Постановка рисунок: 404 — Категория не найдена

Уровень 2 (средний).
Для тех, кто владеет начальными навыками, и хочет усовершенствовать свою технику работы с натуры.
Рисуем животное с натуры («живая» натура).
Длительный рисунок — натюрморт. законы композиции, постановка света. пробуем другие материалы и техники. Изучаем способы передачи объема при помощи светотени.  Гипсовая разметка, геометрические предметы, вазы, драпировка.
Рисуем на улице. Построение городского пейзажа (возможно и люди). Понятие перспективы, ракурса, пространства.
Начинаем рисовать человека. Наброски друг с друга, эскизы портрета. Быстрый рисунок: «схватывание» характера, пропорций, пластическое восприятие.
Постановка модели. Сидящая модель. Рисуем портрет.
Рисуем руки и ноги.
Гипсовая голова в мягком материале.

Уровень 3 (высокий).
Для тех, кто хочет подготовится для поступления в художественные ВУЗы.
Геометрические предметы. упражнение в перспективе.
Длительный рисунок : портрет.
Портрет с руками. Мужская модель — обнаженный торс.
Обнаженная модель. Мягкие техники.
Быстрые наброски модели. Свободные техники.

Преподаватель — Дарья Димитрова.
Образование: МГХПА им. Строганова по специальности монументально-декоративная живопись, с 2014 г. член Творческого Союза Художников.
Опыт работы: репетитор живописи и рисунка, в том числе подготовка к вступительным экзаменам в ВУЗ по этим дисциплинам, преподаватель живописи и рисунка в арт студии «SQUOT»

Группы:
По субботам в 12-00 — 10 июня старт группы.
По средам в 19-30 — 14 июня старт группы.

К курсу можно присоединиться с любого занятия!
Продолжительность занятия — 1,5-2 часа.

Запись по телефону: +7 910 478 65 54.

Программа по рисунку, живописи и композиции (дети 10-14 лет)

В процессе занятий преподаются основы академического рисунка, колористики, световедения, основные принципы создания живописных изображений, способы построения композиции, изучаются различные техники рисунка и живописи.

Ниже представлены некоторые темы занятий.

1. Основы перспективного рисунка. Линия горизонта и точки схода, позиция наблюдателя. В качестве примера перспективного построения используются буквы или слова.

2. Три основных цвета. Красный, синий, желтый как основа всех остальных цветов. Спектральные цвета. Цветовой круг. Влияние цветовых пятен на композицию .

3. Тела вращения. Шар. Тень как основное средство выявления объема. Граница светотени, собственная и падающая тень. Рисунок шара.

4. Цвета спектра. Образование спектральных цветов. Тёплый и холодный колорит. Принципы заполнения пространства листа. Композиция из шаров или кругов на основе предыдущего рисунка «открытыми» красками в тёплом колорите.

5. Многогранники. Куб. Куб как основа представлений о трехмерном пространстве. Рисунок куба в перспективе в различных положениях относительно линии горизонта и наблюдателя.

6. Прибавление и вычитание объема. Рисунок композиции из кубов в холодном колорите.

7. Принцип «от простого — к сложному». Поиск общих принципов рисунка схожих объемных тел. Рисунок постановки «шар и яблоко».

8. Черный цвет и его влияние на цвета спектра Серый цвет, дающий объем окружающему миру.Композиция на основе предыдущего рисунка «шар и яблоко».

9. Шар и конус Поиск общих принципов рисунка схожих объемных тел. Рисунок постановки «конус, шар и груша»

10. Белый цвет и его влияние на цвета спектра. Композиция на основе предыдущего рисунка «конус, пирамида и груша». Пастельный колорит

11.Натюрморт «Цветы». Объяснение важности развития внимательности и зрительной памяти как основных инструментов художника.

12.Натюрморт «Цветы». Земляной колорит и цвета спектра. Контрастные цвета как основа цветовой композиции рисунка. Приемы рисования акварелью

13. Пропорции фигуры человека. Значение набросков. Зарисовки фигуры человека в разных ракурсах.

14.Статика и динамика в композиции. Линия и пятно. Превращения линии в пятно и наоборот. Статика и динамика в композиции. Рисунок человека в историческом костюме с использованием чередования черно-белых линий и пятен в статике.

15. Пропорции лица человека. Опорные точки портрета. Рисунок лица человека в анфас и профиль. Приёмы рисования пастелью

16. Симметрия и асимметрия в композиции. Мимические изменения в портрете. Значение мимики для выражения эмоций. Рисунок двух лиц в диалоге с изображением противоположных эмоций. Приёмы рисования цветными карандашами

17. Перспектива интерьера. Вовлечение зрителя в пространство картины. Пространство и объем в рисунке. Зарисовки интерьера студии.

18. Метр и ритм в композиции. Рисунок вымышленного интерьера перспективе с использованием метра и ритма . Расположение многофигурной композиции в статике или динамике в интерьере. Шахматная доска в перспективе как опора для создания интерьера

19. Перспектива в пейзаже. Многоплановые композиции. Принципы расположения «фокуса» изображения. Управление движением глаз зрителя во многоплановых композициях. Рисунок пейзажа по фотографии

20. Анализ композиции. Создание абстрактного (смыслового) рисунка на основе выбранного изображения (копии). Объяснение смысла абстрактных композиций.

