Автореферат и диссертация по медицине (14.00.14) на тему:Многопараметрический анализ лабораторных показателей крови для получения диагностической информации в экспериментальной и клинической онкологии

На правах рукописи

БОЖЕНКО Владимир Константинович

МНОГОПАРАМЕТРИЧЕСКИЙ АНАЛИЗ ЛАБОРАТОРНЫХ ПОКАЗАТЕЛЕЙ КРОВИ ДЛЯ ПОЛУЧЕНИЯ ДИАГНОСТИЧЕСКОЙ ИНФОРМАЦИИ В ЭКСПЕРИМЕНТАЛЬНОЙ И КЛИНИЧЕСКОЙ ОНКОЛОГИИ

(14.00.14 -онкология)

Автореферат диссертации на соискание ученой степени доктора медицинских наук

Москва 2004

Работа выполнена в Российском научном Центре рентгенорадиологии МЗ РФ

Научный консультант:

академик РАМН, профессор В.П.Харченко

Официальные оппоненты:

доктор медицинских наук, профессор И.В.Поддубная член-корреспондент РАМН, профессор Н.Е.Кушлинский доктор медицинских наук, профессор В.М.Погорелов

Ведущая организация: Московский научно-исследовательский онкологический институт им. П.А.Герцена МЗ РФ

Защита диссертации состоится «_»_2004 г. на заседании

Диссертационного совета (Д.001.017.01) при ГУ Российском онкологическом научном центре им. H.H. Блохина РАМН (115478, Москва, Каширское шоссе, 24)

С диссертацией можно ознакомиться в библиотеке ГУ Российского онкологического научного центра им. Н.Н.Блохина РАМН

Автореферат разослан «_»_2004 г.

Ученый секретарь Диссертационного совета, доктор медицинских наук

Ю.В.Шишкин

Актуальность проблемы. В 2001 году было зарегистрировано 45-1,3 тыс. новых случаев онкозаболеваний (в 2000 - 448,6 тыс.). Средняя продолжительность жизни заболевших раком в несколько раз ниже, чем в соответствующих возрастных группах населения (Давыдов М. И., Аксель Е.М., 2002, 2003). Однако увеличение общей заболеваемости и смертности от онкологических заболеваний не должно скрывать реальных достижений клинической онкологии. За последнее десятилетие усилия онкологов привели к созданию ряда новых эффективных схем лечения, повышающих реальную продолжительность жизни онкологических больных. Развитие новых методов лечения, особенно это касается достижений современных видов химиотерапии, приводит к возникновению нескольких альтернативных схем лечения для отдельных нозологических групп (Поддубная И.В., 2002). Перед врачом встает практический вопрос - какой вид терапии применить на первом этапе, какой план лечения будет наиболее эффективным для данного больного, актуальной остается проблема поиска путей оптимизации и индивидуализации методов противоопухолевого лечения. (Давыдов М.И. и др. 2000, Поддубная И.В., 2003, Харченко В.П. и др. 2002, Горбунова В.А. и др. 2002, Чехонадский В.Н. и др. 2002, Возный Э.К. и др. 2000, Coiffier В., 2002). Одним из подходов в решении данной проблемы может быть использование прогностических факторов, коррелирующих с тем или иным событием в будущем (продолжительностью жизни, длительностью безрецидивного периода, эффективностью терапии и др.). Примером может служить международный прогностический индекс для злокачественных неходжкинских лимфом IPI (Shipp М.А. et.al. 1993, Armitage J.M. 2002). Однако используемые в настоящее время методы прогноза и прогностические индексы имеют ряд существенных недостатков. Это, прежде всего, низкая достоверность получаемых оценок. Особенно это относится к прогнозированию вероятной величины продолжительности жизни (Henderson R. et al. 200\л Bates D.W. et. al. 2001).

С развитием новых биохимических и биофизических методов диагностики наши знания о прогностических факторах расширяются. Тем не менее, большинство новых молекулярных маркеров пока еще прочно не вошли в рутинную практику, что определяется высокой стоимостью подобных исследований и сложностью интерпретации данных одновременного анализа многих факторов (Bustin S., Dorudi S., 1998, Герштейн Е.С., Кушлинский Н.Е, 2002). С другой стороны, новые методы анализа клинико-лабораторных данных (Kimura Е. et. al. 1996, Генкин A.A., 1999) могут дать новые подходы для получения прогностической информации. Примером может служить использование метода искусственных нейронных сетей для получения эффективных прогностических моделей у больных раком предстательной железы (Naguib R.N.G. et al. 1994, 1996, Nguyen D.V., Rocke D.M., 2002).

Важной предпосылкой для углубленного исследования лабораторных показателей в настоящее время являются современные тенденции в клинической лабораторной диагностике. Это, прежде всего, внедрение автоматических методов анализа, а так же стандартов качества (принципов GLP) - включающих внутри- и межлабораторные процедуры контроля качества. Эти процессы привели к увеличению ассортимента стандартно регистрируемых лабораторных показателей и существенному изменению статистических характеристик получаемых данных. Снизились коэффициенты внутри лабораторной вариации, что создает предпосылки к снижению объема выборки для регистрации достоверных отличий в группах и пересмотру диагностической информативности для целого комплекса лабораторных характеристик (Меньшиков В.В. 2003).

На основании вышесказанного были сформулированы следующие цели и задачи.

Цель исследования - сравнение эффективности многомерных методов анализа лабораторных данных для получения прогностической информации в онкологии. Оценка прогностической значимости комплекса "рутинных" лабораторных и ЯМР показателей крови.

Задачи исследования:

1. Сравнить эффективность многомерных методов анализа комплекса лабораторных данных: (дискриминантного, кластерного, факторного анализа, метода искусственных нейронных сетей) - как методов получения прогностической информации на модели перевивных опухолей.

2. Оценить диагностическую и прогностическую значимость показателей ЯМР спин-решеточной и спин-спиновой релаксации крови у онкологических больных.

3. Исследовать механизмы изменения времени ЯМР спин-решеточной релаксации крови у онкологических больных.

4. Построение прогностической модели на основании клинических и лабораторных данных с использованием наиболее эффективных методов многомерного анализа на примере больных злокачественными лимфомами.

5. Построение модели объективной оценки общего состояния онкологического больного на основании лабораторных показателей крови.

Основные положения, выносимые на защиту.

1.Использование многомерных методов анализа лабораторных показателей крови позволяет получать важную диагностическую и прогностическую информацию на экспериментальных моделях.

2.Эти методы могут использоваться для получения объективных интегральных оценок состояния как параметров опухолевого процесса

(размер опухоли, скорость роста опухоли), так и важных прогностических данных - оценки непосредственного эффекта лечения, длительности безрецидивного периода.

3.ЯМР показатели крови - время Т1 спин-решеточной и Т2 спин-спиновой релаксации могут использоваться как интегральные показатели -отражающие такие характеристики пациентов со злокачественными заболеваниями как степень интоксикации, но неприменимы для диагностики онкологических заболеваний.

4.Многомерные методы анализа комплекса гематологических показателей крови позволяют создать объективные интегральные индексы общего состояния онкологического больного.

5.Можно говорить об инвариантности лабораторных показателей -т.е. возможно найти несколько независимых наборов гематологических и биохимических показателей для получения моделей, имеющих одинаковую информативность.

6.Наиболе информативными математическими методами для построения диагностических и прогностических моделей (индексов) являются "нелинейные" методы ( кластерный анализ, нейронные сети).

Научная новизна.

Впервые проведено исследование сравнительной эффективности различных методов многомерного анализа для получения диагностической и прогностической информации на основании биохимических, гематологических и биофизических данных крови на модели перевивных опухолей.

Исследована диагностическая значимость ЯМР показателей крови у онкологических больных, изучены основные биофизические механизмы изменения этих показателей. Получено авторское свидетельство на использование показателей ЯМР крови в онкологии.

Изучена эффективность различных методов многомерного анализа для получения прогностической и диагностической информации на

основании лабораторных показателей крови у онкологических больных. Получен патент на способ диагностики онкологических заболеваний на основании многопараметрического анализа ЯМР и лабораторных показателей крови

Впервые разработан способ получения прогностических факторов для больных злокачественными лимфомами на основании анализа комплекса клинических данных и лабораторных показателей крови методом искусственных нейронных сетей.

Таким образом, проведено фундаментальное исследование прогностической значимости анализа комплекса (биохимических, гематологических, биофизических) лабораторных показателей крови многомерными математическими методами для получения прогностических данных в эксперименте и клинике.

Практическая значимость и внедрение результатов исследования в клиническую практику.

Практическому здравоохранению для повседневного использования предлагаются новые высокоэффективные методики получения прогностической информации.

Описаны удобные, с точки зрения практического применения, модели анализа лабораторных данных, даны практические рекомендации по применению различных математических методов анализа для получения прогностической информации.

Представленные разработки составили основу двух методических рекомендаций.

На основании проведенных исследований получен патент и свидетельство об изобретении на новые способы диагностики злокачественных новообразований и степени интоксикации у онкологических больных.

Материалы исследований использовались в специализированных курсах лекций и на семинарах с врачами-онкологами в РНЦРР МЗ РФ.

Апробация материалов диссертации.

Диссертация апробирована на научно-практической конференции РНЦРР МЗ РФ в октябре 2003 г. Материалы диссертации доложены на : Всесоюзном рабочем совещании "Биофизика рака" (Черноголовка, 1987); Всесоюзной конференции "Магнитный резонанс в биологии и медицине" (Москва, 1989); Всесоюзном симпозиуме "Новые методы интенсивной терапии в лечении онкологических больных" (Москва, 1989); Международной конференции "Влияние воды на молекулярно-динамические процессы в биосистемах и их связь с метаболизмом" (Тбилиси, 1989); Конференции "Новые методы анализа изображения в гематологии" (Москва, 1996); Конференции "Актуальные вопросы онкологии" (Архангельск, 1997); Конференции "Профилактика, диагностика и лечение онкологических заболеваний", (Барнаул, 1998); Международной научно-практической конференции "Болезнь Ходжкина (лимфогранулематоз)" (Петрозаводск, 1999); Конференции "Онкология на рубеже 20 века" (Москва, 1999); Съезде онкологов СНГ (Киев, 2000); Конференции "Национальные дни лабораторной медицины" (Москва,

2001); V Российской онкологической конференции (Москва,2001); 8th International Conference of Malignant Lymphoma (Switzerland, Lugano,

2002); VI Российская онкологическая конференция, (Москва, 2002); 31st Meeting of the International Society for Oncodevelopmental Biology and Medicine (Edinburg, G.Britain, 2003).

Публикации.

По теме диссертации опубликовано 39 печатных работы. Из них 2 методические рекомендации, программа обучения для врачей. Одно свидетельство и один патент на изобретение. Структура и объем диссертации.

Диссертация состоит из введения, обзора литературы, экспериментальной части, включающей главу "материалы и методы" и три главы результатов исследования, краткого заключения, выводов, списка

литературы. Диссертация написана на 223 страницах и иллюстрирована 65 рисунками и 77 таблицами. Список литературы содержит ссылки на 108 отечественных и 157 зарубежных авторов.

РЕЗУЛЬТАТЫ СОБСТВЕННЫХ ИССЛЕДОВАНИЙ.

МАТЕРИАЛЫ И МЕТОДЫ.

Характеристика обследованных больных.

Обследованные больные составили 2 независимые группы.

I-группу составили обследованные методом ЯМР in vitro. Всего, методом

ЯМР исследованы образцы сыворотки крови 1015 пациентов. Из них 508 -

онкологических больных, 243 - неонкологических больных, 264 -

практически здоровых.

В группе онкологических больных было 61% женщин и 39% мужчин. В группе неонкологических больных 78% составляли женщины и 22% мужчины. В группе практически здоровых - 41% -женщины, 59% - мужчины. В таблице 1 приводятся возрастные характеристики обследованных больных.

Таблица 1. Возрастные характеристики пациентов, обследованных методом ЯМР in vitro (в процентах)._

Возраст, лет

Группа цо 30 31-40 141-50 51-60 61-70 более 70

практически здоровые 28 27| 21 14| id

онкологические больные 8 11 21 30 23 7

неонкологические больные 6 23 28 18 19 6

Таблица 2. Распределение онкологических больных, обследованных методом ЯМР in vitro по стадиям .__

локализация злокачественного процесса стадия

I И III IV неизвестна всего

легкие 14 78 87 30 6 215

желудочно-кишечный тракт 4 7 21 3 13 48

молочная железа 12 45 27 5 7 96

ЛГМ 10 18 29 14j 5 76

прочие 8 20 21 7 17 73

всего 55 164 188 63 48 508

II-группу составили пациенты с гистологически подтвержденным диагнозом "злокачественная неходжкинская лимфома".

Для анализа использовалась база данных больных злокачественными неходжкинскими лимфомами, получавших лечение в РНЦРР МЗ РФ. Она включала информацию о 689 пациентах и является результатом работы коллектива РНЦРР МЗ РФ за период более 15 лет. Распределение пациентов по нозологическому диагнозу на основании классификации ВОЗ (Рабочая формулировка) приведена в таблице 3, а возрастные характеристики в таблице 4. Женщины составляли 48%, а мужчины - 52%. Таблица 3. Характеристика больных неходжкинскими лимфомами.

Нозологическая форма Кол-во %

лимфоцитарная (А) 186 27

Фолликулярная из малых кл.(В) 30 4

Фолликулярная из малых и больших кл.(С) 19 3

Фолликулярная крупноклеточная(О) 11 2

Диффузная из малых кл (Е) 71 10

Диффузная из малых и бол. Кл (Р) 72 10

Диффузная крупноклеточная (й) 112 16

Иммунобластная (Н) 35 5

Лимфобластная 136 20

Неклассифицируемая 17 2

Сумма 689 100

Таблица 4. Распределение больных злокачественными неходжкинскими

Диапазон возраста Количество %

10,000 <х<= 20,000 31 4,5

20,000 < х <= 30,000 78 11,3

30,000 < х <= 40,000 96 13,9

40,000 < х <= 50,000 157 22,8

50,000 < х <= 60,000 168 24,4

60,000 < х <= 70,000 125 18,2

70,000 < х <= 80,000 33 4,8

80,000 < х <= 90,000 1 0,1

Основные методы исследований. Определение биохимических показателей крови.

Биохимические показатели сыворотки крови измерялись на автоматическом анализаторе Кобас Фара (Рош, Швейцария) с использованием реагентов и калибраторов фирмы Хьюман (Германия). Определение гематологических показателей.

Показатели абсолютного и относительного содержания клеток крови, а также расчетные показатели: среднее содержание гемоглобина в эритроците (МСН), средний объем эритроцитов (MCV), среднее содержание гемоглобина (МСНС), гематокрит (НСТ), дисперсия диаметра эритроцитов (RDW), средний объем тромбоцитов (MPV), тромбокрит (MPV) регистрировали на гематологических анализаторах Микрос ОТ-18 (Рош, Швейцария) и Техникон Н-3 (Байер, Германия). Определение ЯМР показателей сыворотки крови.

ЯМР характеристики сыворотки крови, времена Т1 спин-решеточной релаксации и Т2 спин-спиновой релаксации измеряли на ЯМР релаксометре Minispec РС-20 (Bruker, Germany), а также на специализированном, для медицинских исследований крови, релаксометре российского производства "Пальма".

Статистическая обработка материала.

Статистический анализ проводили с использование программ: Статистика 5.0, 5.5, 6.0 (StatSoft, США), Statgraf 2.0 (Statgrafics, США). Для анализа с помощью метода нейронных сетей использовали модуль программы Статистика 5.0, 6,0. В модуле реализован генетический алгоритм поиска наиболее информативного набора показателей и оптимальной структуры сети.

Результаты исследования и их обсуждение. I. Исследование ЯМР характеристик крови у онкологических больных.

Поиск новых методов диагностики является одним из главных научных направлений в любой области медицины и обращает внимание

исследователей к новым технологиям и методам получения информации. Открытие метода ЯМР (Bloch F., 1946) привело к последовательному внедрению его вариантов в исследовательские лаборатории различного профиля. Исследование ЯМР характеристик биологических тканей показало возможность получения важной информации о их структуре и функции. Дальнейшая разработка технологии привела к созданию высоко информативного способа визуализации - магнитно-резонансной томографии. Lauterbur Р.С. и Mansfield Р. за это открытие были удостоены Нобелевской премии по физилогии и медицине за 2003. В 1971 году было показано, что ткани опухоли отличаются по ЯМР характеристикам от здоровых тканей, а также, что ЯМР параметры сыворотка крови онкологических больных изменены по сравнению с сывороткой крови здоровых пациентов (Damadian R. 1971, Hazlwood C.F 1974, Эмануэль Н.М. и др., 1975, Beall Р.Т. et al, 1976). Мы провели исследование возможности применения этих отличий для диагностических целей в онкологии. Для этого были исследованы показатели ЯМР Т1 и Т2 в сыворотке крови групп больных с различной онкологической патологией, групп больных с неонкологической патологией, а также практически здоровых пациентов. Сравнение ЯМР показателей сыворотки крови для этих групп приведены в таблице 5.

Таблица 5. Значения ЯМР характеристик сыворотки крови у различных групп пациентов.

Группа обследованных Т1, сек Т2, сек

N m а m а

Практически здоровые 197 1.61* 0.068 0.613* 0.097

Неонкологические больные 180 1.76* 0.094 0.736* 0.04

Онкологические больные 345 1.82* 0.11 0.785* 0.131

* - отличия в каждой паре достоверны на уровне р< 0,001.

Эти результаты подтвердили вывод, что время ЯМР спин-решеточной Т1 и

спин-спиновой Т2 релаксации достоверно отличаются как в группах

онкологических больных, так и в группе больных неонкологическими заболеваниями по сравнению с группой практически здоровых. При этом обращает внимание, что величина дисперсии во всех группах достаточно велика, что приводит к существенному перекрыванию значений для популяций больных неонкологическими заболеваниями с группой практически здоровых и группой онкологических больных.

Эти данные можно проиллюстрировать на группе пациентов с различной патологией желудка (Таблица 6). Видно, что развитие патологического процесса в желудке независимо от его типа, приводит к достоверному увеличению времени ЯМР Т1 сыворотки крови, по сравнению с группой практически здоровых. Однако изменения при раке желудка достоверно отличаются от изменений, характерных для неонкологических заболеваний.

