Krooninen sairaus

tiivistelmä

Background

Tavoitteena oli kehittää ja validoida monen ominaisuus ydinvoiman pisteet perustuu kuva-analyysi DNA: n suora värjäys, ja testata sen yhdessä kentän ja tukea näin havaitseminen eturauhassyövän (PCA) hyvänlaatuinen koepaloja.

Methods

Kudosleikkeet 39 prostatectomies olivat Feulgen-värjättiin ja skannataan digitaalisesti (400 x), joka tarjoaa karttoja DNA sisällön pikseliä kohti. Eturauhassyövän ja hyvänlaatuisia epiteeli- tumat valittiin satunnaisesti mittauksessa 52 perus morfometrisiin ominaisuuksia. Logistinen regressiomallit erotteleva hyvänlaatuinen PCA ytimet, ja hyvänlaatuista pahanlaatuisia ydin- populaatiot, rakennettiin ja rajat validoitu AUC analyysi. Nuclear populaatiot arvottiin kerättiin 1 mm 5 mm syöpään pesäkkeet, ja syövästä vapaa prostates, HGPIN, ja PCa Gleason arvosana 3-5. Nuclei myös kerättiin negatiivinen koepala henkilöillä, joilla oli myöhemmin diagnoosi Eturauhassyövän ja ikä-haun syöpä-vapaa ohjaimet (20 paria).

Tulokset

Multi-ominaisuus ydin- pisteet syrjitty syövän hyvänlaatuinen solupopulaatioiden kanssa AUC-arvot 0,91 ja 0,79, vastaavasti, koulutukseen ja validointi sarjaa potilaista. Vuonna eturauhasen näytteet, sekä ydin- ja väestötason mallit paljasti syövän kaltaisia ​​piirteitä hyvänlaatuisia ytimet vieressä PCA verrattuna ytimiä, jotka olivat kauempana tai PCA-vapaa rauhaset. Vuonna negatiivinen koepaloja, validoitu malli 5 varianssi ominaisuuksia tuottivat huomattavasti suuremmat lukemat tapauksissa kuin tarkastukset (

P

= 0,026).

Johtopäätökset

multifeature ydin- morfometrisiin pisteet, saatu automatisoitu digitaalinen analyysi, validoitiin syrjinnän hyvänlaatuista syöpään ytimeksi. Tämä pisteytys osoitti kenttä vaikutuksia hyvänlaatuinen epiteelin ytimet vaihtelevilla etäisyydellä PCa vaurioita, ja liittyi myöhemmin PCa havaitseminen negatiivisissa koepaloja.

Impact

Tämä ydin- pisteet lupaava riskinä ennustin keskuudessa miesten negatiiviset koepaloja ja välituotteena biomarkkerina vaiheen II kemopreventatiivisesti tutkimuksissa. Tulokset viittaavat myös siihen, että subvisual häiriöt ydinaseiden rakenteessa ennen kehittämiseen pre-neoplastisia vaurioita.

Citation: Gann PH, Deaton R, Amatya A, Mohnani M, Rueter EE, Yang Y, et al. (2013) kehittäminen Nuclear morfometrinen allekirjoitus eturauhassyövän Risk in Negative Biopsies. PLoS ONE 8 (7): e69457. doi: 10,1371 /journal.pone.0069457

Editor: Konradin Metze, University of Camp’nas, Brasilia

vastaanotettu: 12 joulukuu 2012; Hyväksytty: 9. kesäkuuta 2013. Julkaistu: 26 heinäkuu 2013

Copyright: © 2013 Gann 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: tukemana avustuksia National Institutes of Health /National Cancer Institute RO1 CA155301 ja RO1 CA90759. 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

hienoisia muutoksia ydinvoiman muoto, koko ja koostumus edeltävät histologinen tunnustamista eturauhassyövän (PCA) ja siten voi tarjota hyödyllisen biomarkkeri osoittaa kentän korkean riskin hyvänlaatuinen kudosta. Todellakin, ydinvoima laajentuminen, epäsäännöllisyys, hyperchromasia ja merkitystä nucleoli ovat tunnusmerkkejä jota patologit erottamaan korkea-asteinen eturauhasen intraepiteelinen neoplasia (HGPIN), laajimmin tunnustettu premaligni vaurion PCA. Yli 25 vuotta sitten, tutkijoille taustat optinen tieteen ja tietojenkäsittelyn alkoi käyttää digitaalisen kuvantamisen tekniikoita pyritään ylittämään rajoitukset ihmissilmän ja aivojen tunnistamiseen ja määrän visuaalisia kuvioita ytimet mikroskoopilla [1]. Nämä ponnistelut saavutti merkkipaalun, kun digitaalisen kuvantamisen sisällytettiin hoidon taso Sytologisten arviointi kohdunkaulan syövän seulonnan. Huolimatta lukuisia raportteja menestyksen käyttäen erilaisia ​​lähestymistapoja ja silmiinpistävää parannuksia sekä laitteiston että ohjelmiston, tietokoneavusteinen ydinvoiman morfometria vielä runsaasti kehittymätön potentiaalia löytämisen hyödyllisiä biomarkkereita PCA tutkimus [2], [3]. Veltri, et ai. äskettäin julkaissut erinomaisen tarkastelun kattaa historiaa ja kehitystä tällä alalla [4].