Поиск основных принципов композиции в получившимся изображении.

21. Плоскостной натюрморт. Объяснение разницы между плоским и объемным изображением. Расположение цветовых пятен как основа плоскостного натюрморта.

Рисунок постановки из бытовых предметов

22. Натюрморт в условно — декоративной манере. Принципы и смысл стилизации.

Рисунок постановки по копии в выбранном стиле.

23. Перспектива в городском пейзаже. Значение силуэта и фона. Инструменты художника для создания настроения в пейзаже. Рисунок городского пейзажа по фотографии или копии картины.

24. Создание иллюзий в рисунке и живописи. Отражение, взаимопроникнование цветов, иллюзия движения. Способы живописного изображения облаков. Морской пейзаж.

Натюрморт из геометрических предметов | Artstudi.ru Художественная студия

Следующим заданием курса рисования является натюрморт из геометрических фигур.

Ранее в статье рисование геометрических тел разбиралось построение отдельных предметов. Имея за плечами опыт этого урока, мы приступаем не просто к следующему заданию, а заданию нового уровня.
Для начала стоит разобраться с тем, что представляет собой данная постановка.

Описание натюрморта из геометрических фигур.

Для постановки выбираются 3-4 предмета с разными конструктивными характеристиками. Для примера, куб представляет собой каркас, где все грани и плоскости находятся под углом 90 градусов. Геометрическое тело – шар образуется путем вращения полукруга вокруг центральной оси с двумя полюсами, которые определяют диаметр шара. Пирамида — это каркасная конструкция, в основе которой многоугольная база, а остальные грани – треугольники с общей вершиной. Цилиндр — это также как и шар тело вращения, но по заданной траектории, ограниченное с двух сторон параллельными плоскостями. В постановке можно использовать цилиндр со скощенной плоскостью. Интересным объектом для изображения является гипсовая модель яйца, конструкция которого представляет тело вращения с разными диаметрами по всей оси.
Предметы в постановке должны иметь близкие по масштабу размеры и не должны слишком выделяться или, наоборот, пропадать.

Фигуры расставляются группой, но не в ряд или шеренгу, а полноценной пространственной композицией, чтобы от сочетания разных форм образовывался интересный силуэт и общий объем постановки. Большую роль играет правильное сочетание предметов, так, чтобы статичные, динамичные и тела вращения находились в сбалансированном единстве и подчеркивали форму друг друга.
К фигурам можно добавить драпировку с простыми положениями складок. Драпировка в данном случае нужна для тонового объединения фигур и своеобразного камертона к белому цвету гипса.

Важным моментом является освещение. Лучше всего для таких натюрмортов подходит рассеянный, ровный свет, без жесткого направленного потока. Сильное и контрастное освещение может сбивать с толку и отвлекать на второстепенные детали.

Ракурс для работы лучше всего выбирать фронтальный, и так, чтобы предметы не перекрывали полностью соседние.
В зависимости от присутствующих предметов выбирается горизонтальная или вертикальная ориентация листа, что может сильно повлиять на общую композицию работы.
Работа выполняется на листе форматом А2 карандашами НВ.

Задача натюрморта из геометрических фигур.

Разные в конструктивном плане предметы, собранные в одну группу, решают главную задачу этого урока – освоить изображение ключевых для рисунка форм в их прямом влиянии друг на друга. Ведь сам смысл натюрморта в том, чтобы показать не отдельные объекты, а общую композицию с единой тональной и пространственной моделировкой.

Перед учеником стоит задача не построить и заштриховать четыре геометрические фигуры, а изобразить взаимосвязанную группу предметов, объединенную общим положением на предметной плоскости и общей зависимостью от источника света.

Это отражается на самом первом этапе построения – поиске места на листе. Нужно найти и правильно расположить не только группу предметов, но и падающие тени, что бывает не так просто в начале обучения. Тень не является материальным объектом, а только лишь пространством, на которое не падает свет, однако ее надо также точно строить и также строго подчинять законам перспективы и тональной моделировки, как и реальные объекты. В этом заключается еще одна сложность – необходимо применять навыки перспективы ко всем предметам сцены, то есть на более сложном уровне работать с точками схода и линией горизонта.

Еще одной особенностью натюрморта является то, что из-за большого количества фигур и сложной светотени постоянно возникает желание срисовывать, а не строить, закрашивать светлые и темные пятна, а не моделировать объем. Мы советуем ученикам, после того как нарисованы конструкции и правильно пойманы пропорции, все меньше обращаться к натуре, применяя к предметам аналитические методы построения.

Эти проблемы взяты из реальной учебной практики, то, с чем сталкиваются ученики и педагоги в процессе обучения.

Напоследок хотим привести некоторые мысли и впечатления наших учеников от выполнения этого задания:

«Потратив больше времени и сил на этот натюрморт, я сэкономлю это на следующих заданиях.» Это совершенная правда, то, что вы научитесь делать в этом упражнении поможет легче справляется с последующими.
«В последующем обучении больше не встретятся эти предметы.» С одной стороны, это так, но с другой — данные формы будут встречаться постоянно только в более сложном виде.