Таблица 6. Зависимость ЯМР Т1 в группах пациентов с заболеванием желудка.____

Диагноз Количество больных ЯМР Т1, сек а

Практически 97 1,61* 0,07

здоровые

Хронический 30 1,74* 0,08

гастрит

Язвенная болезнь 20 1,79* 0,08

желудка

Рак желудка 29 1,94* 0,11

*- отличия всех пар достоверны на уровне р<0.05.

Мы исследовали также зависимость времени ЯМР Т1 от стадии опухолевого процесса (Таблица 7). Приведенные результаты позволяют сделать вывод, что увеличение размеров опухоли приводит к достоверному увеличению времени Т1 спин-решеточной релаксации.

Таблица 7. Зависимость времени ЯМР спин-решеточной релаксации Т1 от стадии для группы больных раком легкого.__

Группа/ Стадия по ТЫМ N ЯМР Т1 (сек) ст

неонкологические чаболевания легких 33 1,65 0,09

II 50 1.68* 0.107

III 26 1.75* 0.139

IV 16 1.81** 0.11

- (*)достоверны отличия в парах II-III, II-IV и не достоверны в паре III-IV(**).

В таблице 8 представлены величины ЯМР Т1 в группах онкологических больных: "первичных" - поступивших в Центр на лечение и обследованных впервые и "вторичных" - пришедших на повторное обследование (контрольное, после лечения).

Таблица 8. Изменение времени ЯМР Т1 сыворотки крови онкологических больных после проведенного лечения (результаты приводятся для больных раком легкого).__

Группа больных Число обследованных ЯМР Т1, сек ст

Первичные до 61 1,75 0,09

лечения

Первичные после 42 1,76 0,07

лечения

Вторичные с 30 1,74* 0,11

рецидивом

Вторичные без 20 1,69* 0,08

рецидива

*- отличия достоверны на уровне р<0.1.

Из таблицы 8 видно, что сразу после лечения изменения ЯМР Т1 не происходит. Однако анализ данных у "вторичных" больных показывает, что при эффективно проведенном лечении (отсутствие рецидивов или метастазов) Т1 достоверно снижается и приближается к величине ЯМР Т1, характерному для больных неонкологическими заболеваниями легких.

Исследование биофизических механизмов изменения показателей ЯМР релаксации в сыворотки крови.

Из теории ЯМР растворов полимеров известно, что увеличение их концентрации приводит к уменьшению времени Т1 спин-решеточной релаксации (Zimmerman J.R, Brittin W.E. 1957, Аксенов С.И., Харчук О.А., 1974). Так как основным количественным компонентом сыворотки крови человека являются белки мы исследовали зависимость ЯМР Т1 от концентрации белка. Полученный коэффициент корреляции (R2=0,68) позволял говорить о сильной связи этих показателей. Известно, что у онкологических больных концентрация белка сыворотки часто снижена, что и может быть причиной увеличения времени ЯМР Т1. В тоже время, имеются естественные, физиологические причины для колебания концентрации белка в сыворотке крови. Изменения концентрации белка в сыворотке крови можно, компенсировать введением поправки величины Т1 ЯМР на среднюю концентрацию белка. Введение такой нормировки, однако, приводит только к увеличению отличия в величине Т1 сыворотки крови онкологических больных по сравнению с группой практически здоровых. Таким образом должны существовать другие причины наблюдаемых у онкологических больных изменений показателей ЯМР.

Известно, что структура молекул альбумина и глобулинов в растворе сильно отличаются и характеристики ЯМР релаксации для них различны. Обнаруженная нами зависимость Т1 от величины альбумино-глобулинового коэффициента (R2= 0,5) подтверждает теоретические представления, что увеличение относительного количества глобулинов в сыворотке крови, при одинаковой концентрации общего белка будет приводить к увеличению Т1. Этот эффект наблюдается и сыворотке крови онкологических больных. Однако низкое значение R2 для приведенной зависимости Tl-A/Г говорит о том, что не только этот параметр определяет изменение Т1 в сыворотке крови.

Известно, что одна из главных функций альбумина - транспортная. Он является переносчиком различных низкомолекулярных компонентов, таких как билирубин, жирные кислоты, пептиды низкой молекулярной массой (Ландау М.А., 1985). Известно также, что связывание низкомолекулярных лигандов с альбумином приводит к значительному изменению конформации белковой молекулы. Поэтому мы предположили, что концентрация низкомолекулярных компонентов сыворотки крови может быть причиной изменения времени ЯМР Т1. Обнаруженная нами экспериментально зависимость имела Я2=0,57 (с четом поправки на концентрацию белка). Таким образом, увеличение количества низкомолекулярных веществ в сыворотке крови могло быть причиной увеличения показателя ЯМР Т1. Нами была произведена экспериментальная проверка этого факта. Для чего, выделенную методом жидкостной хроматографии из сыворотки крови низкомолекулярную фракцию добавляли к раствору сывороточного альбумина. Как показывают результаты приведенные на рисунке 1, увеличение количества низкомолекулярной фракции приводит к увеличению времени ЯМР Т1 раствора альбумина.

Концентрация низкомолекулярных соединений, %

Рисунок 1. Изменение ЯМР Т1 5% раствора альбумина от концентрации добавленных низкомолекулярных веществ.

Нами исследовалось влияние различных компонентов низкомолекулярной фракции сыворотки крови на величину времени ЯМР спин-решеточной релаксации Т1. Основными компонентами низкомолекулярной фракции • (Мв< 10 ООО ) являются - низкомолекулярные пептиды и липиды сыворотки

крови. Было показано, что увеличение концентрации (или снижение ее при , сорбции на носителях) и низкомолекулярных пептидов и липидов сыворотки

крови проводит к изменению величины ЯМР Т1. В тоже время, физиологические колебаний концентраций таких компонентов крови как глюкоза, холестерин, электролиты (К, Ыа, С1) и рН не изменяют Т1 сыворотки крови.

Таким образом, было продемонстрировано, что изменение концентрации различных низкомолекулярных компонентов сыворотки крови является одной из ведущих причин изменения показателей ЯМР-релаксации. Изменение их концентрации приводит к изменению количества лигандов, связавшихся с молекулами белка (прежде всего с молекулами альбумина), что приводит к изменению его конформации и, как следствие, изменению

Р/Ро

Рисунок 2. Изменение кривых сорбции-десорбции альбумина (пунктир-чистый белок) при связывании низкомолекулярных компоненюв из сыворотки крови (0,5%).

доступности заряженных и гидрофильных-гидрофобных групп для окружающих молекул воды. Это было подтверждено в экспериментах по изменению электрофоретической подвижности и кривых сорбции и десорбции альбумина в присутствии низкомолекулярной фракции сыворотки крови, а также по изменению фракций подвижной воды, связанной с молекулой белка при низких температурах. Именно эти механизмы, по-видимому, являются определяющими в увеличении времени ЯМР спин-решеточной релаксации Т1 сыворотки крови у онкологических больных.

Однако известно, что изменение количества низкомолекулярных компонентов крови сопровождает широкий круг патологических процессов (Глинский Г.В., 1982, Бассалык Л.С. и др. 1984). Т.е. увеличение времени ЯМР Т1 может сопровождать развитие не только oнкoлoгичecкoйf но и других видов патологий. Эти предположения были позднее подтверждены рядом исследований проведенных на кафедре РМАПО и в Гематологическом научном центре РАМН РФ ( Козинец Г.И.и др., 1992). В них было показано, что увеличение времени ЯМР Т1 сыворотки крови

Зависимость времени спин-решеточной релаксации от снижения концентрации низкомолекулярных веществ в сыворотке крови

0,2188 0,2849 0,3577

концентрация низкомолекулярных % Рисунок 3. Ишенение времени ЯМР спин-решеточной релаксации крови Т1 после сорбции нидеомолекулярных компонентов сыворотки крови.

наблюдается и у таких групп пациентов, как ожоговые больные, больные с заболеваниям желчного пузыря и др. Таким образом, обнаруженный нами факта позволил заключить, что изменение Т1 в сыворотке крови в основном определяется неспецифическими процессами интоксикации у онкологических больных, сопровождающихся выделением в кровь низкомолекулярных продуктов. Однако определение величины изменения Т1 сыворотки крови до сорбции низкомолекулярных компонентов, и после, позволяет предложить ее как меру степени интоксикации (Рисунок 3).

В тоже время сам показатель - Т1 по своим характеристикам не может использоваться для диагностики онкологических заболеваний в скрининговых программах.

Таблица 9. Диагностические характеристики времени ЯМР Т1 спин-

решеточной релаксации сыворотки крови.

При сравнении групп: "онкология" - "неонкология" При сравнении групп: "здоровые" - "онкология"

Чувствительность Специфичность Чувствительность Специфичность

25% 30% 75% 95%

Это подтверждается характеристиками диагностической чувствительности и специфичности, приведенными в таблице 9. Видно, что Т1 не позволяет дифференцировать онкологические и неонкологические заболевания.

Таким образом, проведенные исследования показали, что такие характеристики сыворотки крови как время ЯМР спин-спиновой и спин-решеточной релаксации являются одними из многих лабораторных показателей крови, не специфически изменяющихся при развитии злокачественных опухолей. Эти показатели коррелируют со стадией злокачественного процесса, однако сами по себе не могут использоваться для диагностики онкологических заболеваний, в тоже время, необходимо изучение их информативности в комбинации с другими методами диагностики, а также для диагностики других патологических процессов.

II. Исследование изменения лабораторных показателей крови в процессе развития экспериментальных опухолей у мышей.

С целью исследования возможности получения информации об опухолевом процессе на основании многопараметрического анализа лабораторных показателей крови было осуществлено несколько серий экспериментов с использованием ретроспективных и проспективных моделей основные характеристики которых приведены в таблице 10.

Таблица 10. Основные характеристики экспериментальных моделей.

Ретроспективные Проспективные

Линия мышей СВА С57В1аск A/snl виш BLRB

Кол-во, N 120 147 160 28 70

Опухолевая Тератокарци- Саркома РМЖ, BMP РМЖ, РМЖ,

модель нома Т-36 Льюиса спонтанная спонтан

Краткое 100 мышам Формировали Двум Проводили Провод!

описание перевивалась 4 равные равноценным забор крови из забор кр

во всех опухоль 20 - группы, 1,3- фуппам по 80 глазного из глазн

экспериментах контрольные, контрольные мышеи синуса и синуса,

1 раз в неделю 1 раз в без опухоли, перевивали исследовали через 2

регистрировали неделю 2, 4-с опухоль, с динамику недели

параметры проводили перевитои промежутком в восстановления перевив

роста опухоли забор крови опухолью. 3 несколько гематологичес- опухоль

и проводили на анализ и и 4 группы недель. ких и биохими- per истр]

забор крови регистрацию получали Первая группа - ческих пока- вали

для параметров лучевую служила зателей крови парамет

исследования роста терапию источником ее роста

лабораторных опухоли информации для

показателей построения диагностических моделей, вторая -для их проверки.

Во всех экспериментах оценивалась динамика изменений лабораторных показателей крови в процессе роста опухоли. Регистрировалось от 40 до 50 гематологических и биохимических показателей. В эксперименте на мышах С57В1 регистрировались также показатели ЯМР сыворотки крови. На рисунке 3 показаны типичные параметры роста опухоли, кривой смертности и изменение веса животных (приводятся для эксперимента на мышах СВА).

. Изменение веса опухоли, мышей, кривая гибели ч /»выживших МышиСВА,опухольтератокарциномаТ-36 ц, вес опухоли.....

5 12 19 26 33 40 47 54 61 68

день после перевивки

Рисунок 3. Динамика изменения веса экспериментальных животных и опухоли после перевивки.

Приводимые результаты показывают, что опухоль начинает макроскопически определяться уже через 5 дней после перевивки, а гибель животных начинается через 30 дней и имеет характерную Б-образную форму. Зависимость изменений регистрируемых лабораторных показателей крови в процессе роста опухоли сильно варьировала. На рисунке 4 показаны изменения показателей эритроцитов для эксперимента с С57В1, а на рисунке 5 - для биохимических показателей в эксперименте с А/бп!. Видно, что ряд показателей достоверно меняется уже в ранние сроки после перевивки, другие несколько позже, а некоторые вообще не меняются или изменяются незначительно. Каждая точка (день регистрации) представлена результатами от 3-5 экспериментальных животных. Достоверность изменений оценивалась дисперсионным методом.

I НМ1Р1 РЙЭНСРОв Л

*

О (*

О И О

10 20 10 40 30

Ш 20 10 « 50 60 70 90

о - контрольная группа, День после перевивки

Рисунок 4. Динамика изменения гематологических показателей (эритроцитов) после перевивки Саркомы Льюиса мышам С57В1.

Динамика биохимических показателей крови у мышей после перевивки опухоли (II)

(A/SNL самки, опухоль рак молочной железы штамм BMP).

• U Ш6*!0 lid'i.l tlVl'v! О О И смГ М

i 1S 25 35

по оси абсцисс - день после перевивки.

Рисунок 5. Динамика изменения активности ферментов сыворотки крови у мышей A/snl после перевивки опухоли (рак молочной железы, штамм BMP).

Первичную оценку зависимости размеров опухоли и лабораторных показателей дают значения коэффициентов корреляции Пирсона (Таблицы 11 и 12).

Таблица 11. Коэффициенты корреляции гематологических показателей крови с размером опухоли и сроком после ее перевивки (Мыши С57В1,

Показатель вес опухоли день после перевивки

вес опухоли 1 •0,8657

лейкоциты *0,2735 •0,3329

эритроциты *-0,7985 *-0,6883

гемоглобин *-0,8216 •-0,7362

гематокрит *-0,8151 •-0,7361

МСУ 0,036 -0,0906

МСН -0,1159 •-0,2284

МСНС 0,0341 0,0356

РЮ\Л/ *0,8111 •0,84

тромбоциты -0,104 0,0632

МРУ *0,5662 •0,56

Рй\Л/ 0,1826 •0,2475

пифоциты,% *-0,596 •-0,7437

моноциты,% ♦0,5079 ♦0,5877

грануяоциты,% ♦0,3475 ♦0,5284

лимфоциты, абс 0,1589 0,1856

моноциты,абс *0,3106 •0,38

гранулоциты, абс •0,2914 •0,3923

""-достоверные на уровне р<0,05

Таблица 12.Коэффициенты корреляции биохимических показателей крови с весом опухоли и сроком после ее перевивки (Мыши С57В1,

вес опухоли день после перевивки

вес опухоли 1 ♦0,8614

Общий белок 0,1965 ♦0,298

Креатинин ♦-0,4488 ♦-0,3503

холестерин 0,1429 -0,0971

ГБДГ ♦0,8577 ♦0,7735

глюкоза ♦-0,7284 ♦-0,842

альбумин -0,0142 ♦-0,0034

триглицериды ♦0,394 0,2079

лактатдегидрогеназа ♦0,851 ♦0,7048

АСТ ♦0,8629 ♦0,754

АЛТ ♦0,8383 ♦0,7508

щелочная фосфатаза -0,1584 -0,1381

альфа амилаза ♦-0,5043 ♦-0,6843

креатин фосфокиназа -0,0559 -0,011

мочевина •0,6989 *0,6755

-достоверные значения на уровне р<0,05

Для качественной оценки совокупности полученных лабораторных данных нами был использован факторный анализ. Особенность этого вида анализа - возможность сокращения числа переменных, а также проведение варианта кластерного анализа. В таблице 13 приводятся факторные нагрузки для факторов, полученных по биохимическим показателям. Видно, что первый фактор определяется, в основном, активностью "печеночных" ферментов и уровнем мочевины сыворотки крови и, по-видимому, содержит информацию о токсическом воздействии опухоли, а второй фактор формируется из показателей холестерина, глюкозы и альбумина и, возможно, отражает метаболическое давление опухоли на организм.

Таблица 13. Факторные нагрузки для комплекса биохимических показателей крови у мышей после перевивки опухоли ((Мыши С57В1,

Показатель Фактор 1 Фактор 2

Общий белок -0,055231 0,687951

коеатинин -0,364588 0,682702

холестерин 0,055868 ,716598 *

ГБДГ ,907176 * -0,34223

глюкоза -0,563473 ,732433 *

альбумин -0,180935 ,870591 *

триглицериды 0,366849 -0,15158

лактатдегидрогеназа ,904454 * -0,31789

ACT ,950684 * -0,22135

АЛТ ,933239 * -0,11098

щелочная фосфатаза -0,27231 0,654735

альфа амилаза -0,313152 0,629144

креатин фосфокиназа 0,049547 0,481454

мочевина ,797571 * -0,09397

* - отмечены показатели, вносящие основной вклад в формирование фактора.

Проведенный анализ позволяет также получить собственные значения факторов для каждого объекта - мыши. При этом важно, что эти значения не содержат признака принадлежности объектов к группам - с перевитой опухолью или контрольной.

На Рисунке 6 показано двумерное распределение факторов для группы исследованных мышей. Видно, что значения факторов для контрольных объектов отличаются от значений для группы мышей с опухолью и эти отличия растут по мере роста опухоли. Таким образом, результаты дисперсионного и факторного анализа позволяют сделать вывод, что развитие опухоли сопровождается изменением комплекса лабораторных показателей крови. Степень этих изменений коррелирует с размерами опухоли.

а!

ё 0 £

-1

2.5

ЭсайетрЫ (М1СЕ9731 8ТА58у»Шс) Факторный анализ мыши97 по всей биох (без им) и гематологии (без тромбоцитов и формулы всего 8) Всего 22 показателя

а *

о -

2,0

1.5

-1.0

-0,5 0,0 РАСТОШ

0,5

1.0

1,5

а 73=1

у 3=2 ешс1у8=19

контроль перевитые день 5 перевитые день 12 перЬвктые день 19 перевитые день более 19

Рисунок 6. Двумерная диаграмма значений факторов, полученных на основании 22 гематологических и биохимических показателей крови (Мыши С57В1, опухоль саркома Льюис).

2.1 Использование многомерных методов классификации.