Tässä työssä keskitymme määrällistä tuman DNA kuviot biomarkkerina alkuvaiheessa preneoplastisen muutos eturauhasen hyvänlaatuista epiteelin vaiheessa liittyy kentän vaikutuksia tai kenttä cancerization [5], [6]. Validation Tällaisen biomarkkereiden voisi johtaa sekä kliinisiin ja tutkimuskäyttöön. Kliinisesti morfometrisen profiilia voitaisiin käyttää ennustamaan läsnäolo syövän muualla rauhanen negatiivinen koepaloja, ja näin tekemään päätöksiä siitä, seuranta ja tarvetta toistaa koepala. PCA ainoa yhteinen syöpä diagnosoidaan tyypillisesti satunnainen neulabiopsiaan, koska käyttö seerumin testi (PSA) päävastuullisena indikaattori koepala ja puuttuminen kuvantamismenetelmä visualisointiin vaurioita. Tämän seurauksena 70-75% alkuperäisestä koepaloja ovat negatiivisia ja kliinikoiden olla todettua perustan räätälöintiin jatkohoidon, johon voisi sisältyä seuranta PSA ja toista koepala. Mitä tutkimuksen sovellus, validoitu ydin- morfometrisiin profiili voisi toimia välituotteena päätepiste biomarkkereiden II vaiheen ehkäisyn tutkimuksissa auttaa tunnistamaan paras ehdokas interventioiden testaukseen pitkällisiä ja kalliita vaiheen III tutkimuksissa.

koonneet monitieteellinen ryhmä, jossa ovat patologia, epidemiologit, bioinsinöörien, tietokone asiantuntijoita ja tilastotieteilijät kehittämään lähestymistapaa, joka täyttäisi kaksi perusvaatimukset: 1) käyttö laajalti saatavilla alustoja kuva hankinta ja algoritmi kehitys, ja 2) järjestelmällinen validointi. Tässä raportissa kuvataan kehitystä jatkuvan, multi-ominaisuus ydinvoiman pisteet perustuvat pikseli pikselin kartoitus Feulgen DNA värjäys, joka tarkasti erottelee syöpä ja normaalin solun väestön eturauhasessa ja määrittää kentän vaikutus korkean riskin hyvänlaatuinen alueilla.

Methods

Ethics selvitys

hanke tarkasteli ja hyväksynyt Institutional Review Board, University of Illinois at Chicago. Kudosnäytteitä saatiin alle IRB-hyväksytty luopumista suostumuksen sovellettavien de-tunnistettuja näytteitä jäljellä kudosta ei tarvita kliinisiin tarkoituksiin. Nämä menettelyt olivat noudattaen yksityisyyttä määräysten sairausvakuutuslain siirrettävyyden ja Accountability Act (HIPAA) 1996 Kirjoittajat ovat avoimia yhteistyötä, johon osallistuvat jakamiseen de-Tunnistetun, jos kaikki paikalliset IRB vaatimukset täyttyvät.

Tissue otoksen valinnan mallin rakentaminen ja validointi

koottu kaksi kokoelmaa, erillisistä sairaalat, kudoksen korttelin päässä eturauhasen potilailla PCA. Ensimmäinen, joka oli oppiminen asetettu kehittää malleja syrjiä syövän hyvänlaatuinen ytimet, mukana 20 potilasta ja toisesta, käytetään ulkoisen validointi, mukana 11 potilasta. Niistä 31 prostatektomia potilaista, 11 oli syöpiä Gleason summa luokka 6, 10 Gleason 7, ja 10 Gleason laadut 8-9. Kaikki kudosta korttelin päässä 8 potilasta, joille tehtiin cystoprostatectomy virtsarakon syövän myös näytetty. Nämä kokonaan upotettu prostates puuttui PCA mikrotomiamenetelmiä 3 mm: n välein ja käytettiin antamaan ”yliluonnollisia” hyvänlaatuinen eturauhasen.