Записаться на наши уроки рисунка можно по телефонам: 8 903 669-66-79 и 8 903 668-69-36.

Стадия рака

Стадия — это процесс определения степени рака в организме человека и его локализации. Так врач определяет стадию рака человека.

Зачем нужна стадия рака?

Для большинства видов рака врачи должны знать, сколько онкологических заболеваний и где он находится (среди прочего), чтобы помочь определить наилучшие варианты лечения. Например, лучшим лечением рака на ранней стадии может быть хирургическое вмешательство или лучевая терапия, в то время как рак на более поздней стадии может потребовать лечения, охватывающего все части тела, такого как химиотерапия, таргетная лекарственная терапия или иммунотерапия.

Конечно, стадия рака — не единственный фактор, определяющий, какое лечение может быть лучшим. Иногда рак с разными стадиями можно лечить одинаково, или рак с одной и той же стадией лечить по-разному. Многие факторы определяют лучшие варианты лечения для каждого человека.

Стадия рака также может использоваться для прогнозирования вероятного его протекания, а также того, насколько вероятно, что лечение будет успешным. Хотя ситуация у каждого человека разная, у раковых заболеваний одного типа и стадии, как правило, схожие взгляды.

Стадия рака — это также способ для врачей описать степень рака, когда они разговаривают друг с другом о раке человека.

Не все виды рака являются стадийными. Например, лейкозы представляют собой рак клеток крови и, следовательно, обычно распространились по всему телу к тому времени, когда они были обнаружены. Большинство типов лейкозов не имеют стадии развития рака, образующего опухоли.

Экзамены и тесты для определения стадии рака

Для определения стадии рака можно использовать различные типы экзаменов и тестов.

• В зависимости от того, где находится рак, медицинский осмотр может дать некоторое представление о том, насколько распространен рак.
• Визуальные тесты , такие как рентген, компьютерная томография, МРТ, ультразвук и ПЭТ-сканирование, также могут дать информацию о том, сколько и где находится рак в организме.
• Эндоскопия иногда используется для выявления рака. Для этих исследований эндоскоп, который представляет собой тонкую трубку с подсветкой (обычно с небольшой видеокамерой на конце), помещается внутрь тела для выявления рака.
• Биопсия часто требуется для подтверждения диагноза рака. Биопсия также может потребоваться, чтобы выяснить, действительно ли опухоль ощущается во время экзамена или что-то, наблюдаемое при визуализации в другой части тела, действительно связано с распространением рака. Во время биопсии врач удаляет опухоль или кусочки опухоли, чтобы исследовать их в лаборатории. Некоторые биопсии выполняются во время операции. Но биопсию также можно проводить с помощью тонкой полой иглы или через эндоскоп. Для получения дополнительной информации о биопсии см. Тестирование образцов биопсии и цитологии на рак.
• Лаборатория проверяет раковых клеток (в результате биопсии или хирургического вмешательства), а анализы крови также могут использоваться для определения стадии некоторых типов рака.

Рак может быть поставлен в разное время

Обычно стадию рака ставят при первом диагнозе до того, как будет назначено какое-либо лечение. Но в некоторых случаях его снова ставят после начала лечения.

Клиническая стадия

Клиническая стадия — это оценка степени рака, основанная на результатах медицинских осмотров, визуализационных исследований (рентген, компьютерная томография и т. Д.)), эндоскопические исследования и любые биопсии, сделанные до начала лечения. Для некоторых видов рака результаты других тестов, таких как анализы крови, также используются для определения клинической стадии.

Клиническая стадия часто является ключевой частью выбора наилучшего варианта лечения. Его также можно использовать при попытке составить представление о возможном мировоззрении (прогнозе) человека. Например, показатели выживаемости для большинства типов рака в основном зависят от стадии на момент постановки диагноза (см. Ниже).

Патологическая стадия

Если операция по удалению рака является первым лечением, врачи могут также определить патологическую стадию (также называемую хирургической стадией ).Патологическая стадия зависит от результатов обследований и тестов, проведенных до операции, а также от того, что узнали о раке во время операции.

Иногда патологическая стадия отличается от клинической (например, если операция показывает, что рак распространился больше, чем это было видно на визуализирующих исследованиях). Патологическая стадия дает более точную информацию, которая может быть использована для определения того, какие другие виды лечения могут потребоваться, а также для помощи в прогнозировании ответа на лечение и результатов (прогноза).

Стадия постнеоадъювантной терапии (или посттерапии)

Для некоторых видов рака сначала может быть проведено какое-либо лечение, кроме хирургического (например, химиотерапия, таргетная лекарственная терапия или лучевая терапия). Цель может состоять в том, чтобы попытаться уменьшить опухоль перед операцией (в этом случае лечение называется неоадъювантной терапией ), или это может быть сделано в качестве основного лечения, если неясно, будет ли хирургическое вмешательство возможным вариантом.