На первом этапе были использованы методы классификации при которых происходит поиск сходства между объектами на основании предъявляемых (исследованных) признаков и в соответствии с этим фрмируеются классы

(Кластерный анализ). Важно подчеркнуть, что принадлежность каждого образца к классам не известна, как не задается и само количество классов. На дендрограмме (Рисунок 7) показан результат кластерного анализа (Метод Варда) проведенный на основании комплекса биохимических показателей крови мышей СВА. Индексы К-, О- означают принадлежность к контрольной или экспериментальной группе (с перевитой тератокарциномой Т-36) мышей, а числовой индекс означает срок после перевивки. Важно, что проведенный анализ позволяет разделить все объекты на два больших класса которые объединяют один - контрольных, а второй - экспериментальных мышей. Интересно также, что класс мышей с опухолью делится на два подкласса: в первый из которых попадают, в основном, мыши со сроками перевивки до 30 дней (начало гибели животных), а во второй - с большими сроками после перевивки опухоли.

Классификация по значениям факторов (биохимические показатели) Метод варда, Евклидово расстояние Иыш СВА, опухоль т-36 Древ, диагр для (6 набл. 20 -контрольных, 46 перевитые.

«25

Р 10

Рисунок 7. Классификация мышей на группы, на основании комплекса биохимических показателей крови. О*- мышь с неэффективной перевивкой.

Нами был использован также другой традиционный метод классификации ■ дискриминантный анализ. Решалась задача - классификации мышей на

контрольную группу н группу перевитых. В таблице 14 приводится полученная эффективность классификации.

Таблица 14. Результаты классификации мышей (СВА, тератокарцинома Т-36)) на группы: "контрольные" и "перевитые" на основании дискриминантного анализа биохимических показателей крови (всего 12

Строки- истинные значения Столбцы предсказанные значения

Группа Процент правильной классификации контрольные перевитые

р=,28205 р=,71795

контрольные 100 33 0

перевитые 95,2381 4 80

Всего 96,5812 37 80

Таким образом, полученные нами результаты продемонстрировали, что такие методы классификации, как кластерный, факторный или дискриминантный анализ на основании стандартных лабораторных показателей крови (гематологических и биохимических) позволяют отличать экспериментальную группу мышей с перевитой опухолью уже на ранних стадиях ее развития.

II.2. Определение веса опухоли и срока после ее перевивки на основании лабораторных показателей крови.

Как известно из литературы (см. например B.C. Шапот, 1975) и было подтверждено в наших экспериментах, многие параметры крови меняются в процессе роста опухоли и, возможно, эти изменения можно использовать для определения таких характеристик как размер опухоли или времени после ее перевивки.

На рисунке 8 приводится сравнение истинного веса опухоли и оцененного на основании модели множественной линейной регрессии по 14 биохимическим характеристикам сыворотки крови (мыши СВА, тератокарцинома Т-36). Получаемая величина имеет высокий коэффициент регрессии (R2= 0.91) с истинным весом опухоли. Для этой модели наиболее

информативными являются такие показатели как общий белок, активность ЛДГ, количество триглицеридов и альбумина.

Рисунок 8. Результаты оценки веса опухоли на основании модели множественной линейной регрессии биохимических показателей крови (мыши СВА, тератокарцинома Т-36).

Нами также исследовалась возможность оценки веса опухоли и срока после ее перевивки с использованием метода искусственных нейронных сетей. Если в качестве исходных данных использовать только биохимические показатели крови, то удается получить регрессионную модель для веса опухоли с R2 =0.92. Т.е. качество полученной модели близко по результатам с методом линейной регрессии. Полученная структура и тип наиболее эффективной нейронной сети - трехслойный перцептрон (MLP) включающий 11 входных биохимических показателей, 4 промежуточных нейрона и 1 - выходной. На Рисунке 9 приводятся результаты сравнения оцененных в модели и реальных весов опухоли.

Использование только гематологических данных, дает несколько лучшие результаты (R2=0,96), при этом лучшая сеть имеет структуру 12-59-2-1 , модель сети GRNN (модель обобщенной сетевой регрессии).

20000 18000

20600

Истинный вес опухоли, мг

Рисунок 9. Оценка веса опухоли по биохимических показателям крови на основании регрессии с использованием метода искусственных нейронных сетей (многоуровневый перцептрон (MLP) 11-4-1).

В тоже время, улучшить модель на основании поиска более оптимального набора из комплекса биохимических и гематологических показателей не удается.

Оценка срока после перевивки опухоли может быть альтернативной задачей. Приводимые в таблице 15 результаты показывают, что дискриминантный метод классификации может эффективно разделять мышей с опухолью на группы по сроку после ее перевивки. При этом общая эффективность классификации составляет 82 процента. Таким образом, дискриминантный анализ является эффективным средством и для определения таких важных характеристик как срок после перевивки опухоли Задача классификации обьектов - перевитых мышей на классы соответствующие неделям после перевивки также может быть эффективно решена с помощью метода нейронных сетей Процент правильной классификации также очень высок, неправильно классифицируются только 3 объекта.

Таблица 15. Результаты классификации методом дискриминантиых функций на группы по сроку после перевивки опухоли на основании биохимических показателей крови. ___________

Группа в 1: 5 в 2: 12 в 3: 19 в 4: 26 в 5: 33 С 6: 40 С 7: 47 в 8: 54 в 9: 61 С 10: 68

Процент классификации р=д 2121 р=,10 606 Р=,Ю 606 Р=,Ю 606 Р=,09 091 р=,10 606 р=,07 576 Р=,07 576 р=,07 576 Р=ДЗ 636

С 1:5 100 4 0 0 0 0 0 0 0 0 0

в 2:12 75 0 3 1 0 0 0 0 0 0 0

в 3:19 100 0 0 4 0 0 0 0 0 0 0

в 4:26 75 0 0 0 3 0 1 0 0 0 0

в 5:33 100 0 0 0 0 4 0 0 0 0 0

С 6:40 80 0 0 0 0 0 4 1 0 0 0

в 7:47 100 0 0 0 0 0 0 5 0 0 0

в 8:54 80 0 0 0 0 0 0 0 4 1 0

в 9:61 60 0 0 0 0 1 0 0 0 3 1

С 10:68 66,67 0 0 0 0 0 1 0 0 1 4

^а! 82,61 4 3 5 3 5 6 6 4 5 5

*- индекс (У) означает срок (день) после перевивки (О Х.У)

Таким образом, на модели перевивных опухолей, мы продемонстрировали, что задача дифференциальной диагностики на контрольных и опухолевых мышей может быть с высокой достоверностью решена с использованием многомерных методов анализа рутинных лабораторных показателей крови. Эффективными оказываются такие методы как: кластерный анализ, дискриминантный анализ, метод нейронных сетей. При этом метод нейронных сетей более эффективен для построения модели определения веса опухоли. Также возможно решение задачи определения срока после перевивки опухоли.

2.2. Устойчивость работы моделей оценки параметров опухолевого роста на фоне противоопухолевого лечения.

Известно, что лабораторные показатели крови сильно меняются на фоне проводимого противоопухолевого лечения. Химиотерапия и лучевая терапия обладают токсическим воздействием на костный мозг (Воробьев А.И., 2000). Поэтому одной из задач нашего исследования была оценка возможности работы моделей на фоне проводимого лечения. На рисунке 10 показано

сравнение роста опухоли в группе экспериментальных мышей (С57В1, Саркома Льюиса) с лучевой терапией и без нее. Проведенная терапия существенно снизила скорость роста опухоли. Это привело также к увеличению продолжительности жизни группы с лучевой терапией на 20 %. Результаты оценки веса опухоли на основании регрессионной модели для объединенной группы мышей показаны на рисунке 11. Из приведенного графика видно, что размер опухоли оценивается адекватно в обеих группах.

Изменение размеров опухоли в группах с лучевой терапией (4>* без(2ХМЖГЕ9853.ЭТА)

ДЕНЬ После перевивки

Рисунок 10. Динамика роста опухоли в группах мышей (С57В1, Саркома Лыоиса) с (4) и без (2) лучевой терапией.

Таким образом, определение такого параметра как размер опухоли может быть адекватно проведено с помощью методов многомерной линейной регрессии лабораторных показателей крови и на фоне проводимого лечения.

Интересные результаты получаются при использовании метода дискриминантных функций для оценки срока после перевивки опухоли в том же эксперименте. В таблице 16 приводится результат классификации мышей с перевитой опухолью для двух групп - получавших и не получавших лучевую терапию. Обращают на себя внимание ошибки, воспроизводимые моделью при классификации мышей из группы с лучевой терапией. Часть

Observed Values vs Predicted Dependent vanable Размер опухоли Dmin * Dmax мыши C57B1, Сарком«! Льюисэ2- ис облученные 4-облученные R2 adjusted - 0,79

200 300 400

Observed Values

Рисунок 11. Сравнение истинного веса опухоли и оцененного на основании модели линейной регрессии лабораторных показателей крови в группах мышей с проведенной лучевой терапией (4) и без (2).

этих объектов относится программой к более ранним срокам чем реальные. С нашей точки зрения это отражение "состояния" данных мышей -проведенная лучевая терапия привела к замедлению роста опухоли и изменению их классификации в группы с более ранними сроками. Таким образом, модель, по-видимому, адекватно отражает "состояние" объекта (мыши) в отношении опухолевого процесса.

Таблица 16. Классификация двух групп мышей (получавших лучевую терапию и нет) по сроку после перевивки опухоли.

Percent G 1:6 G 213G 3:20G 4:27 G 5 34G 6:41 G 7.48

G 1:6

66,66671

1

G 2 13

100.000C

G 3:20

75,000C

G 4:27

62.500C

G 5 34

87.500C

G 6.41

71,4286

_0

0

G 7:48

0.000C

Total

72,3404

1С

"M1 1

- последним индекс означает день после перевивки опухоли.

Приведенные выше результаты экспериментов по перевивке опухолей

моделировали условия ретроспективных исследований. Нами также

проведен эксперимент с целью моделирования проспективных исследований.

Для этого опухоль перевивалась двум группам мышей с разницей во

времени в две недели (Мыши A/snl, опухоль - рак молочной железы, штамм

BMP). Первая серия использовалась для построения модели оценки

параметров роста опухоли (срок после перевивки), а вторая служила

проверочной группой. Сравнивались дискриминантный и кластерный

методы. Результаты приведены в таблице 17.

Таблица 17. Сравнение эффективности классификации дискриминантного и кластерного анализа (приведен процент равильной

Число Обучающая Контрольная Дискриминан- Кластерны

показателелей выборка выборка тный анализ й анализ

12 1 1 96.4 100

1 2 75 78.6

6 1 1 96.4 100

1 2 78.6 82.1

4 1 1 89.3 100

1 2 78.6 82.1

Сопоставлялись варианты классификации при обучении на 1-й или 2-й экспериментальной группе, а также оценивалось влияние на результаты изменения количества показателей, использованных для классификации. При этом 6 показателей это: холестерин, щелочная фосфатаза, триглицериды, аспартатаминотрансфераза, лактатдегидрогеназа, гидроксибутиратдегидро-геназа, а 4 - те же показатели без щелочной фосфатазы и лактатдегидрогеназы. Следует отметить, что кластерный анализ не ошибается в классификации обучающей выборки, поэтому сравнение средних результатов классификации возможно не совсем корректно.

В результате анализа был получен высокий процент правильной принадлежности к классу: он колебался от 82 до 98 в зависимости от варианта обучающей выборки и использованного набора показателей.

Эксперименты по исключению показателей из анализа проводились для всех показателей по одному и для многих пар, троек и четверок показателей, а также для всех вариантов для комбинации показателей с лучшим результатом классификации. Наилучшая классификация наблюдается у > выборок с 6 показателями: холестерин, щелочная фосфатаза, триглицериды,

аспартатаминотрансфераза, лактатдегидрогеназа, гидроксибутират-„ дегидрогеназа. На основании этих результатов были сделаны выводы об

информативности каждого показателя. Наименее информативны показатели: общий белок, альбумин, мочевина, креатинин и глюкоза. Наиболее информативны показатели липидного обмена - холестерин и триглицериды. Среди исследованных ферментов наименее информативен показатель щелочной фосфатазы. Таким образом мы получили подтверждение, что получаемые решения (модели) стабильны и могут использоваться для получения и проспективной информации.

2.3. Оценка индивидуальной скорости роста опухоли.

Известно, что скорость роста опухоли, даже в экспериментальных моделях перевиваемых опухолей, значительно отличается (Эмануэль Н.М., 1977). Так, на ряде моделей спонтанного рака молочной железы у мышей линии ВЫШ показано, что первые перевивки этих опухолей обнаруживают гетерогенность по скорости роста. Эмпирически мыши были разделены на ' две группы: 1 - с медленно растущей опухолью и 2 - с быстро растущей

(Мо^зееуа Е. е1 а1., 2001). На графике 12 показаны кривые роста для двух групп. Видно, что на протяжении практически всего срока после перевивки опухоли быстро растущий вариант опережает медленно растущий. Отличается и выживаемость в двух группах.

Была поставлена задача: определить - будут ли отличаться лабораторные показатели в группах с разной скоростью роста до перевивки опухоли. С этой целью у 70 мышей из глазного синуса был взят анализ крови для проведения биохимических и гематологических исследований. Затем, через 2 недели,

всем мышам перевивалась опухоль, регистрировалась динамика роста опухоли. По этим результатам мыши были поделены на две группы с медленным и быстрым ростом. Сравнение параметров гибели приведены на рисунке 12. После получения информации о принадлежности каждой мыши к конкретной группе мы проанализировали совокупность лабораторных показателей до перевивки опухоли. Дисперсионный анализ показал, что в двух группах есть достоверные отличия в количестве гемоглобина и гематокрите и есть тенденции (достоверность на уровне 0.1) в разнице таких показателей как концентрация общего белка и активности АЛТ. (Всего анализировалось 40 гематологических и биохимических показателей крови.)

100

5 10 15 20 25 30 35 40 45 50 55 Срок после перевивки, сутки

я а в К

а Я

Диаметр1 (певаяУ) Диаметр2 (леваяУ) """ V Выживаемость 1 (права*) Выживаемость 2 (праваАО

Рисунок 12. Зависимость гибели животных и выживаемости от скорости роста

(мыши ВЬЯВ, 1-я перевивка спонтанного рака молочной железы).

(1 -группа с медленным ростом опухоли, 2 - группа с быстрым ростом опухоли).

Анализ интегральных характеристик - многомерного среднего и однородности ковариационных матриц показал, что совокупности

лабораторных данных для обеих групп отличаются с высоким уровнем достоверности (Р=0.011).

Далее нами исследовалась возможность использования имеющиеся отличий для классификации мышей по группам, отличающимся по скорости роста опухоли на основании лабораторных данных до перевивки опухоли. Были применены следующие методы классификации: кластерный, дискриминантный и нейронные сети, однако только последний дал удовлетворительные результаты. Из первоначального набора данных - 18 гематологических и 14 биохимических показателей крови с использованием генетического алгоритма редукции количества переменных были отобраны 14 показателей (8 биохимических и 6 гематологических), которые в дальнейшем использовались для построения модели. Была найдена нейронная сеть, которая имела структуру четырехуровневого перцептрона ( MLP 14-13-11-1). На основании данной модели была получена общая ошибка классификации - 7% (в контрольной - 16%). Результаты приведены в таблице 18 .

Таблица 18. Результаты классификации мышей по скорости роста перевивной опухоли на основании лабораторных показателей крови (модель -искусственные нейронные сети, четырех уровневый

Обучающая группа Контрольная группа

Group 1 Group 2 Group 1 Group 2

Всего случаев 28 13 18 5

Правильно классифицировано 28 11 15 4

Неправильно 0 2 3 1

Group 1 - мыши с медленным ростом опухоли, 2- быстрым. Поскольку полученная возможность прогностической оценки скорости роста до ее перевивки нам казалась очень важной, была проведена дополнительная проверка результатов. В частности, результаты отличия многомерных показателей и достаточности размеров выборки проверялись методом Монте-Карло, а результаты классификации - проверкой на модельных выборках

случайных величин той же размерности. Проверка подтвердила достоверность полученных результатов.

Таким образом, эксперименты на различных моделях перевивных опухолей у мышей показали, что изменения лабораторных показателей крови можно использовать для получения информации о таких характеристиках опухолевого процесса как вес опухоли, срок после ее перевивки, а также для прогностической оценки скорости роста опухоли. Средствами для получения такого рода информации могут быть многомерные статистические и нестатистические методы. Наиболее информативные из них - использующие "нелинейные" принципы - кластерный анализ и искусственные нейронные сети.

III. Использование многомерных методов анализа лабораторных показателей крови для получения прогностической информации в клинической онкологии.

3.1.Оценка общего состояния онкологического больного.

Объективизация тяжести состояния больного, возможность количественного выражения этого показателя вообще и в онкологической практике в особенности, имеет важное значение. Это позволяет адекватно спланировать возможные варианты терапии, провести объективный анализ результатов лечения, использовать как критерий распределения материальных ресурсов. Для оценки общего состояния больного в онкологии в настоящее время применяются полуколичественные шкалы Карновского, ECOG и др. При относительной простоте этим показателям свойственна высокая субъективность, что приводит к противоречивым оценкам тяжести для одного и того же больного разными врачами. В тоже время, например, в медицине неотложных состояний распространены сложные индексы оценки состояния больного TISS и APACHE, основанные на учете большого количества клинико-лабораторных данных (Зильбер А.П., 1995). Мы

использовали многомерные методы анализа лабораторных показателей

получения оценки общего состояния у онкологических больных.

На первом этапе были проанализированы коэффициенты корреляции

гематологических и биохимических показателей крови с оценкой состояния

пациента по шкале Карновского (всего более 60 показателей). Для этого была

использована база лабораторных данных пациентов с различной

онкологической патологией получавших специализированное лечение в

клинике РНЦЦ МЗ РФ в период 1998-9 годов (более 1300 больных). Оценка

состояния пациентов по шкале Карновского производилась врачами клиники.

Значения достоверных коэффициентов приводятся в таблице 19.