Feulgen värjäystä

Tissue osissa 4μ paksuus asetettiin silanoitua lasia dioja ja värjättiin käyttäen Blue Feulgen Värjäys Kit (ScyTek Laboratories, Logan, UT). Tämä tahra käyttää Feulgen reaktio sitoutua suoraan väriaine aldehydiryhmiksi DNA, jotka ovat alttiita käsittelemällä suolahapolla. Määrä kehittynyt väri on suoraan verrannollinen DNA värjätään ytimen; tahra on validoitu ploidia analyysiä. Serial leikkeet värjättiin hematoksyliinillä ja eosiinilla, jotta keskeiset histologinen osastoja voitaisiin helposti tunnistaa sen yksivärisiä Feulgen dioja. Viereisiä alueita yhdestä eturauhasen näyte sisällytettiin jokaisen erän ja keskimääräinen tumavärjäystä intensiteetti seurattiin havaitsemiseksi liiallinen välisen erän vaihtelua. Jotkut ydinvoiman morfometria tutkimuksissa on käytetty enemmän rutiini hematoksyliinillä ja eosiinilla (H 5 mm syövän painopiste. Suuret skannausalueet jaettiin pienempiin osakuva tiedostoja (JPEG laatutekijä 80) käyttäen SnapShot Generator toiminto Aperio Spectrum® kuvanhallintaohjelmisto; nämä osakuva tiedostot vietiin MATLAB® (MathWorks, Inc., Natick, MA) eräajo. Erää käsitellään osakuva tiedostot olivat 752 × 752 kuvapistettä (pixel size = 0.25μ

2, noin 400-600 pikseliä per ydin), joka oli hallittavan kokoisena käsittelyä varten. Pakkaamatonta tiff-kuvatiedostoja tuotetaan noin 900-1000 pikseliä per ydin; kuitenkin, muistia vaatimukset ja läpimeno oli huomattavasti.

Räätälöidyt rutiineja Matlab käytettiin tunnistamaan pikseliä sisältää DNA ja segmentti yksittäisiä ytimiä käyttämällä väri-pohjainen K-means klusterointi ja vedenjakaja algoritmeja. Sillä Tässä raportoidut tutkimukset, segmentoitu tumat käsin valittu morfometrisiin ominaisuuden kerääminen käyttää graafista käyttöliittymää. Segmentointi ja ydinvoiman valinta tehtiin useissa vaiheissa. Ensinnäkin kunkin 752 x 752 pikselin osakuva ladattiin Matlab. Seuraavaksi jokainen kuva oli muunnettu RGB CIELAB (L * a * b *) väriavaruuden (International Commission on Illumination, https://cie.co.at), joiden kolmen akselin edustavat vaaleuden arvo (L *), kanta puna-vihreä spektri (a *), ja kanta keltainen-sininen spektri (b *). Tämä vähentää värin mitat kolme RGB kaksi, vähimmäisvaatimus kahden väri valkoinen ja sininen Feulgen kuvia. Seuraavaksi K-means klusterointi algoritmi perustuu Euklidinen etäisyys käytettiin luokittelemaan kunkin pikselin sinisenä (DNA) positiivinen tai valkoinen. Alkuperäinen sisääntuloa K-means klusterointi vaikuttavat lopputulokseen; Näin, alustava L * a * b koordinaatit asetettiin perustuvat ytimet hyvä kuvanlaatu valitsemassa patologi. Marker-ohjattu vedenjakaja segmentointi perustuu harmaasävykuvia toteutettiin Matlab määritellä yksittäisten ydinaseiden rajat (https://www.mathworks.com/products/demos/image/watershed/ipexwatershed.html). Tämä lähestymistapa välttää yli-segmentointi merkitsemällä aggregaatteja intensiivistä pikselien ytimet ja taustan pikselin ulkopuolella ytimeksi.