Определение стадии может быть выполнено после этого первого лечения, чтобы помочь измерить реакцию рака на лечение.Это можно сделать так же, как и клиническую стадию (если операция еще не проводилась), что может помочь определить, какой тип операции следует сделать. Или это может быть сделано после операции (так же, как и патологическая стадия), что может дать более точную информацию.

Стадия рецидива или повторного лечения

Определение стадии также может быть выполнено снова в какой-то момент, если рак возвращается (рецидивирует) или прогрессирует (растет или распространяется, никогда не исчезнув полностью). Эта информация может быть использована для принятия решения о дальнейшем лечении.

Изменяет ли повторная постановка рака исходную стадию?

Когда рак снова ставится на стадию после начальной стадии, это иногда называют повторной стадией . Часто те же тесты, которые проводились при первом диагнозе рака (например, медицинский осмотр, визуализационные исследования, эндоскопические исследования, биопсия и, возможно, хирургическое вмешательство), проводятся снова.

При любом типе перестановки новая классификация стадии добавляется к исходной стадии, но не заменяет ее .Стадия, назначаемая при постановке диагноза, по-прежнему является наиболее важной при обсуждении таких статистических данных, как показатели выживаемости (описанные ниже).

Что входит в этап: Система TNM

Существуют различные типы систем, используемых для определения стадии рака, но наиболее распространенной и полезной системой определения стадии для большинства типов рака является система TNM .

Американский объединенный комитет по онкологическим заболеваниям (AJCC) и Союз по международному контролю рака (UICC) поддерживают систему классификации TNM как способ, позволяющий врачам определять стадию многих различных типов рака на основе определенных общих стандартов.

В системе TNM общая стадия определяется после того, как раку присваивается буква или номер для описания категорий опухоли (T), узла (N) и метастазов (M).

• T описывает исходную (первичную) опухоль .
• N сообщает, распространился ли рак на близлежащие лимфатические узлы .
• M показывает, распространился ли рак ( метастазировал ) в отдаленные части тела

Первичная опухоль (категория Т)

Пытаясь определить, сколько и где находится рак в организме, врачи сначала смотрят на первичную (главную) опухоль , где и начался рак.Размер опухоли, ее расположение и то, выросла ли она в близлежащие области, могут иметь значение. Врачи также проверяют наличие других близлежащих опухолей.

Категория T может быть присвоена буква или цифра:

• TX означает, что информация о первичной опухоли отсутствует или ее невозможно измерить.
• T0 означает, что первичная опухоль отсутствует (не может быть обнаружена).
• Tis означает, что раковые клетки растут только в том слое клеток, где они возникли, а не в более глубокие слои.Это также может называться in situ раком или предраком .
• Число после T (например, T1, T2, T3 или T4 ) может описывать размер опухоли и / или степень распространения в соседние структуры. Чем выше число Т, тем больше опухоль и / или больше она прорастает в близлежащие ткани.

Лимфатические узлы (категория N)

Лимфатические узлы возле первичной опухоли обычно проверяются, чтобы узнать, распространился ли на них рак.Лимфатические узлы — это небольшие скопления иммунных клеток в форме бобов. Многие виды рака часто распространяются на близлежащие лимфатические узлы до того, как достигают других частей тела.

Категории N можно присвоить букву или число:

• NX означает, что информация о соседних лимфатических узлах отсутствует или их невозможно оценить.
• N0 означает, что близлежащие лимфатические узлы не содержат рака.
• Число после N (например, N1, N2 или N3 ) может описывать размер, расположение и / или количество близлежащих лимфатических узлов, пораженных раком.Чем выше число N, тем больше рак распространяется на близлежащие лимфатические узлы.

Метастазы (категория М)

Врачи могут также осмотреть другие части тела, чтобы увидеть, распространился ли рак. Рак, распространившийся на части тела, далекие от первичной опухоли, известен как метастаз .

Категории M присвоен номер:

• M0 означает, что отдаленное распространение рака не обнаружено.
• M1 означает, что рак распространился на отдаленные органы или ткани.

Каждый тип рака имеет свою собственную версию категорий TNM, поэтому буквы и цифры не означают одно и то же для каждого типа рака. Например, для некоторых типов рака категории T описывают размер основной опухоли, в то время как для других они описывают, насколько глубоко опухоль проникла в орган, в котором она возникла, или выросла ли опухоль в близлежащие структуры (независимо от его размер).

Для некоторых типов рака категории TNM могут также иметь подкатегории.Они отмечаются строчными буквами после категории. Например, T3a или T3b.

Некоторые типы рака также могут иметь меньше категорий, чем другие типы рака. Например, некоторые виды рака могут не иметь категории N3.

Другие обозначения, которые могут быть частью TNM

Каждая из категорий T, N и M может быть написана строчной буквой перед ней, показывая, является ли это клинической или патологической классификацией:

• Клиническая стадия отмечается буквой «c» (например, cT1)
• Патологическая стадия отмечена буквой «p» (например, pN2)

Для определения стадии, которое проводится после лечения или после рецидива / прогрессирования рака, перед категорией также может быть поставлена ​​другая строчная буква:

• Для рака, который повторно находится в стадии после неоадъювантной терапии (или другой терапии), перед категорией может использоваться буква «y» (например, ycT1 или ypT2).
• Для рака, который повторно находится в стадии после рецидива или прогрессирования рака, перед категорией может использоваться буква «r» (например, rcT1 или rpT2).