Таблица 19. Достоверные коэффициенты корреляции (р < 0,05) между оценкой состояния больного по шкале Карновского и лабораторными

Показатель Коэффициент корреляции

АЛТ -0,30

альфа амилаза 0,35

щелочная фосфатаза -0,34

триглицериды 0,40

эритроциты 0,40

гемоглобин 0,33

гематокрит 0,42

-0,13

Проведенный дисперсионный анализ подтвердил наличие связи именно этих показателей с величиной коэффициента Карновского. Полученные данные послужили основанием для построения модели оценки общего состояния онкологического больного на основании лабораторных данных. На рисунке 13 приведены результаты линейной регрессии коэффициента Карновского по гематологическим данным. Видно, что полученная модель хорошо воспроизводит истинные данные (Я2=0,82). Важным преимуществом полученной модели является объективность и полная независимость получаемой оценки от мнения эксперта. Исследование прогностической значимости такого рода интегральных показателей может быть объектом дополнительных исследований.

Y = -8,9093E-7+1*x; 0,95 Pred Int Коэфф ициент Карноаско для онкологических больных линейная регрессия по показателям Микрос ОТ 18

100

90

ÏI 80

л

I

S во

л о

50

40

30

45

55

65

75

95

105

115

Predicted Values

Рисунок 13. Сравнение истинных и оцененных на основании модели значений коэффициента Карновского у онкологических больных.

(множественная линейная регрессия по 18 гематологическим показателям крови).

3.2. Прогностическая оценка эффекта терапии больных лимфомой Ходжкина.

Исследовалась значимость гематологических показателей крови, измеренных до начала терапии, для прогноза эффекта лечения у больных лимфомой Ходжкина (лимфогранулематозом). Всего проанализировано 25 показателей. Эффект проведенного комплексного лечения оценивали по двухбалльной шкале. При этом в группы для анализа отбирались больные с полной ремиссией продолжительностью более одного года (30 пациентов, 1-я группа) и больные, резистентные к проводимой терапии (17 пациентов, 2-я группа). Больные с различными вариантами промежуточного эффекта не включались в анализ. В таблице 20 приводятся результаты сравнения средних значений исследованных гематологических показателей для двух групп. Приведенные результаты показывают, что ряд показателей - СОЭ, количество тромбоцитов, тромбокрит, девиация диаметра эритроцитов и процентное содержание базофилов - достоверно отличаются в группах.

Таблица 20. Сравнение отличия средних значений гематологических показателей крови для групп больных лимфомой Ходжкина

группа с хорошим эффектом группа I )езистентых к терапии пациентов 1-знач. Ст.св. Р

СОЕ* 22,82759 38,72222 -2,97256 47 0,00473

\УВС 9,096552 10,94444 -1,09278 47 0,280306

ЯВС 4,24069 4,01а 1,369572 47 0,177617

НОВ 122,8966 116,055ы 1,169823 47 0,248231

нет 0,364862 0,34777» 0,985618 47 0,32959

МСУ 86,44828 86,5555^ -0,03398 47 0,973043

мен 29,14828 28,85 0,265543 47 0,791804

МСНС 338,7586 334,2222 0,451228 47 0,653992

1Ш\У* 15,07931 16,51111 -2,18187 47 0,034382

РЬТ* 249,7241 356,166-П -2,71676 47 0,009323

МРУ 8,010345 8,161111 -0,55524 47 0,581481

РСТ* 0,196724 0,295167^ -3,13792 47 0,003

Р1)\У 15,44138 14,38889 1,813885 47 0,076367

лимфоциты % 19,03448 18,22222 0,31591 47 0,753532

моноциты % 7,103448 7,55555а -0,48565 47 0,629572

»озинофилы % 4,241379 2 1,957422 47 0,056517

базофилы %* 0,758621 0,111111 3,313273 47 0,001826

нейтрофилы палочкояд. % 4,931034 5,722222 -0,93032 47 0,357168

нейтрофилы % | 63,96552 66,333331 -0,823 47 0,414848

*- выделены достоверные отличия

Для классификации был использован вариант кластерного анализа (2 кластера, метод К-средних). Важно подчеркнуть, что этот вариант кластерного анализа сам формирует принадлежность объектов к классам, не зная их истинного деления на группы. Анализ дает следующие результаты правильной классификации - 6/30 (20%) для группы чувствительной к терапии и 5/17(29%) для резистентной группы. Таким образом, комплекс лабораторных показателей в двух группах действительно отражает имеющиеся отличия в группах.

Нами также был проведен дискриминантный анализ и разделение пациентов на группы с помощью дискриминантных функций, полученных на основании 8 лабораторных показателей имеющих наибольшее отличие в группах.

Полученные результаты, сравнимы с результатами кластерного анализа -общая эффективность классификации - 76%, при этом, для группы с неблагоприятным эффектом она существенно ниже -61% и может считаться неудовлетворительной.

На следующем этапе мы исследовали эффективность классификации на группы с разным эффектом лечения метода искусственных нейронных сетей. Проанализированы нейронные структуры: 3-, 4- уровневые перцептроны с использованием алгоритма обратного распространения ошибки. Интересно, что трехуровневый перцептрон (MLP) оказался более эффективным для решения этой задачи. Трехуровневый перцептрон структуры 13-4-1, где 13 -входной уровень - 13 гематологических показателей крови без показателей лейкоцитарной формулы и СОЭ, дал ошибку определения эффекта 14,7 %, если проводить обучение на всей группе больных. Если разделить группу на обучающую и контрольную, то процент ошибки в обоих группах возрастает до 20-30%. Если в качестве входных параметров использовать только показатели лейкоцитарной формулы крови то лучшая структура перцептрона 6-3-1, а процент ошибки ~ 20%. Далее, на основании факторного анализа, мы отобрали 7 показателей: лейкоциты, гемоглобин, тромбоциты, тромбокрит, процентное содержание лимфоцитов, процентное содержание сегментоядерных нейтрофилов и СОЭ. Для этих 7 показателей оптимальной оказалась структура 3-х уровнего перцептрона 7-7-1. При этом ошибка определения эффекта лечения составляла 2% при обучении на всей группе. При делении больных на обучающую выборку и контрольную процент правильных оценок в контрольной группе снижался, а в обучающей -возрастал, однако оставался выше, чем при классификации другими методами. Это объясняется малым размером групп в обучающей и контрольной выборках. В этой ситуации для нейронных сетей свойственно переобучение -когда на первое место выступают не групповые свойства, а индивидуальные особенности анализируемых объектов.

На основании проведенного анализа можно сделать вывод, что метод искусственных нейронных сетей является перспективным подходом для анализа лабораторных показателей крови с целью получения прогностической информации для оценки возможного терапевтического эффекта у больных болезнью Ходжкина.

3.3. Построение прогностических моделей в группе больных злокачественными неходжкинскими лимфомами.

Одними из основных характеристик, интересующих врача и пациента являются непосредственный эффект лечения, длительность безрецидивного периода и общая продолжительность жизни. Нами использовались различные многомерные методы анализа клинико-лабораторных данных для оценки этих признаков у 689 больных злокачественными лимфомами (характеристика больных приведена в Таблицах 3 и 4). Кроме клинических данных анализировались биохимические и гематологические показатели крови до лечения, а также после завершения лучевой терапии и после первого курса химиотерапии (всего более 60 показателей). Дисперсионный и корреляционный анализ показал, что продолжительность жизни и безрецидивный период с высокой степенью достоверности зависит от ряда лабораторных показателей крови. Наряду с возрастом, коэффициентом Карновского, распространенностью процесса значимыми оказались такие признаки как: количество лейкоцитов, лимфоцитов, моноцитов, СОЭ до начала терапии; лимфоцитов и СОЭ после первого курса химиотерапии, лимфоцитов, моноцитов и СОЭ после проведенной лучевой терапии. Эти результаты позволили нам рассмотреть возможность построения регрессионной модели для оценки длительности безрецидивного периода. Применение модели множественной линейной регрессии не дало удовлетворительных результатов. Анализ остатков для различных вариантов модели, позволил предположить, что задача может быть более эффективно решена с помощью нелинейных моделей. Поэтому мы применили вариант

такого анализа - нелинейное оценивание, когда вся зависимость разбивается на отрезки прямых. Использование такого подхода позволило на основании только комплекса гематологических данных, регистрируемых после каждого из этапов лечения (всего 12 показателей) построить модель регрессии имеющую удовлетворительную ошибку оценки величины безрецидивного периода. Результаты представлены на рисунке 14. Приведенный график показывает, что модель хорошо аппроксимирует большие сроки ремиссии (более 20 недель), и плохо работает при малых сроках. Нами также была исследована возможность построения регрессионной модели для величин продолжительности жизни и безрецидивного периода с использованием метода искусственных нейронных сетей. Однако полученная ошибка оценки на основании исследованных моделей была сравнима с результатами полученными в модели нелинейного оценивания.

220

140

100

60

■20

Предсказание длительности первой ремиссии у больных неходжкинскими лимфомами (п-100)

140

-20 20 60 100 Р re dieted v a lues

Рисунок 14. Сравнение истинной величины безрецидивного периода у больных неходжкинскими лимфомами (выражена в неделях) и полученной на основании модели нелинейного оценивания по гематологическим показателям крови до лечения и после химио- и лучевой терапии (указан 95% интервал для величины оценки).

180

Возможным путем снижения ошибки при построении регрессионных моделей может быть предварительное разбиение объектов на группы с более узкими временными интервалами с помощью методов классификации и использование методов регрессии уже для таких, более гомогенных по исследуемому признаку, групп. Для решения этой задачи могут использоваться дискриминантный, кластерный анализ или метод искусственных нейронных сетей. Такая задача может представлять и специальный интерес. Например, врача может интересовать вопрос: попадет ли временной показатель для исследуемого объекта ( в нашем случае -пациента) в тот или иной интервал. Для решения подобной задачи нами были исследованы различные варианты кластерного анализа в которых в качестве принадлежности к классам использовался признак безрецидивною периода более или менее 6 месяцев. Наиболее эффективным, оказался метод деревьев классификации. Модель включает такие показатели: пол, коэффициент Карновского, стадию заболевания, наличие симптомов интоксикации, количество лейкоцитов до лечения. Результаты классификации приведены на рисунке 15. Эффективность классификации 77%.

Пред сказ и наблюдаемые размеры классов РН_СОО

Рисунок 15. Результаты классификации пациентов по интервалу безрецидивною периода (истинные и оцененные по модели) на основании метода деревьев классификации группа (группа 0 - более 6 месяцев, группа 1- менее).

3.4. Прогностическая оценка эффективности терапии у больных злокачественными неходжкинскими лимфомами.

Известно, что при лечении онкологических больных могут существовать альтернативные схемы лечения. Сравнение и прогностическая оценка их эффективности составляет одну из главных задач для клинициста-исследователя. Мы попытались построить модель прогностической оценки различных схем лечения у больных злокачественными лимфомами. Варианты использованного лечения были разбиты на 3 группы: только химиотерапия, только лучевая терапия и комбинация этих видов лечения. Оценка непосредственного эффекта осуществлялась по двухбальной шкале 1- полный эффект и 2 - все остальные виды эффектов. В таблице 22 приводятся результаты дисперсионного анализа, показывающие, что непосредственный эффект после проведенной терапии с высокой достоверностью зависит от ее вида.

Таблица 22. Дисперсионный анализ влияния показателей диагноза, вида терапии и их взаимодействия на поученные результаты лечения.

Показатель Групповая дисперсия Индивид, дисперсия Р Р

Диагноз 15,87 2,27 2,84 0,0067

Вид терапии 19,9 9,97 12,5 0,000005

Диагноз* Вид терапии 23,0 1,65 2,062 0,0127

Для получения классификационной модели был использован дискриминантный анализ. Переменные, вошедшие в модель, приведены в таблице 23. Результаты классификации приведены в таблице 24. Приведенные результаты показывают, что полученная модель позволяет с эффективностью более 80% оценить непосредственный эффект лечения до начала терапии. Особо хочется подчеркнуть, что одной из входящих

переменных в модели является вид лечения. Вариация входящих значений видов лечения при фиксации остальных данных позволяет оценить значимость выбора вида терапии на получаемый непосредственный эффект.

Таблица 23. Значения весов для клинических и лабораторных показателей больных неходжкинскими лимфомами выбраных для построения прогностической модели оценки непосредственного эффекта лечения.

По казател ь Р -геш о уе р-1еуе1

Число э/лимф Очагов 40,23034 0,000000

Число зон поражения 1 7,52508 0,000034

эритро циты 4,89682 0,027367

Максимальный размер узла 6,41343 0,011638

степень злокачественности 10,92143 0,001020

СОЭ 5,43976 0,020088

моноциты 3,67464 0,055829

Е С О в 4,75703 0,029655

Вид терапии 17,48944 0,000040

Таблица 24. Результаты прогностической оценки эффекта планируемого лечения у больных злокачественными лимфомами полученные на

Строки - реалы моделью зн< эс ные; столбцы -предсказанные эчения непосредственного эфекта лечения

Процент правильной классификации Полный эффект Неполный эффект

Полный эффект 84,3 194 36

Неполный эффект 77, 8 60 210

Всего 80,8 254 246

Таким образом, применение многопараметрических методов классификаци (в данном случае, дискриминантного анализа) клинико-лабораторных показателей больных злокачественными неходжкинскими лимфомами на этапе планирования лечения позволяет получить важные прогностические данные, касающиеся непосредственных эффектов, а анализ лабораторных

показателей, полученных после каждого из этапов лечения, позволяет оценить длительность безрецидивного периода.

Полученные результаты проведенных исследований позволяют сделать заключение, что в настоящее время имеется недооценка диагностической и прогностической значимости стандартных лабораторных показателей крови. В тоже время, современные тенденции в развитии клинической лабораторной диагностике, с одной стороны, и математических методов обработки информации, с другой, позволяют получать важную информацию на основании стандартных показателей крови, не прибегая к использованию дорогостоящих или длительных методов исследования. Использование таких подходов позволят по-новому взглянуть на проблему объективной оценки общего состояния у онкологических больных, что является важной частью оценки таких социальных показателей как качество жизни. Не менее актуальной является прогностическая оценка эффективности планируемых схем лечения. Появление таких методов может существенно повысить их клиническую эффективность и снизить количество осложнений. Не менее важны результаты, позволяющие получать оценки абсолютных величин таких показателей как продолжительность жизни и безрецидивного периода. Любое повышение достоверности таких оценок может также существенно повысить эффективность планируемых программ лечения.

*

Выводы.

1. Время ЯМР спин-решеточной релаксации Т1 и спин-спиновой релаксации Т2 сыворотки крови онкологических больных выше, чем у неонкологических больных и практически здоровых лиц однако эти отличия недостаточны для их использования в диагностических целях.

2. Показано, что время Т1 спин-решеточной релаксации сыворотки крови зависит от таких ее показателей как концентрация белка, концентрация кислорода, альбумино-глобулиновый коэффициент, содержание липидов и низкомолекулярных пептидов.

3. Низкомолекулярные пептиды взаимодействуют с сывороточными белками и могут быть определяющими в увеличении времени Т1 спин-решеточной релаксации сыворотки у онкологических больных. Использование этого факта может быть основой для оценки степени интоксикации у онкологических больных

4. В экспериментах с перевивными моделями опухолей у мышей показано, что ряд биохимических и гематологических показателей крови достоверно и воспроизводимо меняются в процессе развития опухоли. Степень изменения ряда лабораторных (гематологических и биохимических) показателей коррелирует с размером опухоли и сроком после перевивки опухоли и могут иметь прогностическое значения для определения индивидуальной скорости роста опухоли у конкретного экспериментального животного.

5. Использование многомерных методов регрессии позволяет построить модель определения размеров опухоли и сроков после ее перевивки у экспериментальных животных. Это доказано как на ретроспективных, так и проспективных моделях.

6. Изменение гематологических и биохимических показателей крови являются инвариантными и позволяют построить независимые предсказательные модели. Наиболее эффективными являются методы кластерного анализа и искусственных нейронных сетей.

7. Многомерный анализ лабораторных показателей крови у онкологических больных позволяет построить объективную шкалу физического состояния, являющуюся важной составляющей прогностических моделей.

8. Использование методов многомерного анализа у больных злокачественными лимфомами (дискриминантный, кластерый, нелинейная регрессия) комплекса лабораторных и клинических данных позволяет построить прогностические модели для оценки величины безрецидивной выживаемости, продолжительности жизни, а также для оценки эффективности планируемой противоопухолевой терапии.

Список работ, опубликованных по теме диссертации.

1. Галил-Оглы Г.А., Боженко В.К., Калачихина О.Д. Возможный механизм изменения ЯМР параметров тканей у онкологических больных: Тез. докл. 5-й Веер, съезда рентген-радиологов.-Смоленк, 1986.-С.168.

2. Калачихина О.Д., Галил-Оглы Г.А., Боженко В.К. ЯМР - в диагностике онкологических заболеваний. Значение низкомолекулярных соединений: Тез. докл. 1-й Всес. раб. совещ. "Биофизика рака", Черноголовка, 1987.-С.62.

3. Галил-Оглы Г.А., Харченко В.П., Карякина Н.Ф., Боженко В.К. Диагностика рака легкого методом ЯМР: Тез. докл. 1-й Всес. Раб. совещ. "Биофизика рака".- Черноголовка, 1987.-с.37

4. Галил-Оглы Г.А., Дмитриев Г.И., Карякина Н.Ф., Боженко В.К., Калачихина О.Д. Оценка возможности применения времени спин-решеточной релаксации протонов воды в сыворотке крови онкологических больных// Вестник АМН СССР.-1987.-№12.-С.43-46.

5. Аксенов С.И., Галил-Оглы Г.А., Калачихина О.Д., Боженко В.К. Исследование изменения времени ЯМР-спин-решеточной релаксации протонов воды в сыворотке крови онкологических больных// Рукопись деп. ВИНИТИ 07.07.87., N5,- С. 184-187

6. Аксенов С.И., Боженко В.К., Калачихина О.Д. Механизм влияния низкомолекулярных лигандов на релаксацию протонов воды в растворах: Тез. докл. 7-й Всесоюзн.конф. "Магн.резонанс в биологии и медицине".-М., 1989.-С.212

7. Аксенов С.И., Боженко В.К., Калачихина О.Г. Влияние низкомолекулярных соединений сыворотки крови на ЯМР параметры протонов воды растворов альбумина: Тез. докл.7-й Всесоюзн.конф. "Магн. резонанс в биологии и медицине".-М., 1989.-С.234-235.