Koulutettu teknikko esitettiin joukon alikuvia segmentoitu ytimien PC näyttö ja hiiri-napsauttanut kukin hyvin segmentoitu ydin tarkistettuaan sen epiteelin sijainti, mikä lähettämällä sen morfometrisiin tiedot Excel-taulukkoon. Useimmat segmentointi virheet johtuivat ali- tai segmentointia koskematta tai päällekkäisiä ytimiä; valittujen joukossa ytimet emme löytäneet yhdistyksen välillä ydin- ominaisuudet ja läheisyys muihin ytimiä, joten uskomme, että tämä menettely oli suhteellisen puolueeton. Digitaalinen laskuri ilmoitti teknikko, jolloin yhteensä 200 epiteelin ytimiä, mistä monenlaisia ​​alikuvia, oli valittu kustakin koko jakson kohdealueen tai koepala. Kaikkiaan 52 perusmuuttujia (katso taulukko S1) kerättiin kunkin nucleus heijastaa koko, muoto ja DNA koostumus ominaisuudet; tarkemmat kuvaukset monet näistä ominaisuuksista ovat saatavilla kirjallisuudesta [7]. Erityispiirteitä, että jää ydin- alueet joko kondensoitu tai harva DNA ( ”läiskä” ja ”reikiä” in Feulgen kuva) perustuen kehitettiin tunnistamiseen vierekkäisiä pikseleitä merkittäviä poikkeamia keskiarvosta optinen tiheys (katso taulukko S2). Muunlaiset ominaisuuksia, kuten fraktaali ominaisuuksia, on helppo laskea, mutta emme käyttäneet niitä tässä analyysissä. Monet ominaisuudet ovat korreloi keskenään ja huomasimme, että yleensä, laajentaa kirjaston ominaisuuksia kasvoi käsittelyaika mutta ei merkittävästi parantamaan tuloksia. Sopeuttaa mahdolliset erot värjäystä poikki erissä ja saada yhteisiä mittayksiköt kaikkialla ominaisuuksia, me z-muuttaneet kunkin ominaisuuden arvo vähentämällä keskiarvo ja jakamalla keskihajonta että piirre kaikki ytimet erän.

tilastollinen analyysi

analyysi keskittyi kehittämään kahdenlaisia: toinen, joka erottelee yksittäiset syövän ytimiä hyvänlaatuinen ytimet, ja toinen erotteleva populaatiot syövän ytimiä hyvänlaatuinen populaatioissa. Nämä mallit tuottivat monimuuttujasäätöjen tulokset me merkitty MFS

n (multifeature pisteet, ydin-) ja MFS

p (multifeature pisteet, väestö) – vastaa ydin- ja väestötason tulokset, tässä järjestyksessä. Käyttämällä tiedot noin 8000 ytimiä saatu selityksin PCa ja hyvänlaatuinen alueita oppimisen joukko 20 RP näytettä, rakensimme logistinen regressio malleja syrjiä syövän ytimet (kaikki Gleason laadut) hyvänlaatuisesta ytimien vähintään 5 mm syövän painopiste. Vertasimme useita lähestymistapoja luoda syrjiviä monen muuttujan mallia, mukaan lukien lineaarinen erotteluanalyysi, logistinen regressio, Tukivektorikoneet ja hermoston verkottuminen ja totesi, kanssa aiemmin julkaistu teos, että logistinen regressio oli yhtä hyvä tai parempi kuin muut lähestymistavat [8]. Muuttujat valittiin sisällytettäväksi logistisen perustuvat mallit taaksepäin poistamisesta jossa kriteerinä on

P

0,05. Kuten odotettua, jotkut muuttujista korreloivat voimakkaasti, mutta ei malleja epäonnistui lähentyä takia multikollineaarisuus. C tilastoa laskettiin area under (AUC) erotteleva syövän hyvänlaatuinen ytimeksi. Logistinen malli 27 säilytti tarjoamia ominaisuuksia korkean AUC (0,93) itsenäisessä testinäytteestä hyvänlaatuinen ja syöpä ytimet saatu 11 tapausta ulkoisen RP validointi asetettu. Käytimme kahden otoksen Kolmogorov-Smirnov tilastoa verrata jakelu MFS

n tulokset välillä ydinvoiman populaatioiden näytteet eri histologisia osastojen 20 RP asettaa, plus hyvänlaatuinen alueet 8 prostatektomia tapauksissa ilman merkittävää PCa (ts ”yliluonnollisia” ytimet).

käyttää kahta lähestymistapaa rakentaa malleja MFS

p. Ensimmäisessä lähestymistavassa, jota kutsutaan kaksivaiheista MFS

p, me laskenut MFS

n kullekin ydin ja sitten lasketaan aina neljänteen järjestyksessä hetki (keskiarvo, keskihajonta, vinous ja huipukkuus) ja MFS

n jakeluun väestölle ytimien saatujen kudos- näytteestä (hyvän- tai pahanlaatuinen). Nämä neljä yhteenveto muuttujaa käytettiin sitten ennustajina logististen regressiomalleja erotteleva hyvänlaatuinen vs. pahanlaatuisia väestön ja asennettu todennäköisyyden logistinen malli, jossa on tietty joukko covariates nimettiin MFS

