1. LU 71. zinātniska konference 15.02.2013
ERAF aktivitāte „Atbalsts zinātnei un pētniecībai” „ATBALSTA VEKTORA ANALĪZES POTENCIĀLS PLAUŠU VĒŽA DIAGNOSTIKĀ, ANALIZĒJOT IZELPAS GAISU AR MĀKSLĪGO OŽAS IERĪCI” Vienošanās Nr. 2010/0303/2DP/ /10/APIA/VIAA/043
Dr.med Māris Bukovskis
Doc. Gunta Strazda, Dr.biol. Normunds Jurka, Dr.med. Uldis Kopeika, Dr. Ainis Pirtnieks, doc. Ināra Kantāne, Līga Balode, Dr. Jevgenija Aprinceva, prof. Immanuels Taivans

2. Darba mērķis
Noskaidrot atbalsta vektora analīzei (Support Vector Machine) nepieciešamos parametrus, kas visprecīzāk ļautu prognozēt plaušu vēža esamību pēc analizētā izelpas gaisa parauga

3. Materiāls un metodes
Rekrutēti pacientiem ar histoloģiski pierādītu plaušu vēzi, hronisku obstruktīvu plaušu slimību (HOPS), astmu, pneimoniju un veseli brīvprātīgie
N=934

4. Materiāls un metodes
Ar standartizētas metodes palīdzību elpojot caur aktivētās ogles filtru tika savākts izelpas gaiss

5. Elektroniskā deguna darbības princips
Gaistošo organisko savienojumu
oglekļa atomi izraisa polimēru sensoru tilpuma palielināšanos
Tas izraisa elektriskās
pretestības pārmaiņas

6. Materiāls un metodes
Izelpas gaisa analīze ar mākslīgās ožas ierīci (Cyranose 320
Smiths Detection, ASV) aprēķinot elektriskās pretestības līkņu relatīvo maksimumu (Rmax), laukumu zem līknes (∑0-60) un līknes pieauguma ātrumu (tg α0-60)

7. Materiāls un metodes
Rezultātu apstrāde ar atbalsta vektora analīzi (Support Vector Machine, Statistica 7), lai noteiktu optimālos analīzē iekļaujamos parametrus, kas nepieciešami plaušu vēža diagnozes prognozēšanai

8. Atbalsta vektora analīzes princips
A support vector machine constructs a hyperplane or set of hyperplanes in a high- or infinite-dimensional space.
A good separation is achieved by the hyperplane that has the largest distance to the nearest training data point of any class (so-called functional margin), since in general the larger the margin the lower the generalization error of the classifier.

9. Rezultāti
Šajā analīzē tika iekļauti 166 pacienti ar plaušu vēzi, 91 pacients ar citām diagnozēm un 79 veseli brīvprātīgie
Labāko prognostisko ieguva, iekļaujot analīzē visu 32 sensoru visus parametrus gan Rmax, ∑0-60 un tg α0-60
Prognozes precizitāte uzlabojās kā papildus noteicošos faktorus (categorical predictor) iekļaujot pacientu vecumu, smēķēšanas stāžu pakgados un istabas temperatūru ºC, kādā mērījums veikts

10. Rezultāti
32 detektoru parametri Rmax, ∑0-60 un tg α0-60 Vecums Pakgadi un Istabas temperatūra ºC
Krustotā novērtēšana 90.6% Pareizi prognozēta klase 93.1%
Klasifikācijas kopsavilkums (Support Vector Machine) Vēzis-Kontrole Treniņa grupa (Statistica kopēja tabula datu analīzei sta) SVM: Klasifikācijas tips 1 (C=5.000), Kernel: Lineārs Atbalsta vektoru skaits = 84 (39 saistīti) Iekļaušanas kritērijs: v20='GF'
Kopā
Pareizi
Nepareizi
Pareizi (%)
Nepareizi (%)
Kontrole 79 64 15
81.0
19.0
Vēzis
166
164 2
98.8
1.2
Vēzis
Kontrole
164 15
91.6
PPV 2 64
97.0
NPV
98.8
81.0
Jutība
Specifiskums

11. Rezultāti Dalot pacientus treniņa grupā 75% un testa grupā 25%
32 detektoru parametri Rmax, ∑0-60 un tg α0-60 Vecums Pakgadi un Istabas temperatūra ºC
Krustotā novērtēšana 89.7% Pareizi prognozēta klase 93.5%
Klasifikācijas kopsavilkums (Support Vector Machine) Vēzis-Kontrole Treniņa grupa 75% Testa grupa 25% (Statistica kopēja tabula datu analīzei sta) SVM: Klasifikācijas tips 1 (C=5.000), Kernel: Lineārs Atbalsta vektoru skaits = 84 (39 saistīti) Iekļaušanas kritērijs: v20='GF'
Kopā
Pareizi
Nepareizi
Pareizi (%)
Nepareizi (%)
Kontrole 16 11 5
68.8
31.3
Vēzis 45 44 1
97.8
2.2
Vēzis
Kontrole 44 5
89.8
PPV 1 11
91.7
NPV
97.8
68.8
Jutība
Specifiskums