8. Боженко В.К., Карякина Н.Ф., Папиш Е.А. Магнитная релаксация сыворотки крови у больных раком молочной железы: Тез. докл. 7-й Всесоюзн.конф. "Магн.резонанс в биологии и медицине", M.-1989.-С.242-243.

9. Боженко В.К., Галил-Оглы Г.А., Карякина Н.Ф. Дифференциально-дагностические возможности метода ЯМР при заболеваниях легких: Тез.докл. Всес. съезда патанат.-Тбилиси, 1989.-С.37-38.

10. Аксенове.И., Боженко В.К., Калачихина О.Г. Механизм изменения времени ЯМР-спин-решеточной релаксации крови и сложнокомпонентных растворов белков// Биофизика.-1989.-N4.-С.68-74.

11. Боженко В.К., Аксенов С.И., Галил-Оглы Г.А. Корреляция ЯМР релаксационных и биохимических показателей сыворотки крови онкологических больных: Тез. докл. Межд.конф."Влияние воды на молекулярно-динамические процессы в биосистемах и их связь с метаболизмом".-Тбилиси, 1989.-С.46-51.

12. Боженко В.К., Красновская O.P. Фракции преальбумина при лимфогранулематозе: Тез. докл. Всес. Конфер. "Актуальные проблемы биохимической диагностики в онкологии" ВОНЦ РАМН, M.-1990.-С.23.

13. Боженко В.К., Калачихина О.Д., Папиш Е.А., Красновская O.P. Параметры сыворотки крови, влияющие на ее время ЯМР спин-решеточной релаксации// Мед. радиология.- 1990.-№1.-С.23-28.

14. Боженко В.К., Карякина Н.Ф., Папиш Е.А., Гангардт М.Г., Мурашко В.В., Журавлев А.К. Определение времени ЯМР спин-решеточной релаксации в сыворотке крови в диагностике злокачественных новообразований и для оценки эффективности лечения онкологических больных: Методические рекомендации /Под ред. Харченко В.П..- М.:МЗ, 1990.-12 с.

15. Боженко В.К., Карякина Н.Ф. Показатели времени спин-решеточной релаксации сыворотки крови у онкологических больных измеренные на отечественном анализаторе "Пальма": Тез. докл. 1-й

Моск.конф.мол.ученых, М.-1990.-С.22.

16. Харченко В.П., Боженко В.К., Карякина Н.Ф. Способ диагностики оноклогических заболеваний"// Авт. свид. на изобретение № 4788168/14 от 25. 12. 90 г

17. Захаров А.П., Боженко В.К., Хмелевский. Влияние однократного облучения на регионарный кровоток// Бюллетень Эксп. Биол и Медицины,-1992.-N10.-C.355-7.

18. Захаров А.Г., Иванов JI.C., Хмелевский Е.В., Боженко В.К. Влияние умеренных доз гамма облучения на состояние кровообращения: Сб. науч. тр./ ИФТП /Процессы и структуры в открытых системах.-М.,1992.-С.154-9.

19. Ставицкий Р.В., Гуслистый В.П., Боженко В. К. Беридзе A.B., Шишкин A.M. Использование нестатистических методов распознавания образов для оценки степени неблагоприятного воздействия на примере малых животных// Экологическая экспертиза.-1996.-№6.-С.46-49.

20. Боженко В.К., Шишкин A.M., Беридзе А.Б., Гуслистый В.П. Исследование гематологических показателей для построения объективной шкалы общего состояния онкологических больных: Тез. докл. Конф. "Новые методы анализа изображения в гематологии".- М: Клин. лаб. мед.- 1997.-№10.-С.20.

21. Боженко В.К., Беридзе А.Б., Шишкин А.М,, Гуслистый В.П. Применение многопараметрических методов для анализа лабораторных показателей крови.// Клиническая лабораторная диагностика.-1997.-№10.-с.10-11.

22. Боженко В.К., Беридзе А.Б., Шишкин А.М,, Гуслистый В.П. Исследование возможности применения гематологических показателей для построения объективной шкалы оценки общего состояния онкологического больного: Тез. докл. Конф. "Актуальные вопросы онкологии".- Архангельск, 1997.-С.48.

23. Боженко В.К., Нечеснюк A.B. Шишкин A.M., Красновская O.P., Беридзе A.B. Использование гематологических показателей крови у больных лимфогранулематозом для прогноза эффективности лечения: Тез. докл. Конф. "Актуальные вопросы современной радиологии",- Челябинск, 1997.-С.30.

24. Боженко В.К., Нечеснюк A.B. Шишкин A.M., Красновская O.P., Беридзе

A.B. Многопараметрический анализ гематологических показателей крови у больных лимфогранулематозом: Тез. докл. Конф. "Профилактика, диагностика и лечение онкологических заболеваний".-Барнаул, 1998.-С.70.

25. Боженко В.К., Шишкин A.M., Возный Э.К., Красновская O.P. Гематологические критерии оценки интоксикации у онкологических больных: Методические рекомендации/ Под ред. В.П.Харченко.- М.: МЗ, 1997,- 25 с.

26. Гангардт М.Г., Карякина Н.Ф., Павлов A.C., Боженко В.К., Папиш Е.А. Многопараметрический способ диагностики злокачественных новообразований. Патент №98112260 от 07 июля 1998 г.

27. Боженко В.К., Шишкин A.M., Возный Э.К., Красновская O.P. Биохимические критерии оценки интоксикации у онкологических больных: Пособие для врачей /Под ред. Харченко В.П.- М.:МЗ,1998.- 24 с.

28. Харченко В.П., Боженко В.К., Шишкин A.M., Беридзе А.Д., Гуслистый

B.П., Зиновьев C.B., Красновская O.P. Применение многопараметрических методов для анализа лабораторных показателей крови в онкологическом эксперименте// Вопросы онкологии.-1999.-№2.- С. 162-7.

29. Боженко В.К., Сотников В.М., Нечестнюк A.B. Оценка прогностической значимости гематологических показателей крови у больных лимфомой Ходжкина с использованием метода искусственных нейронных сетей: Тез.докл. Междунар. научно-практич. конфер. "Болезнь Ходжкина, лимфогранулематоз". - Петрозаводск, 1999.-С.48-49.

30. Харченко В.П., Паньшин Г.А., Хмелевский Е.В., Мельник Ю.Д., Боженко В.К., Лапин C.B., Стеняева Т.И. Однократное предоперационное

облучение при раке молочной железы II стадии.// Вопросы онкологии.-1999.-№1,- с.48-51.

31. Боженко В.К. Методы интегральной оценки состояния онкологического больного. Всерос. Конференция "Онкология на рубеже 20 века. Москва", 1999,-С.35.

32. Боженко В.К., Сотников В.М.Использование многопараметрических статистических методов и методов искусственных нейронных сетей для получения прогностической информации на основании анализа гематологических показателей крови у больных неходжкинскими злокачественными лимфомами: Тез. докл. Конф. Всерос. дни лабор. медицины,- М: Клин. Лаб. Диагн.-1999.-№ 7.-С.12.

33. Боженко В.К., Сотников В.М. Использование метода искусственных нейронных сетей для получения прогностической информации на основании анализа гематологических показателей крови у больных неходжкинскими злокачественными лимфомами: Тез. докл. Съезда онкологов СНГ,- Киев,- 2000.-С.54.

34. Боженко В.К. Применение многомерных методов статистики для анализа лабораторных показателей: Тез. докл. Всерос. конф. Национ. Дни лаб. медицины.-М: Клин. лаб. диагн,- 2000.-№11.- С.23.

35. Фомина Г.Г., Имаев A.A., Боженко В.К. Динамика лабораторных показателей эндотоксикоза у онкологических больных в процессе детоксикационной терапии гипохлоритом натрия: Тез. докл.

Всерос.конфер. Дни лаб. медицины,- М: Клин.лаб.диагн.-2000.- №11.- С.7.

36. Боженко В.К., Сотников В.М. Динамика лабораторных показателей крови у больных злокачественными неходжкинскими лимфомами в процессе химио-лучевого лечения: Тез. докл. VIII Всерос. съезда рентгенологов и радиологов.- М,- 2001.- С. 26.

37. Moiseeva E.V., Bojenko V.K., Fomina G.G., Krasnovskaja O.R., W. den Otter. Can we predict individual mammary tumor growth rate in recipient mice? // Baltic J. lab. animals.- 2002,- N12,- P.74-84.

38. Moiseeva E., Rappoport E., Chaadaeva A., Bijleveld C., Koten J-W., Bovin N., and W. Den Otter. New mouse models for breast cancer and associated leucosis: 31st Meeting of the International Society for Oncodevelopmental Biology and Medicine, Edinburg, G.Britain. In: Tumor Biol.-2003,- 24.-SI.-p. 68.

39. Боженко В.К., Сотников В.М., Харченко В.П. Оценка абсолютной величины безрецидивной выживаемости у больных неходжкинскими лимфомами. Вестник РНЦРР МЗ РФ.-2003,- ВыпЛ. Доступно по URL http://vestnik.rncrr.ru/vestiiik/v2/papers/bazh.htm

Служба множительноП техники ГУРОНЦпм II Н Блочииа РАМН Подписано к печати! 5 .01 .04 Г .Заказ № 11 Тираж 100 экз

I

РНБ Русский фонд

2006-4 3630

л

Актуальность проблемы. В 2001 году было зарегистрировано 451,3 тыс. новых случаев онкозаболеваний (в 2000 - 448,6 тыс.). Средняя продолжительность жизни заболевших раком в несколько раз ниже, чем в соответствующих возрастах населения (Давыдов, Аксель, 2002, 2003). Однако увеличение общей заболеваемости и смертности от онкологических заболеваний не должно скрывать реальных достижений клинической онкологии. За последнее десятилетие усилия онкологов привели к созданию ряда новых эффективных схем лечения, повышающих реальную продолжительность жизни онкологических больных. Развитие новых методов лечения, особенно это касается достижений современных видов химиотерапии, приводит к возникновению нескольких альтернативных схем лечения для отдельных нозологических групп (Поддубная, 2002). Перед врачом встает практический вопрос - какой вид терапии применить на первом этапе, какой план лечения будет наиболее эффективным для данного больного, актуальной остается проблема поиска путей оптимизации и индивидуализации методов противоопухолевого лечения. (Давыдов и др. 2000, Поддубная, 2003, Харченко и др. 2002, Горбунова и др. 2002, Чехонадский и др. 2002, Возный и др. 2000, Coiffier, 2001). Наравне с продолжительностью жизни, критерий ее качества становится одним из важнейших при оценке результатов лечения. Объективизация способов оценки и прогноза этих показателей является одной из актуальных задач современной онкологии. Одним из подходов в решении данной проблемы может быть использование прогностических факторов, коррелирующих с тем или иным событием в будущем (продолжительностью жизни, длительностью безрецидивного периода, эффективностью терапии и др.). Примером может служить международный прогностический индекс для злокачественных неходжкинских лимфом IPI (Shipp et.al. 1993, Armitage, 2002). Однако используемые в настоящее время методы прогноза и прогностические индексы имеют ряд существенных недостатков. Это, прежде всего, низкая достоверность получаемых оценок. Особенно это относится к прогнозированию вероятной величины продолжительности жизни (Henderson et al. 2001, Bates et. al. 2001).

С развитием новых биохимических и биофизических методов диагностики наши знания о прогностических факторах расширяются. Тем не менее, большинство новых молекулярных маркеров пока еще прочно не вошли в рутинную практику, что определяется высокой стоимостью подобных исследований и сложностью интерпретации данных одновременного анализа многих факторов (Bustin, Dorudi, 1998, Герштейн, Кушлинский, 2002). С другой стороны, новые методы анализа клинико-лабораторных данных (Kimura et. al. 1996, Генкин, 1999) могут дать новые подходы для получения прогностической информации. Примером может служить использование метода искусственных нейронных сетей получение эффективных прогностических моделей для больных раком предстательной железы, основанный на использовании метода искусственных нейронных сетей (Naguib et al. 1996, 1997, Nguyen, Rocke, 2002).

Важной предпосылкой более углубленного исследования лабораторных показателей в настоящее время являются современные тенденции в клинической лабораторной диагностике. Это, прежде всего, внедрение автоматических методов анализа, а так же стандартов качества (принципов GLP) - включающих внутри- и межлабораторные процедуры контроля качества. Эти процессы привели к увеличению ассортимента стандартно регистрируемых лабораторных показателей и существенному изменению статистических характеристик получаемых данных. Снизились коэффициенты внутри лабораторной вариации, что создает предпосылки к снижению объема выборки для регистрации достоверных отличий в группах и пересмотру диагностической информативности для целого комплекса лабораторных характеристик (Меньшиков, 2003).

На основании вышесказанного были сформулированы следующие цели и задачи.

Цель исследования.

Сравнение эффективности многомерных методов анализа лабораторных данных для получения прогностической информации в онкологии. Оценка прогностической значимости комплекса "рутинных" лабораторных показателей крови и ЯМР показателей крови.

Задачи исследования.

1. Сравнить эффективности многомерных методов анализа комплекса лабораторных данных: (дискриминантного, кластерного, факторного анализа, метода искусственных нейронных сетей) - как методов получения прогностической информации на модели перевивных опухолей.

2. Оценить диагностическую и прогностическую значимость показателей ЯМР спин-решеточной релаксации крови у онкологических больных.

3. Исследовать механизмы изменения времени ЯМР спин-решеточной релаксации крови у онкологических больных.

4. Построение прогностической модели на основании клинических и лабораторных данных с использованием наиболее эффективных методов многомерного анализа на примере больных неходжкинскими лимфомами.

5. Построение модели объективной оценки общего состояния онкологического больного на основании лабораторных показателей крови.

Основные положения, выносимые на защиту.

1 .Использование многомерных методов анализа лабораторных показателей крови позволяет получать важную диагностическую и прогностическую информацию на экспериментальных моделях.

2.Эти методы могут использоваться для получения объективных интегральных оценок состояния как параметров опухолевого процесса (размер опухоли, скорость роста опухоли), так и важных прогностических данных - оценка непосредственного эффекта лечения, длительности безрецидивного периода.

3.ЯМР показатели крови -время Т1 спин-решеточной и Т2 спин-спиновой релаксации могут использоваться как интегральные показатели -отражающие такие характеристики пациентов со злокачественными заболеваниями как степень интоксикации, но неприменимы для диагностики онкологических заболеваний.

4.Многомерные методы анализа комплекса гематологических показателей крови позволяют создать объективные интегральные индексы общего состояния онкологического больного.

5.Можно говорить об инвариантности лабораторных показателей - т.е. возможно найти несколько независимых наборов гематологических и биохимических показателей для получения моделей, имеющих одинаковую информативность.

6.Наиболе информативными математическими методами для построения диагностических и прогностических моделей (индексов) являются "нелинейные" методы ( кластерный анализ, нейронные сети).

Научная новизна.

Впервые проведено исследование изменения комплекса биохимических, гематологических и биофизических лабораторных данных крови на модели перевивных опухолей. Изучена их прогностическая значимость. Показана сравнительная эффективность различных методов многомерного анализа для получения диагностической и прогностической информации на основании лабораторных данных.

Исследована диагностическая значимость ЯМР показателей крови у онкологических, изучен механизм изменения этих показателей. Получено авторское свидетельство на использование показателей ЯМР крови для диагностики онкологических заболеваний.

Изучена эффективность различных методов многомерного анализа для получения прогностической и диагностической информации на основании лабораторных показателей крови. Получен патент на способ диагностики онкологических заболеваний на основании многопараметрического анализа лабораторных показателей крови

Впервые разработан способ получения прогностических факторов для больных неходжкинскими лимфомами на основании анализа комплекса клинических данных и лабораторных показателей крови методом искусственных нейронных сетей.

Таким образом, проведено фундаментальное исследование прогностической значимости анализа комплекса (биохимических, гематологических, биофизических) лабораторных показателей крови многомерными математическими методами для получения прогностических данных в эксперименте и клинике.

Практическая значимость и внедрение результатов исследования в клиническую практику.

Практическому здравоохранению для повседневного использования предлагаются новые высокоэффективные методики получения прогностической информации.

Описаны удобные с точки зрения практического применения модели анализа лабораторных данных, даны практические рекомендации по применению различных математических методов анализа для получения прогностической информации.

Представленные разработки составили основу двух методических рекомендаций.

На основании проведенных исследований получен патент и свидетельство об изобретении на новые способы диагностики злокачественных новообразований и степени интоксикации у онкологических больных.

Материалы исследований использовались в специализированных курсах лекций и на семинарах с врачами-окологами в РНЦРР.

Апробация материалов диссертации.

Материалы диссертации апробированы на: 5-й Всер.съезд рент-радиологов 1986,Смоленк, Всес.раб.совещ.'Ъиофизика рака", Черноголовка, 1987, Всесоюзн.конф."Магн.резонанс в биологии и медицине",М.,1989, Всес. симп. "Новые методы интенсивной терапии в лечении онкологических больных", 1989, Межд. конф. "Влияние воды на молекулярно-динамические процессы в биосистемах и их связь с метаболизмом", 1989,Тбилиси, на конференции «Новые методы анализа изображения в гематологии» Москва, ноябрь 1996 г., конференции "Актуальные вопросы онкологии" Архангельск 1997, конференции "Актуальные вопросы современной радиологии",- Челябинск, 1997, на конференции "Профилактика, диагностика и лечение онкологических заболеваний", г.Барнаул, 1998, Междунар. научно-практич. конфер. Болезнь Ходжкина (лимфогранулематоз).- 1999, Петрозаводск, конференции Дни лабораторной медицины. Москва, 1999, конференции Онкология на рубеже 20 века. Москва, 1999 г, Съезде онкологов СНГ, Киев, 2000, на конференции Дни лаб. медицины, Москва,2000, VIII Всероссийского съезда рентгенологов и радиологов, Москва, 2001 год, на конф. Национальные дни лабораторной медицины, Москва, октябрь, 2001 г., Клин.лаб.диагн.2001, v российская ежегодная онкологическая конференция, октябрь 2001 г., XVI International Symposium on Glycoconjugates, 19-24 August 2001, 8th International Conference of Malignant Lymphoma, Lugano, Switzerland June 15-18, 2002, VI Российская онкологическая конференция, Москва, 26-28 ноября 2002, 31st Meeting of the International Society for Oncodevelopmental Biology and Medicine, Edinburg, G.Britain, 2003,

Публикации.