p. Meillä on johdettu yhden askeleen MFS

p laskemalla keskimääräinen, keskihajonta, vinous ja huipukkuus kunkin ydin- toiminnon kustakin kudosnäytteestä, jolloin saatiin yhteensä 208 potentiaalisen ennustavia (neljä kertaa 52 perusominaisuudet). Sitten käyttää joko taaksepäin tai poistamiseen parhaan osajoukon logistinen regressio koulutuksessa väestöstä 28 potilasta valita pienemmän joukon ennustavia erotteleva syövän hyvänlaatuinen ydin- väestö. Parhaassa-osajoukko lähestymistapa, top 50 yhdistelmät ennustaja, joissa on korkeintaan viisi muuttujaa rankattiin perustuvat uskottavuussuhde chi square kriteeri. Jokaista näistä yhdistelmistä laskimme jätettävissä one-out ristivalidointi AUC koulutuksessa näytesarja, ja malli, jolla on korkein AUC valittiin lopulliseen malliin. Lopullinen regressio painot kullekin ennustaja laskettiin keskiarvona kerroin kaikista 28 tutkimuksista koulutuksessa asetettu. Lopullinen malleja valittu kehitysprosessissa testattiin sitten riippumaton validointi joukko, johon kuului 11 eturauhasen näytteitä. Luotettavuusvälit AUC (95%: n tasolla) laskettiin käyttäen epäparametrisia lähestymistapaa hyödyntävä ominaisuudet Mann-Whitney tilaston [9]. Kaikki tilastolliset analyysit suoritettiin käyttäen SAS-PC, versio 9.1 (SAS, Inc., Cary, NC).

Ulkoinen validointi pilottitutkimus: tapaus-verrokki vertailu hyvänlaatuisen koepaloja

Koska ulkoisen validointitestiä, vertasimme populaatiot hyvänlaatuisen ytimiä otettu negatiivinen eturauhasen koepaloja, jossa potilas todettiin PCa vähintään kaksi vuotta myöhemmin (tapauksissa, n = 20) ja hyvänlaatuisia ytimiä negatiivinen koepaloja potilaille, jotka jäivät syövän vapaa (kontrollit , n = 20). Kotelot ja kontrollit Hyväksytty ikä ja päivämäärä indeksin koepala; kaikki aiheet olivat potilaiden Jesse Brown Veterans Administration Medical Center Chicagossa. Hyväksyttävät tarkastukset oli ainakin kaksi negatiivisen koepaloja jälkeen indeksin koepala, ei PSA 10 ng /ml, eikä historia anti-hormonihoito, kuten 5α-reduktaasin estäjät. Me Feulgen petsattu negatiivisen indeksin biopsiakudoksesta ja saatu ydinvoiman morfometrista ominaisuuksia edellä kuvatulla tavalla. Sitten laskemiseen asennettu MFS

p tulokset jokaiselle koehenkilölle käyttäen sekä taaksepäin poistamista ja parhaiten osajoukko malleja aiemmin johdettu syrjinnästä hyvänlaatuinen ja syöpä solupopulaatioiden prostatektomia näytteissä. Molemmissa malleissa, laskimme AUC ja 95% luotettavuusrajat erotteleva tapauksia valvontaa, ja suorittivat pariksi t-testi sovitetun datan.

Tulokset

Kuva 1 havainnollistaa menetelmälle pikseli pikselin karttoja kunkin ytimen, joka perustuu optisen tiheyden peräisin DNA-pitoisuus. Koko dia skannattuja kuvia Feulgen-värjättyä ytimet hajoavat alikuvia (kuva 1a), joista kukin sisältää noin 5.6K pikseliä. Tähän liittyvä binary kuva luoma K-means klusterointi, on esitetty kuvassa 1b. Kuvio 1c esittää samaa osakuva jälkeen valuma segmentointi ja osoittaa, kuinka hyvin segmentoitu epiteelin ytimet voidaan valita mittauksen joko manuaalisesti tai automaattisesti. Kuvio 1d esittää 3-ulotteinen kuvaajia pikselin karttoja ytimiä hyvänlaatuinen ja syöpä alueilla, vastaavasti.

Kuva 2 esittää suhteellinen frekvenssihistogrammien varten ydin- tason multifeature pisteet (MFS

n) saadut ytimet eri histologisia osastoissa 20 RP ja 8 cystoprostatectomy näytteitä; Kunkin osaston edustaa vähintään useita satoja ytimiä. Logistinen malli käytetään tuottamaan MFS

n tulokset sisältyvät 27 ydin- ominaisuudet ja perustui syrjiä satunnaisia ​​PCa ytimien ja hyvänlaatuisia ytimet kaukana syöpä (normaali Far) on 20 RP tapauksissa. MFS

n, joka on anti-kirjautunut logit päässä logistinen malli, vastaa todennäköisyyttä, että ydin tietyllä joukko ominaisuus arvoista on syöpä ydin, ja siten vaihtelee 0-1,0. Frekvenssijakauma MFS

n siirtyy vasemmalle yhtenä etenee Gleason 5 Gleason 3 HGPIN ja on siirtymässä vasemmalle varten ytimet, jotka sijaitsevat lähellä tai kaukana syövän painopiste, tai saadaan syöpää vapaa prostates (yliluonnollisia). Taajuus jakaumat Normal Far ytimet ( 5 mm PCA tarkennus) poikkeavat merkittävästi sekä muiden miedompia ytimet (Kolmogorov-Smirnov D tilastoa

P

0,0001).

