Значения точности обучающей выборки для всех классификационных
пар являются высокими, не менее 0,98 (таблица 3.4).
Соседние файлы в папке Библиотека им академика М.И. Перельмана