По теме диссертации опубликовано 38 печатные работы. Из них 2 методические рекомендации, программа обучения для врачей. Два свидетельства на изобретения.

Структура и объем работы.

Работа написана на 230 страницах и иллюстрирована 62 рисунками и 34 таблицами. Список литературы содержит ссылки на 46 отечественных и 177 зарубежных авторов.

Обзор литературы.

В большинстве клинических ситуаций одновременно действует множество факторов (параметров). Между ними существуют сложные взаимные влияния. Общий эффект от двух факторов может превышать их индивидуальную сумму. Поэтому важным аспектом получения прогностических и диагностических данных в последнее время стали достижения методов обработки информации. Специалисты в области статистики отмечают, что многие методы обработки информации в этой области возникли и получили дальнейшее развитие благодаря задачам, поставленным медиками и биологами (Славин, 1989, Кант, 1987). Методы многопараметрического анализа и построенные на их принципе системы классификации и прогноза получили применение в кардиологии, экстренной медицине, спортивной медицине, онкологии и др. Многие методы статистики, кластерный анализ, нейронные сети, экспертные системы, тройные матрицы, главные компоненты, неточная логика (fuzzy) возникли или развивались для решения задач медицинской классификации и прогноза (Кендалл, Стьюарт 1976, Welstead , 1994). Многофакторный анализ - единственный реальный способ обработки многих данных (переменных), когда на этапе анализа приходится иметь дело сразу со многими переменными. (Рандомизация также контролирует множество переменных, но на этапе планирования и проведения исследования (Флетчер и др. 1998).

Многофакторный анализ (multivariate analysis) - это совокупность методов одновременного рассмотрения воздействия многих переменных. Они используются для того, чтобы корректировать эффекты множества исследуемых переменных для выявления независимого действия одного фактора, позволяют выделить из большого числа переменных малое их подмножество, которое вносит независимый и существенный вклад в исход, и упорядочить переменные по силе их влияния на исход. Прогресс в области медицины и физиологии связан с новыми возможностями компьютерных исследовательских систем, поскольку они являются не только средствами статистической обработки данных, но и инструментом медико-биологического познания (Генкин ,1999). Смена парадигмы обработки клинико-лабораторных данных на парадигму их глубокого многостороннего анализа - одна из основных задач современной медицинской информатики (Эмануэль, Генкин, 1997). Фактически ставится задача автоматизированного извлечения нового медико-биологического знания из эмпирических данных и предоставления врачу-клиницисту возможность использовать его для решения практических задач (Плескун и др. 1979, Гланц, 1978, Дубров и др. 1978, медик и др. 2001). Похожие тенденции имеются и в лабораторной медицине. "Доминантой в оценках прогресса в лабораторной медицине служит не столько степень улучшения аналитических возможностей, хотя без него нет и самого прогресса, сколько совершенствование вклада лабораторной информации в обоснование диагностических и лечебных решений. " (Меньшиков, 2003).

Одной из предпосылок для нового подхода в получении диагностических данных стало распространение систем регистрации, хранения и представления информации о пациенте в виде электронных историй болезни - образующих, фактически, централизованные базы данных и позволяющих накапливать и проводить целенаправленный их анализ (Сусликов, 1999, Sim et al. 20001). Другой важный аспект, позволяющий использовать новые подходы в анализе клинических данных - стандартизация получаемой информации (Медицинская лабораторная диагностика, 1997). Это касается как процессов формализации медико-биологических данных, заносимых в историю болезни, их соответствие общепринятым Российским и международным стандартам, так и процессов стандартизации методов получения медико-биологической информации. Это включает в себя такие процедуры как внутри лабораторный и внешний контроль качества, процедуры регулярного внешнего аудита и др. Не последнее значение в качестве получаемой информации имеют и средства диагностики. Использование современных технологий существенно повышает достоверность получаемых данных и создает предпосылки извлечения новой диагностической информации, ранее недоступной из-за методических и методологических проблем. Внедрение единых подходов к компьютерному ведению заболевания прежде всего выявляет их преимущества для больного (Панкратова и др., 1997)

Планирование исследования и адекватный анализ полученных данных составляет непременную часть научной деятельности, а статистические методы являются математическим аппаратом, применяемым для этого. Достижения в области технического обеспечения (на компьютерах первых поколений некоторые задачи с применением итерационного алгоритма могли решаться несколько дней) и создание современных математических и статистических пакетов, оснащенных большинством новейших методов обработки, позволили значительно расширить области применения и внедрения этих методов в медицине. Одним из главных направлений работы исследователей стало не только исследование информационной ценности новых методов диагностики и лечения, но возможность по-новому оценить информативность традиционных (рутинных) показателей. В современных исследованиях в начальный список изучаемых признаков входят практически все клинические и лабораторные показатели, доступные исследователю. Так, например, в работе были исследованы более 200 клинических и лабораторных показателей для оценки их прогностической важности при раке легкого (Buccheri, Ferrigno, 1994). Неудивительно, что при таком объеме информации на первое место стали выходить методы, применимые для обработки многопараметрических данных. Даже такой традиционный метод, как критерий Стьюдента - метод сравнения достоверности отличия средних, из-за этих отличий (особенностей) уступает место методу анализа дисперсий, позволяющему работать с многопараметрическими таблицами (MANOVA) и в большинстве зарубежных журналов, результаты, обработанные без использования этого метода, не принимаются к публикации.

Математические методы анализа используемые в клинической онкологии.

Если задача исследователя не ограничивается только констатацией факта отличия средних, а ставится проблема поиска существующих связей, то на первом, разведочном этапе, применяется исследование коэффициентов корреляций. При этом, при анализе непрерывных переменных, используется коэффициент корреляции Пирсона, а для порядковых или категориальных -коэффициент корреляции Спирмена или ранговые корреляции. Следует иметь в виду, что при большом анализируемом количестве параметров, чисто случайно, ряд показателей могут дать достоверные коэффициенты корреляции между собой (например, если анализируется 10 показателей, то в корреляционной матрице 10x10 - 3-4 достоверных показателя могут быть случайностью) (Боровиков, 1997, 2001). Поэтому к полученным коэффициентам следует относиться с осторожностью. С другой стороны, отсутствие достоверной корреляции между исследуемыми показателями может еще не означать отсутствия связи между параметрами (Леман, 1979, Медик и др., 2001). Для выявления возможной связи между параметрами применяется также и дисперсионный анализ, позволяющий не только оценить групповые отличия, но и обнаружить связи между переменными различной природы ( непрерывними, порядковыми или категориальными) .

Дополнительная задача корреляционного анализа (являющаяся основной в регрессионном анализе) состоит в оценке уравнений регрессии, где в качестве результативного признака выступает признак, являющийся следствием других признаков (факторов) - причин. Причинно-следственная связь устанавливается из вне статистических соображений, например из аргументов, касающихся физической (физиологической) природы явлений (Боровиков, Ивченко, 1999).

Проблемы размерности.

Рассматривая применение методов многомерного анализа в медицине (прогнозирования) в медицине необходимо отметить ряд принципиальных ограничений имеющихся у них. Т.к. основные принципы в методах прогноза основаны на методах линеаризации, то для них свойственна чувствительность к размерности выборки (количеству исследуемых объектов, которое зависит уже не только от дисперсии анализируемого признака, как это было при сравнении средних). Линейные методы аппроксимации (регрессии, прогноза) требуют, чтобы на каждый анализируемый признак (переменную) в группе было около 10 объектов ( в случае клинических исследований - пациентов). Т.е. если исследуется 10 показателей, например 10 биохимических показателей крови, то в группе должно быть 100 пациентов (Бейли, 1970, Боровиков, Боровиков, 1997, Denne, 2001). Это ограничение является принципиальным не только для методов линейной регрессии (и других методов лдинеаризации), но и таких методов? как дискриминантный и факторный анализ. Хотя в ряде работ говорится, что кластерный анализ менее чувствителен к размерности выборки, при его использовании также надо учитывать это ограничение (Боровиков, Ивченко, 1999, Гланц, 1999, Gould, 2001).

Внедрение в медицину современных молекулярных технологий также сталкивается с проблемой размерности. Например, одно из важных применений метода анализа профиля экспрессии генов с использованием микрочипов - создание новых подходов в классификации опухолей (Bustin, Draidi, 1998, Golub, 2000, Park et al., 2002). Возможность измерять большое количество генов приводит к тому, что количество переменных (генов) значительно превосходит количество образцов. Т.е. наступает условие, когда стандартные статистические методы классификации не работают или имеют существенные ограничения. Т.е. возникает необходимость разработки новых методов для анализа таких данных при решении задач классификации и предсказания.

Проблемы такого рода называются проблемами размерности и могут быть решены с помощью специальных методов. К таким методам можно отнести методы факторного анализа, многомерного шкалирования, генетического алгоритма - одного из алгоритмов, использующихся в методе искусственных нейронных сетей.

Основной принцип факторного анализа и многомерного шкалирования (метод главных компонент) - снижение размерности выборки (количество переменных задается исследователем и может быть сокращено до 2) на основании создания линейной комбинации всех анализируемых переменных. При этом, ставится задача максимально сохранить информацию, входящую в весь набор данных, для чего вводится характеристика - уровень объясненной дисперсии. Полученные факторы включают информацию, содержащуюся в исходных переменных, при этом количество переменных снижается (например, до 2). Обычно целью факторного анализа является попытка качественно описать большую совокупность имеющихся параметров. Как бы "суммировать" информацию и получить факторы, имеющие некий биологический смысл. Интересной особенностью факторного анализа является его "непредвзятость" с точки зрения анализа объектов, т.к. фактически основной анализ производится над корреляционной матрицей, не включающей информацию о каждом объекте. Это важно, если исследователь хочет использовать собственные значения факторов для дальнейшего анализа методами классификации. Использование таких подходов и помогает решать современные задачи имеющие проблемы размерности (например, в современной молекулярной биологии).

Описанные методы применялись для классификации образов опухолей (варианты лейкоза и лимфом) на основании профиля экспрессии генов (Nguyen, Rocke, 2002). Полученные результаты имели стабильное решение и работали в условиях рандомизации образцов. Сравнение различных статистических методов для анализа такого рода данных также анализируются в работах (Weitzman 2000, Raychaudhuri et al., 2001, Clare, King 2001, Olshen, Jain 2002, ). Рассматриваются результаты полученные с применением кластерного анализа, нейронных сетей, вариантов дискриминантного анализа, метода главных компонент и факторного анализа. Показано, что стандартные методы классификации могут удовлетворительно решать подобные задачи.

Использование многомерных методов анализа для получения прогностической информации.

Подходы для получения прогностической информации могут существенно отличаться как по набору анализируемой информации, так по способу получения окончательной информации. Они могут быть организованы в виде таблиц, опросников, простых или сложно организованных компьютерных программ (Сусликов 1999, Batchelor, Dua, 1995, Мэйндоналд 1988). Большинство распространенных индексов, пытается ориентироваться на широкий круг потребителей, который может включать кроме врачей также и пациентов.

Распространенный вариант построения прогностического признака - таблица или текст, включающие соответствие набора качественно описанных свойств с определенной количественной величиной - примером таких прогностических величин может быть индекс физического состояния пациента - индекс Карновского, оценка этого же свойства на основании классификации ECOG.

В последние годы качество жизни больного и экономические вопросы, связанные с лечением становятся такими же важными как и продолжительность жизни и считаются дополнительными клиническими критериями при лечении онкологического заболевания. В настоящее время стоят очень сложные методологические и статистические проблемы сравнения полученных данных и оценки их предсказательной мощности сделанные на основании используемых в настоящего временя способов измерения качества жизни (QoL) для различных контингентов пациентов. Нерешенными являются вопросы интерпретации «величины» регистрируемой по разным шкалам и статистической значимости регистрируемых различий. Высокая субъективность оценки состояния больного по анкетам приводит к низкой достоверности получаемых результатов. В исследовании Национального противоракового института Канады (National Cancer Institute of Canada) приводятся результаты сравнения оценки функционального состояния пациентов на основании различных шкал (Physical functioning item of the subjective significance scale and the physical functioning scale of the QLQ-C30). Полученный коэффициент корреляции между ними имел величину 0.23 и являлся совершенно неудовлетворительным (Special Paper Methodological and Statistical Issues of Quality of Life (QoL) 1998). Приведенные результаты иллюстрируют существующую проблему объективности информации при использовании анкетных (или табличных) методологий получения количественных оценок.

Решение похожих задач, в других областях медицины (оценка общего состояния больного и прогноз заболевания) достигается с использованием несколько других подходов. Хотя окончательные оценки также получаются на основании табличных данных, исходная информация включает существенно большее количество показателей, основанных большом количестве функциональных и лабораторных исследований. Такие индексы прогноза широко распространены, например, в медицине неотоложных состояний (АРАСШ, TISS, ASA, CRIB). При этом индексы могут быть ориентированы на конкретный тип травмы (например черепно-мозговой) (Зильбер, 1995, Knaus et.al. 1991, Cockburn et.al. 1993, Cullen et.al. 1974). Эти индексы имеют высокую степень предсказательной способности. Например, APACHE позволяет с вероятностью более 95% предсказать исход травмы.

Возвращаясь к способам оценки физического состояния онкологического больного на основании индексов Карновского или ECOG (и других подобных), следует подчеркнуть, что несмотря на всю их простоту они продолжают оставаться адекватным инструментом в руках врача. В большом количестве работ, посвященных прогностической значимости различных признаков у онкологических больных они остаются одними из наиболее информативных (Ship et al. 1993, Mendenhall et al. 1994, Maritinow et al. 1998, Mori et al. 1999, Montoto et al. 2002, Bierman et al., 2002). Таким образом, индексы, основанные на несложных математических принципах, занимают важное практическое место в клинической практике и, в тоже время, имеющие методологические проблемы при их определении ставят задачи по повышению объективизации способов их регистрации. На перспективность использования просто организованных интегральных показателей крови указывают авторы работы (Вельских и др. 1996). Они использовали два варианта такой оценки: лйкоцитарный индекс интоксикации Кальф-Калифа (Кальф-Калиф, 1941) и показатель, названный авторами - энтропия лейкоцитарной формулы (Номограммы для определения некоторых интегральных показателей крови человека / Борисов и др., 1989). Оба показателя оказались информативными в оценке прогноза развития патологического процесса. Авторы делают вывод, что использование интегральных показателей крови в диагностическом мониторинге позволяет повысить информативность традиционных диагностических тестов, улучшить, оценку эффективности терапии, наметить пути прогнозирования исхода и индивидуализации лечения. Использование интегральных показателей крови перспективно при компьютерной оценке результатов лабораторных исследований и разработке экспертных диагностических систем.

Другой, наиболее распространенный способ получения прогностической информации можно проиллюстрировать на примере программы, предложенной (Valet et al.,1984, Valet, Hoffkes, 1997, Valet et al. 1998). Авторы предлагают систему классификации - SMDC - standardized Multiparameter Data Classification. Программа классификатор CLASSIF1 использующая стандартизованные, инструментальные и лабораторные данные цитометрии и другие многопараметрические данные, включая клиническую химию и биомедицинские и клинические данные открыта для использования через интернет по протоколу TELNET. Любой желающий может использовать свои данные поиска решения своей задачи. В авторском варианте программа используется для решения таких задач как: оценка риска инфаркта миокарда на основании данных экспрессии активационных антигенов тромбоцитов (используемые данные для классификации CD62, CD63, тромбоспондин, иммуноглобулин G); оценка риска перетренировки для профессиональных велосипедистов на основании уровня лимфоцитарных антигенов; прогноз выживаемости у больных меланомой (делается дискриминация на два класса до 10 лет и более 10 лет) на основании клинических данных. Принцип алгоритма построен на вычислении пары перцентилей 5/95%, 10/90%, 15/85% на основании кривой распределения значений в обучающей выборке. (Какую пару перцентилей использовать решается на практике.) Далее, конкретные значения заменяются на: 0- если оно внутри выбранного интервала, (+) - для значения больше и (-) - для значения меньше выбранных перцентилей. Далее, на основании уже известных клинических данных формируется матрица - сколько каких комбинаций признаков соответствует какой патологии.

Клин. Данные \ лабораторная классиф. Всего N R D

Норма,N 17 100 5.9 0

Риск инфаркта, R 97 2.1 96.9 3.1

Диаб. Тромбоз,D 14 57.1 7.1 42.9

В клетках показан процент пациентов попавших в данную категорию для выбранного уровня перцентилей. Процесс оптимизации классификации -увеличение суммы значений диагональной компоненты матрицы - 100% классификация для каждого класса. Далее, единичные колонки (признаки) или их комбинации исключаются и определяется результат классификации. Если он не ухудшается, в конечный алгоритм эти данные не включаются. Данная классифицирующая система больше зависит от внутри лабораторной точности, чем от межлабораторной правильности. Инструментальная точность может быть скорректирована (инструментальную ошибку можно исключить) нормализовав перцентили на среднее значение референтных образцов (в качестве которых могут быть образцы крови доноров). К тому же, биохимические свойства многих клеточных систем в течение болезни можно немедленно сравнить, когда классификаторы стандартизованы на общие, доступные клетки, такие как клетки периферической крови.