Kalustettu multifeature pistemäärät luodaan jokaista tuma logistiikkaregressiomallin verrataan kaikkia syövän ytimet normaalihintaisia ​​pitkälle ytimet ( 5 mm syöpä keskittyä) 20 eturauhasen yksilöitä, 27 kovariaattina ominaisuuksia valitsema taaksepäin poistamista. Pistemäärät laskettiin populaatioita ytimien hankkia erikoistuneilta histologisia osastoista 20 RP ja 8 cystoprostatectomy yksilöitä. Taajuus jakaumat normaali-pitkälle ytimet poikkeavat merkittävästi toisistaan ​​hyvänlaatuinen tyyppi (Kolmogorov-Smirnov D tilasto 0,0001).

tyypillisiä frekvenssijakaumat MFS

n väestölle hyvänlaatuisten ja Eturauhassyövän ytimet samasta potilaasta esitetään rinnakkain kuviossa 3. arvot syövän ytimet yleensä siirretään oikealle, mutta on myös selvää, että varianssi arvo on suurempi syövän verrattuna hyvänlaatuinen ytimiä. Väestötason logistisia malleja avulla voimme hyödyntää tätä varianssia ominaisuus erotteleva syöpä- hyvänlaatuisesta ryhmien ytimet. Kuvio 4 esittää boxplots varten MFS

p peräisin kaksivaiheista mallia vain kaksi covariates: keskiarvo ja keskihajonta MFS

n minkä tahansa populaation ytimeksi. Tiedot boxplots peräisin 20 RP aiheita plus 8 cystoprostatectomy; keskimääräinen MFS

p pistemäärät 11 RP aiheita validointi joukko edustaa tähdellä. Tulokset osoittavat, että normaali Lähellä ydin- populaatiot ovat välimuoto Normaali Far ja syöpä, että yliluonnollinen väestö on pienempi tulokset kuin normaali Far, ja että HGPIN ydin- populaatiot ovat samankaltaisia ​​syöpä väestölle. Keskimääräinen MFS

p pistemäärät ytimiä on saatu ulkoisesta validointi joukko eturauhasen aiheista PCA vahvistavat saman ero Near vs. Far ytimet ja samankaltaisuudesta HGPIN ja PCa ytimeksi.

MFS

n tulokset siirretään ylöspäin syövän ytimiä odotetusti; kuitenkin, varianssi MFS

n on myös suurempi joukossa syöpä ytimiä, mikä pleomorfisimia.

Keskimääräinen MFS

p tulokset ydinvoiman väestöä 11 validointi RP esitetään tähdellä. MFS

p tulokset saatiin logistiikkaregressiomallin vain kaksi covariates: tarkoittaa MFS

n ja S.D. MFS

n. MFS

n saanut kertyi 27-kovariaatti logistinen malli ominaisuuksia valitsema taaksepäin poistamiseen.

Taulukko 1 esittää AUC koulutus- ja validointi asettaa syrjintä syöpäsolun hyvänlaatuisesta solupopulaatioiden prostatektomia yksilöt käytetään kahta eri mallia laskemaan MFS

p. Mallin A, jossa käytettiin tavanomaista taaksepäin poistaminen valintamenettely viisi parasta kovariaatit ollut rajat validointi AUC = 0,87 koulutuksessa asettaa ja AUC = 0,83 itsenäisissä validointi asetettu. Model B, johtaa vertailemalla kaikki mahdolliset osajoukot viisi tai vähemmän kovariaattien perustuu loman-one-out ristivalidointi, oli AUC = 0,91 ja 0,79 koulutukseen ja validointi sarjoiksi, vastaavasti. Valitut ominaisuudet ja niiden standardoitujen kertoimien lopullisen taaksepäin poistaminen ja paras osajoukko MFS

p malleja (mallit A ja B, vastaavasti) esitetään täydentävää taulukossa S3.

verrataan populaatioissa ytimiä pareittain negatiivisen koepaloja, joissa asia kohteena myöhemmin oli diagnosoitu PCa ja ohjaus pysyi syöpää ilmaiseksi. Nuclear populaatiot kustakin aihe jaettiin asennettu MFS

p tulokset perustuvat A ja B; Näin nämä kehitettiin käyttämällä täysin riippumaton näytteen settejä prostatectomies sijaan koepaloja. AUC: t ja pariksi T testitulokset on esitetty taulukossa 2. Molemmat mallit osoittivat merkittäviä eroja tapausten ja kontrollien välillä, jossa tapauksiin, enemmän syöpää kuin ydinvoiman morfometristä allekirjoitus.