Другие факторы, которые могут повлиять на стадию рака

Для некоторых видов рака не только значения T, N и M определяют стадию.Некоторые другие факторы, которые могут быть приняты во внимание, включают:

Оценка: Для большинства видов рака оценка является мерой того, насколько ненормально раковые клетки выглядят под микроскопом. Это также называется дифференциация . Степень может быть важна, потому что рак с более аномально выглядящими клетками имеет тенденцию расти и распространяться быстрее.

Классу обычно присваивается номер с меньшими номерами (например, G1), используемыми для рака более низкой степени.

• В низкосортных (хорошо дифференцированных) раковых опухолях раковые клетки выглядят довольно нормально.Как правило, эти виды рака имеют тенденцию к медленному росту и часто имеют лучшую перспективу.
• В злокачественных опухолях высокой степени злокачественности (плохо дифференцированных) раковые клетки выглядят более аномальными. Рак высокой степени злокачественности часто имеет тенденцию к быстрому росту, поэтому может потребоваться иное лечение, чем при раке низкой степени злокачественности.

Даже если оценка не влияет на стадию рака, она все равно может повлиять на внешний вид человека и / или лечение.

Тип клетки: Рак в некоторых частях тела может начаться в разных типах клеток.Поскольку тип раковой клетки может влиять на лечение и внешний вид, он может быть фактором при постановке. Например, рак пищевода в основном представляет собой плоскоклеточный рак или аденокарциномы. Стадии плоскоклеточного рака пищевода отличаются от стадий аденокарциномы пищевода.

Расположение опухоли: Для некоторых видов рака расположение основной опухоли влияет на внешний вид и учитывается при определении стадии. Например, стадия рака пищевода зависит от того, начинается ли рак в верхней, средней или нижней трети пищевода.

Уровни t в крови и маркеры mor: При некоторых формах рака уровни в крови определенных веществ (называемых опухолевыми маркерами) могут влиять на стадию рака. Например, при раке простаты уровень простатоспецифического антигена (ПСА) в крови учитывается при назначении стадии.

Результаты тестов на раковых клетках: Для некоторых видов рака лабораторные тесты, проведенные на раковых клетках, являются важной частью определения стадии. Например, при раке груди на стадию может влиять наличие на раковых клетках белков, называемых рецепторами гормонов.

Возраст человека: Для некоторых типов рака, например рака щитовидной железы, возраст человека на момент постановки диагноза может повлиять на его мировоззрение, поэтому он учитывается при назначении стадии.

Назначение общего этапа (группировка этапов)

После определения значений T, N и M (и любых других факторов, влияющих на стадию), они объединяются, чтобы назначить общую стадию.

Для большинства видов рака стадия представляет собой римскую цифру от I (1) до IV (4).Рак I стадии менее развит и часто имеет лучший прогноз (прогноз). Рак на более высоких стадиях, как правило, распространился дальше (или имеет другие важные особенности), поэтому может потребоваться более интенсивное (или другие виды) лечения. Иногда стадии также подразделяются заглавными буквами (например, стадия III может быть разделена на стадии IIIA и IIIB).

Некоторые виды рака также имеют стадию 0, которую часто называют карциномой in situ . Это означает, что рак все еще находится только в том слое клеток, где он впервые появился, и дальше он не распространился.

Другие промежуточные системы

Не все злокачественные опухоли диагностируются с помощью системы TNM. Например:

• Стадийные системы, отличные от системы TNM, часто используются для Ходжкина и неходжкинских лимфом , а также для некоторых других видов рака.
• Международная федерация гинекологов и акушеров (FIGO) имеет систему стадирования рака женских репродуктивных органов . Этапы TNM очень похожи на этапы FIGO, что позволяет довольно легко преобразовывать этапы между этими двумя системами.
• Большинство раковых заболеваний в головном мозге или вокруг него не имеют формальной системы стадий, поскольку эти виды рака обычно не распространяются на лимфатические узлы или другие части тела.

Как стадия рака может повлиять на прогноз человека

Наряду с типом рака, которым болен человек, стадия рака является одним из наиболее важных факторов, когда врачи пытаются определить прогноз (перспективы) человека.

Стадии и выживаемость

Для многих типов рака прогноз часто выражается как выживаемость .Это процент людей с определенным типом и стадией рака, которые все еще живы определенное время (обычно 5 лет) после постановки диагноза. Например, если 5-летняя выживаемость для определенной стадии рака составляет 80%, это означает, что ожидается, что 80 из 100 человек с этим типом и стадией рака будут живы через 5 лет.

Показатели выживаемости не могут точно сказать, что произойдет с конкретным человеком, потому что многие другие факторы также могут повлиять на прогноз (см. Ниже).Но они могут дать врачам и пациентам общее представление о том, насколько вероятно, что лечение будет успешным.