Похожую идеологию получения диагностической информации использовали отечественные авторы создания "информационной технологии анализа медицинских данных" (Генкин 1993, 1996, 1999, Генкин, Степанова 1997). Их подход также основывается на создании интервалов для каждого из исследованных клинико-лабораторных данных, однако используются не стандартные статистические интервалы, а их значения подбираются таким образом, чтобы частоты попадания объектов, качественно различаемых экспертом максимально отличались. Таким образом, формируются интервальные оценки с соответствующими вероятностями попаданию объектов в определенные интервалы. Если теперь перейти к двум признаком, то образуется набор прямоугольников - со сторонами, соответствующими интервалам разбиения для каждого признака. Множество таких прямоугольников, вместе с оценкой вероятности попадания в соответствующие интервалы авторы назвали "бинарными" структурами. Важной особенностью предлагаемого метода анализа данных, подчеркиваемой авторами является возможность" выявлять диагностическую и прогностическую ценность и для значений, находящихся в пределах нормы". Это также позволяет открывать новые интервалы, которые прежде в клинической практике не рассматривались, как не несущие информации. Это очень важное свойство, на которое обратили внимание авторы. Очень часто, использование "общепринятых" норм не позволяет извлечь важную диагностическую информацию из полученных экспериментальных и клинических данных. Само понятие "нормы" и "лабораторной нормы" -чрезвычайно сложно и требует осторожного обращения в том смысле, что анализ данных в любом виде исследований, по-видимому, необходимо начинать исключая интервальные "нормальные" ограничения и проводить статистический анализ в конкретных, исследуемых группах ( Генкин 1998). Полученные результаты затем качественно можно сравнивать с имеющимися интервалами нормы. (Если это необходимо). Важной особенностью предлагаемого анализа - это возможность исследования зависимости признаков, совпадающего, по существу, с методом анализа матриц сопряженности. Получаемая таким образом информация позволила авторам решить ряд интересных диагностических задач. Были исследованы особенности гемопоэза и метаболизма у больных лимфогранулематозом, а также показана принципиальная возможность дифференциальной диагностики между лимфогранулематозом и другими лимфопролиферативными заболеваниями на основании лабораторных показателей крови.( Генкин, Степанова, 1997, Генкин , Корытова, Степанова, 1997, Генкин 1998).

Принципиально другой подход для построения системы получения информации описан в работе (Robinson, Bobcock, 1989). Авторами рассматривалась вероятность заболевания СПИДом у пациентов с ВИЧ инфекцией. Если у ВИЧ инфицированного пациента развился СПИД, то прогноз неблагоприятен, время выживания короткое. Однако выяснилось, что часть пациентов живет значительно дольше других. Было проведено исследование, какие характеристики пациентов влияют на выживаемость. С выживаемостью оказалось связано несколько физиологических характеристик. Используя сочетание этих факторов, исследователи разработали многоступенчатую прогностическую систему, оценивая в 1 балл присутствие каждого из 7 факторов: сильная диарея или содержание сывороточного альбумина менее 2 г.л, любые неврологические расстройства, насыщение крови кислородом менее 50 мм.рт.ст., гематокрит менее 30 %, число лимфоцитов менеее 150 мл-1, число лейкоцитов менее 2500 мл-1, число тромбоцитов менее 140 000 мл-1. Были выделены три прогностические стадии в зависимости от суммы баллов: 1-стадия - 0 баллов, П-стадия - 1 балл, III- стадия - 2 балла и более. При этом авторы отмечают, что медиана выживаемости в первой группе - 11,6, второй группе-4,5, а в 3-й 2.1 месяц. Следует отметить, что этот подход основан на интервальной оценке параметров - для формирования групп имеющих фиксированную вероятность наступления какого-либо события (это может быть рецидив заболевания или смерь больного или, например, дожитие до определенной величины). Именно такой подход был использован в многоцентровом, международном исследовании для формирования прогностического индекса у больных злокачественными лимфомами ( Ship et al., 1993) и аналогичного индекса для больных лимфомой Ходжкина (Hasenclever, Diehl, 1996). На основании анализа большой группы пациентов оценена вероятность дожития до 5-летнего периода в зависимости от набора 5 прогностических факторов. Авторам удалось найти уровни факторов (интервалы их значений), при которых они вносят одинаковый вклад в модель. Таким образом, вероятность дожития определяется не значением факторов, а их количеством. Это существенно упрощяет использование модели, хотя сами оценки и получены на основании использования модели логит-регрессии.

Следует отметить, что такой подход является стандартной процедурой анализа клинических данных и построения прогностических моделей (Buccheri et al. 1994). Например в работе (Piccini et al. 1984) исследовались прогностическая значимость основных гематологических показателей у 146 пациентов с раком почки. Пациенты делились на группы 1- опухоль в пределах капсулы (66), 2- выход за капсулу (39), 3- с отдаленными метастазами (27), 27 - с кахексией и без операции. Наиболее часто встречаются: анемия, в основном нормохромная - гемоглобин менее 120 г/л (41% в 1-й группе, 59% - во второй, 74% в третьей и 79% - в 4-й); лейкоцитоз (более 8 тыс.: 38% в 1-й группе, 51% - во второй, 37% в третьей и 50% в 4-й). Тромбоцитоз средней степени ( 350-500 тыс. обнаруживался с заметной частотой во 2 и 3-й группах ( 20% и 18 % соответственно). С другой стороны лейкопения (лейкоциты мене 3.5 тыс.) и тромбоцитопения ( тромбоциты менее 140) встречались значительно реже. Таким образом, авторы попытались на основании клинического анализа крови оценить распространенность опухолевого процесса. Приведенные результаты показывают туже логику поиска диагностической информации: - попытка классификации на основании попадания признаков в определенный интервал. Подобные подходы также активно используются отечественными авторами (Нечеснюк 2000, Доценко 2003). Однако большинство исследователей осознает недостаточную предсказательную мощность такого рода индексов и ищет пути увеличения их информативности (Axdorph et al. 2000).

Далее по частоте использования следуют варианты кластерного и дискриминантного анализа. Например, авторами (Кашин, Фирсов 1983) приводятся результаты по использованию диагностической функции вида N=S ki*xi{xi=0,l} для дифференциальной диагностики туберкулеза -пневмонии - рака легкого. Были найдены коэффициенты для трех функций -соответственно трех пар заболеваний и пороговые значения для этих пар. Использованы 15 показателей, среди которых 5 показателей крови. Расчет был произведен на основании анализа данных 300 историй болезни, а контрольное исследование на 50 и показано совпадение диагнозов в 84% случаев. Этот подход, можно представить как вульгаризацию дискриминантного метода. Диагностическая функция имеет вид упрощенной дискриминантной функции, в которой вместо значения параметра используется дискретное значение признака (1 - если признак больше определенного уровня или 0 если признак отсутствует). Авторы рекомендуют использовать метод на поликлиническом уровне, для постановки предварительного диагноза и решения направления больного в специализированную клинику. Дискриминантный подход при анализе многопараметрических показателей крови для диагностики в онкологии активно применяется группой исследователей из Белорусского онклогического института им Н.Н.Александрова (Машевский А.А, 1994, Доста и др. 1999, Смолякова и др. 2000, Прохорова и др. 2001). Использование дискриминантного анализа комплекса биохимических и физико-химических характеристик крови позволяет, по мнению атворов, оценивать такие важные характеристики при лечении онкологических больных как прогноз и мониторинг эффективности лечения при раке предстательной железы, прогноз осложнений при применении многокомпонентной химиотерапии у детей, оценка уровня эндогенной интоксикации при лимфогранулематозе. На эффективность использования дискриминантного анализа клинико-лабораторных данных при решении дифференциально-диагностических задач указывается в работе (Савченко и др., 2001). Одной из областей, где активно используется метод дискриминантных функций является рентгенология. Использование этого способа классификации формализованных рентгенологических данных позволяет стандартизовать получаемые диагнозы и, в некоторых случаях, повысить диагностическую эффективность по сравнению с экспертной (Brake et al. 2000, Ng et al. 2001, Jiang et al. 2001, Lo et al. 2002).

Наравне с дискриминантным анализом, активно исследуется возможность практического использования различных вариантов кластерного анализа для решения медицинских задач (Yang et al. 1994,Sim et al. 2001, Subdo et al. 2000, Pauler et al. 2002, Legler et al.1995, Lefkopoulou, Ryan et al.1993, Aitchison et al.1995). Например, в монографиях (Ставицкий 1999, Ставицкий и др., 2000) рассматривается применение метода кластерного анализа для решения задач прогноза в медицине. В качестве основных трудностей использования метода указываются: низкий уровень формализации предметной области, а также тот факт, что для получения необходимого количества информации может потребоваться высокий уровень затрат. Эти причины, по мнению авторов, ориентируют исследователя при выборе методов анализа в сторону методов классификации основанных на методах распознавания образов. Преимуществами этих методов является их ориентация на результат принятия, а не анализ процесса и механизма принятия решения. Во многих случаях такой подход упрощает поиск решения задачи. Предложенная авторами система классификации на основании гематологического анализа крови, предлагает новые подходы к применению метода распознавания образов для задач классификации. Интересен также вывод авторов о возможности снижения количества объектов в обучающей выборке. Как уже говорилось, этот показатель представляется наиболее критическим в большинстве систем и методов, решающих задачи классификации. Это ограничение следует учитывать при планировании исследований, т.к. на практике бывает трудно организовать набор необходимого количества пациентов, имеющих кроме всего прочего одинаковое качество диагностической информации.

Вариант кластерного анализа - деревья классификации (разновидность принятия решения метода графов) часто используется в областях, где информация носит качественный характер и может быть преобразована в порядковые переменные. Это, например, такие дисциплины как цитология, гистология, психология. Классификация объектов (в случае цитологии или гистологии это постановка диагноза) производится на основании п mm? р I em^msr,? яядаэдта ?зда Ада от^нают, т длр эфф.е^тивнр^го, ^эдор^з^аяря м^тр Д .^це^ки, должен быть воспроизводим. jSPS^.B ЕИ¥Х фенологических tу етодах, д^я^которых иЩЙРРа^Шййя 1 ) ^^Iiioe , количество расхождений, с^ето^в ^ассификацюг информации, ццтшш. та°рам ^^да^ЧйгЯЖРЯдата? ^меюи^ую высокий

КЯ?№ЖНТ .ДОРРОТЙН. ,. образом, внесение технологии, аетгоэдат^ч^с^ой, ре^иедрздии параметров ,и их, математический ацалэдз, t цорысили рраводг^р^сть оценки степени злокачественности для этого

In|>!tK.jlUlii .1/1 tMie'ill.'u Civ 'i a . l.Hw t . . .'i i i

Х^ЖЬ. ?SL которые используют пццнцип, .получения(и^фощац,и}1,p}6i объекте (в: даднрм (случае пациенте) исследуя ^ицамику, цзмрц^нщ какого-либ^ показателя. Например, оценивая некир,параметру д^.и^реле воздействия (лечения) можно исследовать как i! ik- г. —■п ^ '«u.\ jjuMCCkirt i.cnvK),, и. -1 ij.iii ; • v . > i i >'. J 'ii t Ли uo меи^ы :wu a „ i ,, ij,, i ' 11 i V I " " ' .1 ч - . , . , параметры самого объекта (in vivo), так и модельные системы (например реакция крови на облучение ин витро, реакция опухолевых клеток на химиопрепараты в культуре, и т.п.). Такой подход очень распространен в экспериментальной биологии, т.к. позволяет более углубленно исследовать свойства объекта. Эти методы условно можно назвать "релаксационными". Т.е. система выводится из равновесия каким либо способом и исследуются процессы возвращения ее в состояние равновесия мы получаем информацию о системе.

Например, авторы (Pauler, Laird, 2002) указывают на то, что внедрение новых лабораторных показателей в клиническую практику расширяет круг биомаркеров, динамические исследования которых (приводится пример показателя MCV) на фоне применения фармпрепаратов могут быть источником важной информации для предсказания осложнений и коррекции программы лечения. Именно математический анализ динамики изменений на этапе проведения испытаний нового препарата позволяет сделать адекватные выводы о наступлении нежелательных осложнений. В работе (Fumagalli, 2003) показано, что именно мониторинг содержания лейкоцитов в процессе лечения IL-2 больных раком почки является независимым фактором прогноза как для общей выживаемости, так и для оценки ответа на проводимую терапию. Таким образом, использование динамических исследований на фоне тестирующего (примером может служить "провокационные пробы") или лечебного воздействия может дать существенно более ценную информацию для построения прогностических моделей и такого рода подходы необходимо более интенсивно внедрять в клиническую практику.

Модели регрессии.

Необходимость и важность адекватного прогноза продолжительности жизни для онкологического пациента обусловлена рядом причин. Во-первых это необходимо для адекватного выбора программы лечения (особенно с точки зрения возможных побочных эффектов, связанных с примнение высокотоксичных схем лечения), во-вторых - это может позволить правильно распределять финансовые ресурсы, направляя их более эффективно, в третьих - правильная оценка может помочь пациенту и его семье осуществить адекватно планирование на этот период. Кроме того, в ряде стран, для пациентов с прогнозируемой скорой гибелью предусмотрены специальные финансовые и социальные программы (Health service Guidelines 95).

Построение прогноза (развитие болезни, различные исходы) (наступление события через конкретный момент времени) можно попытаться описать на основании известных, на настоящий момент, данных. Решение таких задач осуществляется в рамках различных моделей регрессии. Наиболее изученной является модель линейной регрессии (McCullagh, Nelder, 1989), однако ее использование для описания большинства, клинических важных показателей (продолжительности жизни и других событий) неприменимо из-за нелинейной природы изучаемых явлений. Неудовлетворенность линейными методами для построения предсказательных моделей привела к разработке альтернативных подходов. Например, в работе (Batchelor, Dua, 1995) показано, что комбинация линейных моделей существенно снижает ошибку оценки.

Поскольку наиболее важным показателем при сравнении различных схем лечения является продолжительность жизни, способы ее описания и сравнения играют принципиальную роль. Наиболее важны следующие семейства распределений, которые используются для описания продолжительности жизни экспоненциальное (в том числе, линейное экспоненциальное) распределение, распределение Вейбулла экстремальных значений и распределение Гомперца. В принципе, для описания средних времен жизни и сравнения нового метода лечения, со старыми, можно было бы использовать стандартные параметрические и непараметрические методы. (Следует сказать, что, Наиболее простым способом описания выживаемости в выборке является построение таблиц времен жизни.) Техника таблиц времен жизни - один из старейших методов анализа данных о выживаемости . Такую таблицу можно рассматривать как "расширенную" таблицу частот. Построение таблиц времен жизни, оценивание функции выживания с помощью процедуры Каплана-Мейера являются описательными методами исследования цензурированных данных (Гланц, 1999).

Основные статистические методы для сравнения схем лечения или оценки прогностической значимости различных признаков используемые в настоящее время в онкологии это регрессионная модель Кокса, экспоненциальная модель и модель логнормальной регрессии (Сох, 1972, Сох, Oakes, 1984, de Bruijene et al., 2001). Регрессионная модель Кокса основана на предположении о лог-линейной зависимости между функцией описывающей параметры (например выживаемость) и ковариатами, а также на том, что эта зависимость мультипликативна (последнее предположение называется также предположением пропорциональности.

В работе (Mori et al, 1999) дан пример современной технологии применения регрессионных моделей для построения прогностических критериев. Основной задачей авторов было исследование влияния возраста на выживаемость у больных злокачественными неходжкинскими лимфомами. Известно, что возраст является одним из важнейших независимых признаков, связанных с плохим прогнозом у пациентов со злокачественной неходжкинской лимфомой. В тоже время, количество пожилых людей страдающих этой патологией постоянно увеличивается. Поэтому, выделение среди этих больных группы с хорошим прогнозом почему-то написано так) прогнозом, для проведения более агрессивной терапии очень важно. В данном исследовании была предпринята попытка разработать модель для предсказания исхода у пожилых пациентов до предпринятого лечения. Для этого в предварительном исследовании, 443 пациента с HXJI старше 65 лет были проспективно рандомизированы и пролечены по схемам Т-СОР (Т, pirarubicin), CHOP или Т-СОЕР (E;VP16) в сроки между 1990 и 1992 гг и 425 больных старше 70 были проспективно рандомизированы и пролечены по схемам Т-СОР с высокой стандартной или низкой дозой (между 1993-97 гг) в мультицентрическом исследовании. Все 861 имели возраст между 65-92 с медианой 75. Эффективность полной ремиссии была 48,2%. Прогностическими факторами для полной ремиссии были, (по убыванию важности) физическое состояние больного (performance status PS), клиническая стадия, ЛДГ, и уровень альбумина (Р<0.01). Прогностическими факторами для общей выживаемости были (over all suvival), PS (0 или 1 если больше), стадия (I или II против III или IV), ЛДГ (нормальное или повышенное), альбумин (до или более 3,5), гистологическая классификация (низкая, промежуточная (intermediate), высокая) и тип (В или Т) (Вилкоксон Р<0.01). Произвели анализ по модели Кокса. Четыре параметры были идентифицированы как прогностические для выживаемости: PS, клиническая стадия, ЛДГ, альбумин. Никакие другие не имели независимой прогностической значимости, включая экстранодальное вовлечение (р=0.147). Каждому из этих показателей присваивалось значение 1 и общее количество баллов считалось. Пациенты были разбиты на три группы риска: низкий риск (сумма 0-1), промежуточный (2), 3 или 4 -высокий риск. Безрецидивная общая выживаемость для этих трех групп составляли соответсвенно: 59.2%, 45.7% или 37.6%, и 43%, 22% или 18%.

Пример, приведенный выше описывает классический путь поиска прогностических факторов с использованием стандартных средств статистики, принятых для регрессии параметров, имеющих сложную временную зависимость от большого количества признаков. Полученная регрессионная модель имеет сложное математическое описание и далее, для более наглядного описания, выбираются диапазоны параметров, формируются группы, определяются значения искомых параметров (выживаемость в данном случае) имеющие значения внутри диапазонов. В данном примере это три группы, но приведенные значения выживаемости, как безрецидивной, так и общей для промежуточной и высокой группы риска имеют очень близкие значения, которые, скорее всего, лежат внутри ошибки определения, а полученные отличия в 22 и 18 могут считаться не значимыми. Таким образом, предлагаемое разделение на группы риска можно считать не целесообразным и ограничиться, в данном случае только двумя. Это, скорее всего, позволить еще боле сократить количество признаков и максимально упростить предлагаемый прогностический показатель. С другой стороны, такое упрощение, может сказаться на ошибке. В другой работе (Montoto et al. 2002) анализировались прогностические факторы для безрецидивной выживаемости (survival from progression) - для 90 пациентов с фолликулярной лимфомой (больные, пролеченные в течение 20 лет в гематологической клинике Биомедицинского института Барселоны). Показано, что наиболее значимы - возраст, состояние больного, ЛДГ, бета-микроглобулин,, вовлеченность костного мозга, стадия и IPI. Многопараметрический анализ (с использованием методов регресси Кокса и др. общепринятых методов) показал, что наиболее важны состояние (performance status) и RD (response duration) - продолжительность ремиссии.