12. Rezultāti
32 detektoru parametri Rmax, ∑0-60 un tg α0-60 Vecums Pakgadi un Istabas temperatūra ºC
Krustotā novērtēšana 72.8% Pareizi prognozēta klase 79.1%
Klasifikācijas kopsavilkums (Support Vector Machine), Vezis-Citi, Treniņa grupa (Statistica kopēja tabula datu analīzei sta) SVM: klasifikācijas tips 1 (C=2.000), Kernel: Lineārs Atbalsta vektoru skaits = 219 (170 saistīti) Iekļaušanas kritērijs: v20='GF'
Kopā
Pareizi
Nepareizi
Pareizi (%)
Nepareizi (%)
Citi
170
121 49
71.2
28.8
Vezis
165
144 21
87.3
12.7
Vēzis
Kontrole
144 49
74.6
PPV 21
121
85.2
NPV
87.3
71.2
Jutība
Specifiskums

13. Rezultāti Dalota pacientus treniņa grupā 75% un testa grupā 25%
32 detektoru parametri Rmax, ∑0-60 un tg α0-60 Vecums Pakgadi un Istabas temperatūra ºC
Krustotā novērtēšana 72.8% Pareizi prognozēta klase 79.1%
Klasifikācijas kopsavilkums (Support Vector Machine), Vezis-Citi, Treniņa grupa 75% Testa grupa 25% (Statistica kopēja tabula datu analīzei sta) SVM: klasifikācijas tips 1 (C=2.000), Kernel: Lineārs Atbalsta vektoru skaits = 219 (170 saistīti) Iekļaušanas kritērijs: v20='GF'
Kopā
Pareizi
Nepareizi
Pareizi (%)
Nepareizi (%)
Citi 39 26 13
66.7
33.3
Vezis 45 40 5
88.9
11.1
Vēzis
Kontrole 40 13
75.5
PPV 5 26
83.9
NPV
88.9
66.7
Jutība
Specifiskums

14. Rezultāti
32 detektoru parametri Rmax, ∑0-60 un tg α0-60 Vecums Pakgadi un Istabas temperatūra ºC
Krustotā novērtēšana 71.1% Pareizi prognozēta klase 77.4%
Klasifikācijas kopsavilkums (Support Vector Machine), Vēzis-VēzisHOPS-HOPS-Kontrole, Treniņa grupa (Statistica kopēja tabula datu analīzei sta) SVM: Klasifikācijas tips 1 (C=2.000), Kernel: Lineārs Atbalsta vektoru skaits = 152 (43 saistīti) Iekļaušanas kritēriji: v20='GF'
Kopā
Pareizi
Nepareizi
Pareizi (%)
Nepareizi (%)
HOPS 15 5 10
33.3
66.7
Kontrole 78 62 16
79.5
20.5
Vēzis 63 36 27
57.1
42.9
Vēzis un HOPS 79
100.0
0.0
Klasifikācijas matrice (Support Vector Machine), Vēzis-VēzisHOPS-HOPS-Kontrole, Treniņa grupa (Statistica kopēja tabula datu analīzei sta) SVM: Klasifikācijas tips 1 (C=2.000), Kernel: Lineārs, Atbalsta vektoru skaits = 152 (43 saistīti Prognoze (rindas) x Diagnoze (kolonnas) Iekļaušanas kritēriji: v20='GF'
HOPS
Kontrole
Vezis
VezisHOPS 5 1 9 62 7 36 26
79(!)

15. Rezultāti Vēzis un HOPS Kontrole 79 9 89.8 PPV 62 100.0 NPV 87.3
Vēzis un HOPS
Kontrole 79 9
89.8
PPV 62
100.0
NPV
87.3
Jutība
Specifiskums
Vēzis
Kontrole 36 7
83.7
PPV 1 62
98.4
NPV
97.3
89.9
Jutība
Specifiskums
Vēzis un VēzisHOPS
HOPS
142 10
93.4
PPV 5
100.0
NPV
33.3
Jutība
Specifiskums

16. Rezultāti
32 detektoru parametri Rmax, ∑0-60 un tg α0-60 Vecums, Pakgadi un Istabas temperatūra ºC
0 – Citi
1-2 – apvienota 1.un 2.plaušu vēža stadija
3 – 3.vēža stadija
4 – 4.vēža stadija
Grupā ‘’Citi’’ izslēgti pacienti ar pneimoniju, infarktpneimoniju, tbc pneimoniju, PATE (ideālā grupa)
Grupā ‘’Vēzis’’ izslēgti pacienti ar postobstruktīvu pneimoniju
Klasifikācijas matrice (Support Vector Machine), Stadija 1.-2., 3. un 4. Ideālā grupa Treniņa grupa (Statistica kopēja tabula datu analīzei sta) SVM: Klasifikācijas tips 1 (C=1.000), Kernel: Lineārs, Atbalsta vektoru skaits = 184 (73 saistīti) Prognoze (rindas) x Diagnoze (kolonnas) Iekļaušanas kritēriji : v20='GF'
Citi
1.-2.stadija
3.stadija
4.stadija
100 7 2
1.-2. stadija 11 3 25 1 9 40 27

17. Secinājumi
Optimālai plaušu vēža prognozēšanai analīzē jāiekļauj visi sensoru līkņu paramatri
Jāņem vērā pacienta vecums, smēķēšanas stāžs un apkārtējās vides temperatūra
Analīze ar SVM labi ļauj diferencēt plaušu vēzi no kontroles grupas un pacientiem ar citām plaušu slimībām neatkarīgi no slimības stadijas

18. Paldies par
uzmanību!