Показатели выживаемости почти всегда зависят от стадии рака на момент постановки диагноза. Эти числа не применимы, если рак повторно диагностирован позже. Например, 5-летняя выживаемость рака, который изначально диагностирован как стадия II, а затем распространяется на другую часть тела, не обязательно такой же, как для рака, который первоначально диагностирован как рак стадии IV (потому что он при первом диагнозе уже распространилась на другую часть тела).

Это важно понимать, потому что информация на наших страницах, посвященная статистике выживаемости, относится к стадии, когда рак был впервые диагностирован.

Другие факторы также могут повлиять на прогноз

Также важно понимать, что, хотя стадия рака важна, многие другие факторы также могут повлиять на мировоззрение человека. В зависимости от типа рака другие важные прогностические факторы могут включать:

• Возраст и общее состояние здоровья
• Есть ли у раковых клеток изменения в определенных генах, хромосомах или белках?
• Как рак реагирует на лечение

Если у вас есть вопросы о показателях выживаемости и о том, как на них может повлиять стадия рака или другие факторы, обязательно поговорите со своей бригадой по лечению рака.

Стадия рака может быть сложной

Врачи всегда узнают больше о раке, о том, как он растет и распространяется, и как лучше его лечить. Со временем некоторые из этих результатов добавляются к системам определения стадий для различных типов рака, что помогает сделать их более точными и ценными как для врачей, так и для пациентов.

В то же время добавление этих новых результатов часто делает промежуточные системы более сложными, чем они были в прошлом, что может затруднить их понимание людьми.

Если вы не уверены в стадии рака или в том, что это может означать для вас, попросите врача объяснить вам это так, как вы понимаете.

Стадии рака простаты

Границы | Алгоритм автоматического перехода в режим сна на основе механизма внимания

1. Введение

Сон — важнейшая физиологическая активность человека. Плохой сон может поставить под угрозу иммунную систему человека и угрожать жизни и здоровью людей. Многочисленные исследования показали, что все больше и больше водителей сталкиваются с непоправимыми последствиями из-за усталости от вождения (Moul et al., 2002; РН2, 2005; Sateia et al., 2017). Люди с тяжелыми заболеваниями, связанными со сном, страдают фрагментацией сна и апноэ во сне. Когда они погружаются в более глубокую фазу сна, их дыхательные пути могут блокироваться и мешать нормальному дыханию. Это вмешательство заставляет тело вернуться в более легкую фазу сна, чтобы продолжать лучше дышать. Люди с апноэ во сне не проходят нормальные фазы цикла сна. Таким образом, анализ состояния сна может помочь понять условия сна, разработать стратегии профилактики нарушений сна и защитить здоровье сна.Чтобы получить состояние сна в течение ночи, необходимо классифицировать разные стадии сна. Другими словами, для более глубокого изучения заболеваний и расстройств, связанных со сном, необходимо повысить точность определения стадии сна. В настоящее время полисомнография (ПСГ) в основном используется в клинической практике для оценки сна. PSG должен записывать множество физиологических сигналов, таких как электроэнцефалограмма (ЭЭГ), электрокардиограмма (ЭКГ), электромиография (ЭМГ), электроокулограмма (ЭОГ), пульсоксиметрия и респираторные сигналы.Стадия сна обычно включает в себя ночное бодрствование (бодрствование), стадию быстрого движения глаз (REM) и стадию небыстрого движения глаз (NREM). В соответствии с новым стандартом (Iber et al., 2007; Danker-Hopfe et al., 2010) правилами Американской академии медицины сна (AASM) этап NREM можно разделить на этапы N1, N2 и N3. Старые стандартные правила Rechtschaffen и Kales (R&K) делят стадию N3 на S3 и S4 (Rechtschaffen, 1968).

В традиционных методах определения стадий сна стадии сна классифицируются на основе сигналов мониторинга, что требует много времени, трудоемко и подвержено субъективному влиянию экспертов по сну (Collop, 2008).Поэтому много усилий было вложено в разработку методов автоматического определения стадии сна. Алгоритмы промежуточного уровня можно условно разделить на две категории: традиционные алгоритмы на основе машинного обучения и алгоритмы на основе глубокого обучения, в которых используются искусственные нейронные сети.

Раньше автоматическое включение режима сна выполнялось путем извлечения функций с помощью алгоритмов на основе машинного обучения. Наиболее распространенные методы классификации на основе машинного обучения включают деревья решений, случайные леса (Fraiwan et al., 2012), и машины опорных векторов (Koley, Dey, 2012). Однако алгоритмы, сочетающие извлечение признаков и традиционное машинное обучение, обычно имеют определенные недостатки, такие как низкая точность, требования к крупномасштабным обучающим выборкам, низкая скорость распознавания в период N1 и игнорирование временной связи между тегами, поэтому их практическая возможность высокий.

С развитием искусственных нейронных сетей глубокое обучение постепенно стало популярным в области определения стадий сна.Глубокое обучение представляет собой новое направление исследований в области машинного обучения и объединяет низкоуровневые функции для формирования более абстрактных категорий атрибутов высокоуровневых представлений или функций для обнаружения распределенных представлений функций данных. В области определения стадии сна используются в основном сверточные нейронные сети (CNN), рекуррентные нейронные сети (RNN) и их варианты. Например, вариантами CNN являются остаточные сети и сверточные сети графов, а вариантами RNN являются закрытый рекуррентный блок (GRU) и долговременная память (LSTM).Комбинация CNN и RNN также часто использовалась в исследованиях постановки сна.