Keskustelu

tässä tutkimuksessa kehitimme ja validoitu ydinvoima morfometrisiin pisteet, jotka perustuvat DNA: n suora värjäys, joka tarkasti syrjinyt hyvänlaatuinen syövän ytimien eturauhasen kudosta. Tämä pisteytys luonnehtii kentän vaikutus histologisesti hyvänlaatuinen epiteelin ytimiä eri etäisyydellä syöpä keskittyä, ja liittyy myöhemmin havaitseminen PCA riippumaton sarja negatiivisia koepaloja. On merkittävää huomata, että yksittäiset ydin- kuvat saatiin koko dia kuvantamisen 400 ×. Näin ollen pystyimme tehokkaasti tallentaa suuren määrän epiteelin ytimiä kustakin kudosnäytteestä suurennuksella, joka mahdollistaa huomattavan yksityiskohtaisesti koskien ydin- koko, muoto ja DNA koostumus. Koska pikselitason karttoja tasaisempaa jakautumista DNA kussakin ydin, on mahdollista luoda lähes rajaton kirjaston morfometrisiin ominaisuuksia. Vuonna tässä esiteltyä lähestymistapaa, tämä agnostikko kirjasto louhitaan määrittämään alentunut sarjaa ominaisuuksia malleja, jotka erottavat hyvänlaatuista pahanlaatuisia soluja. Perustuu oletukseen, että on olemassa jatkumo kehityksessä ydinvoiman muoto ja koostumus aikana Karsinogeneesin tuloksena monimuuttuja tulokset saadaan jatkuva indeksi ”syöpä-ness” kunkin tuman, ja näin kollektiivinen ”syöpä-ness” mistään väestöstä ytimeksi. Yleensä syöpään liittyvien ominaisuuksien havaita digitaalinen analyysi ovat yksinkertaisesti subvisual laajennuksia ydin- muutokset ovat hyvin tunnustettuja ihmissilmälle mikroskoopilla: syöpä ytimet ovat hieman suurempia ja on enemmän kokkareista tai epäsäännöllinen jakeluun chromatin. Lisäksi kaikki ominaisuudet mukana pisimmälle tarkka malli löysimme liittyivät asteen varianssi keskuudessa ytimien, mikä tukee pitkäaikaisen näkymät keskuudessa patologien siitä, miten tärkeää ydin- pleomorfisimia syövän diagnosointiin.

tutkimus perustuu lukuisiin Aiemmat yritykset, jotka ovat hakeneet digitaalinen ydinvoiman morfometria kysymyksiin, joihin liittyy riskejä ja ennusteeseen rinta- [10], kohdunkaula [2], nielu /keuhko [11], paksusuolen [12], iho [13] ja eturauhasen . Eturauhasen, ydin- morfometria on osoitettu havaita poikkeavuuksia hyvänlaatuisia viereisen kudoksen syövän ja HGPIN [14], [15]. Tuloksemme osoittivat enemmän näyttöä syövän fenotyypin ytimet kuluessa 1 mm kasvainleesioksi, verrattuna vähintään 5 mm etäisyydellä; kuitenkin aiemmin tiedot viittaavat siihen, että nämä poikkeavuudet saattavat ulottua jopa 10 mm: n rajaa vaurion [16]. Mairinger ja työtoverit fyysisesti uutettu hyvänlaatuinen ytimiä parafinoidut kudosta ja käyttäen Feulgen värjätään Sytospin valmisteita, kertoi, että yhdistelmä kolmesta kromatiinin Tekstuuripiirteiden voisi tarkasti syrjiä tapauksissa PCA niistä vain BPH [15]. Erityisesti kaksi näistä kolmesta syrjiviä piirteitä näkyy muun-ydin vaihtelu sijasta keskiarvoja. Sen lisäksi, että kyseessä on kentän vaikutus hyvänlaatuisen kudoksen, useat tutkimukset ovat käytetty ydin- morfometria kasvaimen ja kasvaimen vieressä ytimet syrjiä alaryhmiä Eturauhassyövän potilaiden mukaan todennäköisyys etenemisen ollessaan aktiivisen valvonnan, PSA uusiutuminen, etäpesäke tai PCa erityisiä kuoleman [17], [18], [19], [20], [21]. Jälleen kerran, varianssi ominaisuuksia heijastaa epävakaus merkittävä rooli näissä malleissa, kuten he tekevät tuloksemme.