Другим примером может служить исследование (Kloess et al. 1999) в котором авторы провели многопараметрический анализ прогностической значимости методом логистической регрессии у 571 больного после 2905 циклов химиотерапии для оценки гематотоксичности. Анализировались стандартные клинические и лабораторные данные, а также характеристики курсов химиотерапии. Были обнаружены следующие прогностические факторы для лейкоцитопении (в скобках дана отношение несогласия):высокое значение ЛДГ(З.О), возраст более 60 (2.0), женский пол

2.0), плохое состояние (2.1), использование этопозида (6.1), интервал для G-CSF более 3 недель. Для прогноза тромбоцитопении не играли роли пол и состояние, дополнительно к тем же признакам были важны некоторые параметры курсов химиотерапии (доза винкристина, длительность перерыва и самих курсов). Анемия имела следующие прогностические показатели: изначально низкий гемоглобин (10.5), низкий альбумин (1.3), высокую ГГТ

2.1), и теже показатели, что и для лейкопении (ЛДГ не имел значимого влияния). Интересно, что приводимые цифры дискриминации на группы высокого и низкого риска осложнений, соответственно; лейкопении, тромбопении и анемии, имели цифры ошибочной классификации (предсказание риска развития осложнения при его отсутствии) и правильной (предсказание попадания в группу риска и развитие осложнения) соответственно 16% и 97%, 0% и 54%, 0% и 28%. Очевидно, что дискриминирующее значение необходимо изменить для тромбоцитов и анемии, что должно увеличить процент правильной классификации. Из приводимых цифр очевидно, что предсказание тромбопении эквивалентно угадыванию, а предсказание анемии (согласно модели) говорит о хорошем прогнозе(!) (только у 27% пациентов данной группы разовьется анемия). Далее авторы подчеркивают, что параметры, вошедшие в разработанную ими модель сходны с параметрами для международного прогностического индекса (IPI): это ЛДГ, состояние пациента, возраст. Они также обращают внимание на чрезвычайную гетерогенность гемочувствительности пациентов к эквивалентным курсам химиотерапии.

Данный пример показывает, во-первых, попытки оценки некоторых осложнений, которые, возможно значимы для врача и пациента в процессе лечения, и по-видимому сказываются на качестве жизни, могут не иметь значения для общей и безрецидивной выживаемости, во-вторых приводимые оценки скорее говорят о необходимости дальнейшего развития модели (по крайней мере это касается тромбоцитопении и анемии).

На проблемы, возникающие при использовании методов регрессии, основанных на модели Кокса указывается в ряде работ (Henderson, 2000, Hendersson et al. 2001). В тоже время, очень часто оценка продолжительности жизни пациента осуществляется на основании индивидуального опыта врача. Оценка точности таких оценок была темой ряда исследований общий вывод которых - предсказательная ценность таких оценок низка. (MacKillop, Quirt, 1997, Christakis, Lamont, 2000, Parkers, 1972, Heyes-Moore, Johnson-Bell, 1987, Forster, Lynn, 1988). В частности (Christakis, Lamont, 2000) указывают, что только 33% оценок продолжительности жизни пациентов при такой оценке адекватны. Почему же формальные статистические модели не используются более часто в практике оценки продолжительноси жизни? В тоже время анализ выживаемости очень широко используется для определения прогностических факторов (ковариат), сравнения различных групп пацентов, построения прогностических индексов. В работах (Henderson, 2000, Hendersson et al. 2001) приводится две основные причины, обуславливающие низкую практическую значимость используемых моделей оценки продолжительности жизни. Существующие модели регрессии (сравнивались модели регрессии Кокса, Вейбулла, логнормальная и Аалена) на основании используемых предикторов (например таких как пол, возраст, те или иные клинические симптомы, стадия процесса) также дают большую ошибку оценки абсолютной величины продолжительности жизни. Эта ошибка сравнима с величиной получаемой при экспертной оценке продолжительности жизни. Математическим отражением низкой практической значимости общепринятых моделей является низкий уровень объясняемой дисперсии отмечаемый в большинстве работ. Автор подчеркивает, что даже знание статистически высоко значимых ковариат не может повысить предсказательную способность на практически значимую величину. Таким образом, по мнению автора, на основании имеющихся моделей врач может сказать больному "прошу прощения, Вы проживете 3 месяца, но есть 60% вероятность, что я ошибаюсь" или "есть 80% шансы, что Вы умрете между 2 неделями и 2 годами". Автор делает вывод, что хотя много усилий затрачивается на сбор материала, общепринятые модели полезны для сравнения групп и анализа предикторов, адекватной оценки абсолютной величины периода жизни они дать не могут и предполагает, что возможно, это является необходимым (обязательным) следствие реальных данных используемых при анализе выживаемости.

З.Метод искусственных нейронных сетей.

Искусственные нейронные сети, отличаются от других методов математического анализа тем, что при поиске решения не следуют строго фиксированному набору математических методов, а повторяют дедуктивные методы поиска решения, свойственные работе эксперта (Боровиков 2001). Более того, нейронные сети могут включать практически неограниченное число факторов для построения прогноза, и эти факторы можно добавлять в модель, если экспериментатор решит, что новые факторы будут полезны для улучшения результата. Метод может также оценить степень прогностической значимости и взаимодействие новых факторов с уже имеющимся набором. Это отличает его от традиционных статистических методов. Особенностью метода ИНС является то, что освоить и применять технологии нейронных сетей значительно проще, чем изучать математическую статистику или нечеткую логику. (Ежов, 1977, Круглов, Борисов, 2001, Haykin, 1994, Ripley, 1996) (Основные принципы метода искусственных нейронных сетей рассматриваются в главе "Материалы и методы".).

Количество публикаций по применению нейротехнологии в медицине трудно оценить точно. Однако если в 1988-89 годах их были единицы, то с 1995 года ежегодно появляются сотни. Нейросети уже довольно давно активно применяются в анализе геномных последовательностей ДНК, в частности для распознавания промоторов - участков, предшествующих генам и связываемых с белком РНК-полимераза, который инициирует транскрипцию. Их используют для дифференциации кодирующих и некодирующих участков ДНК (экзонов и интронов) и предсказания структуры белков (Ripley 1996)

Диагностика и лечение онкологических заболеваний, а также разработка новых медикаментозных средств несомненно представляют собой важнейшую область применения нейросетевых технологий. Диагностика одной из форм меланомы была реализована с помощью нейросетевого симулятора Multineuron, разработанного в ВЦ СОАН в Красноярске под руководством А.Н.Горбаня (Горбань, Россиев, 1996, Горбань и др. 1998) Одно из главных направлений, в котором сейчас идут работы по использованию нейронных сетей, - диагностика рака молочной железы. Ряд групп использует метод нейронных сетей дифференцировать рентгенологические изображения для постановки диагноза на основе особенностей, с которыми обычно имеют дело радиологи. Оказалось, что ИНС способны решать поставленную задачу более эффективно (Jiang 2001, Tourassi 2001, Brake 2000). В работе авторов (Shia et al.,1999) сравнивается эффективность метода искусственных нейронных сетей с другими методами прогноза и с традиционными линейными моделями. Полученные выводы позволяют авторам сказать, что НН, как правило, дает лучшее предсказание, чем традиционные методы и могут использоваться вместо них, а также как часть сложных экспертных систем для повышения предсказательной эффективности.

В исследовательском медицинском центре Университета Ньюкастла, Великобритания в предварительных пилотных исследованиях (Snow et al., 1994) оценивались диагностические критерии биопсии у мужчин с подозрением на рак предстательной железы и вероятность рецидива после радикальной простатэктомии. Было показано, что применение метода искусственных нейронных сетей позволяет получить модель обладающую высокой чувствительностью и специфичностью. Особо следует подчеркнуть, что использованные в работе показатели - хорошо известные, традиционные клинические и биохимические критерии.

В серии работ (Naguib, Hamdy, 1997, 1998, Naguib et.al. 1996) анализировалось применение варианта метода искусственных нейронных сетей для оценки прогностических факторов. В качестве исходных данных для анализа использовались как традиционные прогностические клинические показатели - возраст, стадия, наличие отдаленных метастазов, коэффициент Глисона, уровень простатического сывороточного антигена, а также наличие или отсутствие экспрессии р53 и bcl-2 и вариант примененного лечения. Всего 8 показателей. Результат проведенного лечения или течения заболевания делился на три категории, которые и оценивались моделью: 1-нет ответа на лечение, 2- рецидив после эффективного лечения и/или прогрессия у не леченных пациентов, 3- стойкий положительный эффект после лечения и/или отсутствие прогрессии (роста опухоли, распространения заболевания) у не леченных пациентов. Всего проанализировано 38 пациентов, которые делились на две равномерные группы случайным образом (по 19 в каждой и это при 8 входных признаках) одна из которых использовалась как группа обучения, а вторая - как группа проверки результатов обучения модели. В качестве выхода использовали трехуровневый вариант (три класса): 1-нет ответа на лечение, 2- рецидив вслед за успешным лечением или прогрессия болезни в случае не леченных пациентов, 3- стойкая ремиссия или отсутствия прогрессии болезни в не леченных случаях. Использовалась модель GRNN, которая является обобщением более специфических вероятностных нейронных сетей, использующихся для целей классификации. Одними из главных достоинств этого типа сетей является их быстрая обучаемость, их сходимость к оптимальному решению при увеличении числа объектов и их эффективность при работе с вариабельными (sparse data) данными, которые отличаются большой ошибкой (большой сигмой). Структура использованной сети - 8 входных нейронов, 19 - в промежуточном слое и 3 выходных. Для внутреннего слоя использовалась функция суммации по методу городских кварталов, а передаточная функция - Функция Гаусса. Чувствительность оценивалась как процент правильных предсказаний рецидивов, а специфичность - как процент правильного предсказания ответа на лечение. Были получены следующие результаты - специфичность - 80 %, чувствительность - 92,9 %, общая эффективность модели - 89,5 %.

В другой работе эта группа авторов (Nagib et. al. 1999) оценивала наличие метастазов в региональные лимфоузлы, когда клинически они еще не определяются. В качестве источника информации использовались цитологические данные. Полученные результаты позволили сделать вывод, что разработанный метод лучше предсказывает вероятность развития метастазов чем гистоллогический.

Приведенные результаты исследований продемонстрировали применимость метода ИНС для решения задач классификации в случае оценивания прогноза, а также показали, что принципиальное ограничение для методов классической статистики - "кошмар размерности", не так строг в случае алгоритма нейронных сетей. Оценивая результаты, подчеркивается, что традиционные статистические методы: анализ Кокса (Cox's proportional hazards) и метод логлинейной регрессии (logistic regression) (Erlichman et. al., 1990) применимы, однако в ситуации, когда анализируются данные, зависящие от времени, и когда прогностические факторы взаимодействуют сложным образом и эти зависимости сложно оценить и выявить, обычные статистические методы могут иметь сильные ограничения на стадии оценки полученных результатов.

Следует заметить, что авторы не рекомендуют совсем отказаться от статистическим методов, однако считают, что метод нейронных сетей хороший дополнительный метод для более аккуратного построения прогноза как эффекта лечения, так и продолжительности жизни.

Boracchi et. al., 2001) также сравнивали информативность стандартных методов статистики и метода нейронных сетей для решения задач прогноза на группе 2233 больных раком легкого. Авторы показали, что стандартные методы проигрывают в эффективности.

В работе (Shi et al. 1999) авторы разбирают важную проблему ограничения методов линейной регрессии, встающих при решении сложных задач прогнозирования. Они подчеркивают, что линейная комбинация очень часто не может описать сложные временные зависимости, особенно если анализируемые переменные содержат большую ошибку. Именно с такими-данными приходится иметь исследователю - клиницисту. Авторы убедительно доказывают, что применение методов искусственных нейронных сетей часто оказываются более информативными для решения такого рода задач. По мнению авторов, повышение качества прогнозирования можно добиться комбинацией метода ИНС (искусственных нейронных сетей) и других методов прогнозирования ( Markov Gated Expert, high order statistics, fuzzy logic).

Большое количество работ по нейронным сетям подчеркивают их преимущество в решении проблемы уменьшения размерности входных данных. В качестве таких методов могут быть предложены компоненты нейронных сетей как анализ чувствительности (Engelbrecht et. al. 1998) сети Кохонена (Sung 1998). Важным механизмом формирования и выбора информативных параметров, разработанных в последнее время, является генетических алгоритм. Следует подчеркнуть, что большинство авторов считает, что особую важность для выбора информативных, прогностических факторов для построения модели, особенно на первых, разведочных этапах играет мнение эксперта. Однако бывают случаи, когда его знания неполны по объективным причинам, а также варианты, когда построение экспертной системы может быть очень сложным и дорогостоящим. Другой "ахиллесовой пятой" нейронных сетей является тот факт, что достигнутое решение, пусть и очень эффективное, остается для исследователя черным ящиком оно мало понятно для человеческого ума является мало применимым для областей, требующих объяснения полученного решения. (Shyn, Park, 1999).

Хотелось бы также отметить перспективность применения метода нейронных сетей для решения задач прогноза, связанных с определением таких величин как продолжительность жизни. Как уже отмечалось (Henderson, 2001) использование стандартных подходов регрессии дает неудовлетворительные результаты, характеризующиеся большой ошибкой. В ряде работ показано, что ИНС могут решать подобные задачи регрессии лучше традиционных методов. Так в работе (Lundin, 1999) на большом клиническом материале (951 случай) исследовалась возможность предсказания продолжительности жизни у больных раком молочной железы. В качестве предикторов использовались 8 стандартных характеристик: размер опухоли, местная распространенность, гистологический тип, митотический индекс, ядерный полиморфизм, формирование тубулярных структур, уровень некроза в опухоли, возраст пациентов. Получаемые оценки выживаемости были выше чем получаемые на основании стандартного метода логистической регрессии. Количество ошибок в контрольной выборке составляло 40 из 300 (13%). Важной особенностью полученного решения была его низкая чувстсвительность к уменьшению количества предикторов. Выбрасывание даже наиболее информативных показателей (например, местной распространенности) только незначительно снижало предсказательную эффективность. Авторы также указывают на устойчивость во времени полученной модели и интерпретируют свой вывод одинаковой эффективностью предсказания для 5, 10 и 15 - летнего периода. Они также делают вывод о перспективности применения метода нейронных сетей для оценки продолжительности жизни у онкологических больных. К недостаткам данной работы можно отнести тот факт, что производилось предсказание интервала (5,10 или 15 лет) а не более точная оценка величины продолжительности жизни. Другим примером использования метода нейросетей может быть работа (De Laurentiis et. al. 1999) посвященная оценке величины периода ремиссии и риска рецидива. Авторам удалось получить модель, позволяющую более эффективно предсказывать наступления рецидива, чем стандартные методы. Авторы подчеркивают, что такой подход позволяет дифференцировать пациентов по уровню риска рецидива внутри групп с одинаковой стадией по TNM.

Таким образом, анализ литературы показал, что использование многомерных методов становится обязательной процедурой анализа медицинских и биологических данных. В мировой литературе этим вопросам посвящены как периодические медицинские и биологические издания, так и большое количество монографий. Имеется хорошее обеспечение и прикладными программами. В тоже время, используемые, в настоящее время в медицине и в онкологии, в частности, методы оценки прогноза обладают рядом недостатков и являются неудовлетворительными по величине регистрируемой ошибки. Разработка новых подходов для решения этих проблем, является важной практической задачей.

Выводы.

1. Время ЯМР спин-решеточной релаксации Т1 и спин-спиновой релаксации Т2 сыворотки крови онкологических больных выше, чем у неонкологических больных и практически здоровых лиц однако эти отличия недостаточны для их использования в диагностических целях.

2. Показано, что время Т1 спин-решеточной релаксации сыворотки крови зависит от таких ее показателей как концентрация белка, концентрация кислорода, альбумино-глобулиновый коэффициент, содержание липидов и низкомолекулярных пептидов.

3. Низкомолекулярные пептиды взаимодействуют с сывороточными белками и могут быть определяющими в увеличении времени Т1 спин-решеточной релаксации сыворотки у онкологических больных. Использование этого факта может быть основой для оценки степени интоксикации у онкологических больных

4. В экспериментах с перевивными моделями опухолей у мышей показано, что ряд биохимических и гематологических показателей крови достоверно и воспроизводимо меняются в процессе развития опухоли. Степень изменения ряда лабораторных (гематологических и биохимических) показателей коррелирует с размером опухоли и сроком после перевивки опухоли и могут иметь прогностическое значения для определения индивидуальной скорости роста опухоли у конкретного экспериментального животного.

5. Использование многомерных методов регрессии позволяет построить модель определения размеров опухоли и сроков после ее перевивки у экспериментальных животных. Это доказано как на ретроспективных, так и проспективных моделях.

6. Изменение гематологических и биохимических показателей крови являются инвариантными и позволяют построить независимые предсказательные модели. Наиболее эффективными являются методы кластерного анализа и искусственных нейронных сетей.

7. Многомерный анализ лабораторных показателей крови у онкологических больных позволяет построить объективную шкалу физического состояния, являющуюся важной составляющей прогностических моделей.

8. Использование методов многомерного анализа у больных злокачественными лимфомами (дискриминантный, кластерый, нелинейная регрессия) комплекса лабораторных и клинических данных позволяет построить прогностические модели для оценки величины безрецидивной выживаемости, продолжительности жизни, а также для оценки эффективности планируемой противоопухолевой терапии.

Практические рекомендации.

Практическому здравоохранению для повседневного использования предлагаются новые высокоэффективные методики получения прогностической информации.

Описаны удобные с точки зрения практического применения модели анализа лабораторных данных, даны практические рекомендации по применению различных математических методов анализа для получения прогностической информации.

Представленные разработки составили основу двух методических рекомендаций.

На основании проведенных исследований получен патент и свидетельство об изобретении на новые способы диагностики злокачественных новообразований и степени интоксикации у онкологических больных.

Материалы исследований использовались в специализированных курсах лекций и на семинарах с врачами-окологами в РНЦРР.

199