Однако применение глубокого обучения к существующим алгоритмам автоматического перехода в спящий режим имеет определенные ограничения, которые можно резюмировать следующим образом.

1) Сети глубокого обучения имеют слишком много уровней, потребляют много вычислительных ресурсов и времени и непрактичны.

2) Большинство алгоритмов используют RNN для извлечения информации о времени из сигнала, игнорируя взаимосвязи между состояниями сна.

3) Фаза N1 — это переходная фаза между фазой бодрствования и фазой N2, которая играет решающую роль в изучении процесса засыпания и регуляции сна. Однако из-за небольшого количества выборок на стадии N1, ее можно легко ошибочно принять за стадию пробуждения или стадию N2. Скорость распознавания стадии N1 существующих алгоритмов определения стадии сна ниже 0,5, и также существует проблема дисбаланса классов (Penzel et al., 2013; Rosenberg and Hout, 2014). Таким образом, повышение скорости распознавания фазы N1 было важным и сложным.

Для преодоления упомянутых ограничений в данном исследовании предлагается алгоритм автоматического определения стадии сна, основанный на механизме внимания по времени. Схема предлагаемого алгоритма показана на рисунке 1. Основными этапами являются выделение признаков, выделение временного внимания временных признаков, выделение непрерывности метки из CRF-модели и классификация.

Рисунок 1 . Архитектура модели автоматической классификации стадий сна, основанная на механизме временного внимания в сочетании с моделью CRF.ПСЖ делится на 30-е эпохи; исходные признаки получаются посредством извлечения признаков, а результаты прогнозирования получаются с помощью механизма временного внимания в сочетании с моделью CRF.

Основные результаты этого исследования заключаются в следующем.

1) Объединение механизма внимания времени с Bi-GRU в качестве модели может эффективно извлекать информацию о времени и сокращать вычислительные ресурсы и временные затраты.

2) CRF использовался для извлечения информации о признаках между тегами, чтобы изменить состояние стадии сна, полученное с помощью временной модели внимания.

3) Была принята стратегия баланса классов и веса между разными классами, что улучшило скорость распознавания N1.

4) Кроме того, сравниваются точности классификации различных каналов и различных комбинаций каналов. Результаты показывают, что предлагаемый метод позволяет достичь значительной точности без использования каналов ЭЭГ.

Остальная часть этого исследования организована следующим образом. В разделе Сопутствующие работы представлено подробное описание связанных работ.В разделе «Материалы и методы» описывается архитектура модели и экспериментальный процесс. Результаты, отражающие работу предложенной модели, представлены в разделе «Результаты». В разделе «Обсуждение» представлены обсуждение и будущая работа. Наконец, в разделе «Заключение» делаются выводы.

2. Сопутствующие работы

2.1. Стадия сна

Стадия сна относится к классификации сна на пять стадий сна, сформулированной AASM исследователями сна в качестве стандарта стадии.Пять стадий сна — это бодрствование, N1, N2, N3 и REM. ЭЭГ обычно описывают ее частотными составляющими. К медленным волнам относятся активности с частотой в диапазоне 0,5–2,0 Гц, где минимальная амплитуда положительных и отрицательных значений размаха, регистрируемых фронтальными отведениями, составляет 75 мВ, а также δ (0,5–4 Гц), θ (4–8 Гц), α (8–12 Гц) и β (12–35 Гц) волны (Kamran et al., 2019).

В Fraiwan et al. (2012) классификация стадий сна проводилась путем извлечения частотно-временных и энтропийных характеристик с использованием классификаторов случайного леса.В Liang et al. (2012) для определения стадии сна использовались многомасштабные энтропийные и авторегрессионные функции. В Zhu et al. (2014) были извлечены частотно-временные характеристики, а машины опорных векторов использовались для классификации стадий сна. В Hassan and Haque (2015) декомпозиция эмпирической модели использовалась для извлечения признаков, и эта модель была объединена с деревьями решений для классификации стадий сна. В Hassan and Bhuiyan (2016) классификация стадий сна была проведена с использованием вейвлет-преобразования с регулируемым коэффициентом добротности и классификатором случайного леса.

В последнее время глубокое обучение достигло многих значительных результатов в области определения стадии сна. В 2016 году Циналис и др. (2016) использовали двухслойную сверточную нейронную сеть для выполнения одноканальной автоматической постановки сна на ЭЭГ. Хотя этапы ручного извлечения признаков были упрощены, точность составила всего 71–76%. В 2017 году Supratak et al. (2017) объединили модель CNN с алгоритмом LSTM, чтобы ввести остаточное обучение для классификации последовательностей, которое могло бы узнать временную информацию ЭЭГ, и достигли точности 86–82%.Однако эта модель имеет разные возможности распознавания сигналов ЭЭГ из разных каналов, поэтому изменение канала ЭЭГ оказывает большое влияние на результаты. В Olesen et al. (2018) использовали крупномасштабный многоканальный набор данных и применили 50-слойную сверточную модель CNN для получения точности 84%, но предлагаемая модель CNN имела большое количество слоев и потребляла слишком много вычислительных ресурсов. Патанаик и др. (2018) использовали глубокие сверточные сети и многослойный персептрон для определения стадии сна и достигли точности до 89.8%, а также всесторонне проанализировали характеристики сна разных людей; однако эта многослойная нейронная сеть потребляет слишком много вычислительных ресурсов и времени.