biologiset mekanismit vastaa muutoksista ydin- rakenne, joka syntyy ennen ulkonäköä histologisesti tunnistettavissa neoplasian ei ymmärretä hyvin . Kuitenkin useita prosesseja voidaan sekaantunut. Ensinnäkin siirtyminen löysä euchromatin enemmän kompakti heterochromatin on tärkeä mekanismi muuntavan geenin ilmentymisen, joka ohjataan siinä määrin kovalenttinen muuttaminen histoni hännät. Patterns globaalin histonimodifikaation, asetylaatiolla tai metyloinnin, ovat tunnistettavissa PCA ja on liittynyt kasvaimen aggressiivisuus [22], [23]. Mahmoud, et ai havaittu vähentynyt maailmanlaajuisen asetylointi histonin 3 lysiinin 9 (H3K9ac) PIN ja PCa verrattuna BPH kudokseen, ja edelleen havaittujen yhtäläisyyksiä H3K9ac ilmaisun välillä PIN ja normaalien solujen lähellä PIN vaurio [24]. On myös näyttöä siitä, p300, transkription koaktivaattoria androgeenireseptorin, voi muuttaa ydin- rakenne eturauhasen soluissa kautta toimintaa histoni liasetyylitransferaasi tai sen vaikutuksia ekspressioon ydin- matriisin proteiineja, lamiinivektori A ja C [25] . Isharwal, et ai. raportoitu yhdistyksen välillä tietty ydin- nikamaluhistumien ominaisuuksia ja p300 ilmaisun [26]. Säännönvastaisuudet ydinvoima kirjekuoressa, mukaan lukien leimahteleva ja lähdöt pallomainen muoto, ovat pitkän havaittu ominaisuus PCa soluja, mutta syy tähän epäsäännöllisyys ja sen toiminnallinen merkitys ei juuri tunneta [27]. Viimeaikaiset todisteet osoittavat, että ilmaus MYC onkogeenin tärkeä rooli moduloivan nucleolar koko, muoto ja lukumäärä alkuvaiheissa eturauhasen syövän synnyn [28]. Rooli kasvain microenvironment ja paracrine signalointi on myös otettava huomioon, koska paikallinen haavan vastaus voi aiheuttaa muuttuneen geeniekspression hyvänlaatuinen strooman vieressä PCa vaurioiden [29]. Nämä vaikutukset strooman kenttä voisi aiheuttaa hienovaraisia ​​morfologisia muutoksia hyvänlaatuinen epiteeli, mukaan lukien muutokset liittyvät epiteelin-to mesenkyymisoluyhteisviljelmissä muutos [30].

Tämä tutkimus lisää kentän määrittelemällä järjestelmällisesti eturauhasen syöpään liittyvien ydin- muutokset hyvänlaatuisen epiteelin käyttää yleisesti saatavilla digitaalisessa mikroskoopilla alustalla. Sen vahvuuksia ovat validointi riippumaton sarjaa eturauhasen ja cystoprostatectomy näytteitä, sekä tapaus-verrokki-analyysillä vertaamalla negatiivinen koepaloja potilailta, jotka joko ovat tai eivät ole sen jälkeen koe PCA diagnoosi. Koska suuri määrä potentiaalisia ennustavat yhden askeleen MFS

p ja suhteellisen pieni määrä aiheita (28) meidän koulutus asetettu, on täysin mahdollista, että muut yhdistelmät ominaisuudet olisivat toimineet yhtä hyvin tai paremmin kuin ne, meidän lopulliseen malliin. Siksi on tärkeää huomata, että käytimme tehokkaasti leave-one-out ristivalidointi lähestymistapa (samanlainen bootstrap resampling) ja tietyissä malleissa ja että tavoitteenamme ei välttämättä löytää ehdottomasti paras malli, mutta vahvistamaan valituilla malleja riippumaton kuvasarjojen. Lopullinen malleja, jotka olivat peräisin eturauhasen näytteistä, ei vain tuottanut riskiä tulokset, jotka liittyivät syövän itsenäinen prostatektomia näytteissä, vaan myös osoittanut yhdessä syöpäriskin biopsianäytteistä. Meidän tekniikka tarkoituksella jätetty pohjapinta epiteelin ytimet, ja sen annettiin puolueeton valinta suuri määrä luminal solutumien kustakin näytteestä.