2.2. Двунаправленный стробируемый рекуррентный блок

GRU — это тип рекуррентной нейронной сети. Как и LSTM, GRU изначально был предложен для решения проблем долговременной памяти и градиентов метода обратного распространения ошибки (Hochreiter and Schmidhuber, 1997). По сравнению с LSTM, ГРУ может достичь значительных результатов, а его процесс обучения проще, что может значительно повысить эффективность обучения и сэкономить вычислительные ресурсы и временные затраты (Cho et al., 2014; Chung et al., 2014).

2.3. Механизм внимания времени

Механизм временного внимания присваивает вес каждой временной точке во временном ряду, а информация данных временной точки с большей степенью относительной корреляции имеет более высокое весовое распределение. А именно, механизм внимания обеспечивает другой промежуточный вектор Ci с использованием сигмоидной функции. Промежуточный вектор Ci содержит влияние информации каждой временной точки временного ряда X на предсказание данных в разное время, что может сэкономить время обучения.Другими словами, механизм временного внимания будет присваивать более высокие веса эпохам с большей степенью относительной релевантности, что способствует различению долгосрочной непрерывной постановки, в то время как эпохам с более низкой степенью относительной релевантности будут присваиваться более низкие веса, что будет уменьшить колебания вверх и вниз во время процесса подготовки, а также может исключить неважную информацию, тем самым экономя время обучения.

2,4. Условное случайное поле

CRF представляет модель неориентированного графа, определенную скрытым марковским процессом, а X обозначает весь наблюдаемый вектор.CRF разделяет ассоциации на уровне вывода, чтобы модель могла изучить связь между тегами последовательностей, а также принимает путь как единицу с учетом вероятности пути. Если на входе n кадров и метка каждого кадра имеет k возможных вариантов, то теоретически существует k ⁿ различных выходов. На рисунке 2 каждая точка представляет возможность метки, связь между точками представляет связь между метками, а каждый результат разметки соответствует полному пути на графике.Правильный путь выбирается из k ⁿ путей, что представляет проблему классификации выбора одной категории из k ⁿ категорий.

Рисунок 2 . Процесс выбора пути CRF. Каждый столбец представляет собой временной узел. Существует пять периодов: период W, период N1, период N2, период N3 и период REM; сплошная черная линия обозначает окончательный выбранный путь, который включает периоды W, N1, N3 и N3.

CRF представляет собой модель машинного обучения. В эксперименте с автоматическим алгоритмом включения режима сна, основанным на механизме временного внимания, CRF действует как функция потерь, что хорошо для извлечения взаимосвязей между тегами. Между тегами существуют определенные отношения; например, период W может быть периодом N1 или периодом N2, но вряд ли он будет периодом N3. CRF может добавить взаимосвязь между этим типом тега последовательности в состоянии сна, а также исправить и преодолеть ограничения механизма временного внимания в сочетании с Bi-GRU.

3. Материалы и методы

3.1. Наборы данных

3.1.1. Набор данных Sleep-EDF

наборов данных Sleep-EDF, которые доступны в общедоступной базе данных PhysioNet (Kemp et al., 2000). Набор данных Sleep-EDF содержит записанные сигналы 8 здоровых мужчин и женщин в возрасте 21–36 лет, которые не принимали никаких лекарств. Набор данных состоит из двух групп субъектов: 4 записи кассеты сна (SC), собранные в 1989 г. в течение 24 часов повседневной жизни дома, и 4 записи телеметрии сна (ST), собранные в 1994 г. во время ночного сна в больнице от субъектов, которые легкие трудности с засыпанием.Записи содержат горизонтальную ЭОГ, FpzCz и PzOz ЭЭГ, каждая из которых дискретизирована с частотой 100 Гц. Записи sc * также содержат конверт субментальной ЭМГ, оро-назальный воздушный поток, ректальную температуру тела и маркер события, все дискретизированные с частотой 1 Гц. Записи st * содержат субментальную ЭМГ, отобранную с частотой 100 Гц, и маркер события, отобранную с частотой 1 Гц.

3.1.2. Самостоятельно собираемый набор данных

На основании клинических соображений и в соответствии с руководством AASM в этом исследовании было проведено 83 ночи полисомнографических экспериментов.Всего 21 испытуемый, и каждый из них проводит непрерывный эксперимент от 1 ночи до 5 ночей. Все испытуемые были здоровыми молодыми людьми в возрасте от 20 до 24 лет, а соотношение мужчин и женщин составляло 1: 0,384. Все испытуемые вызвались участвовать в этом эксперименте по сну. Перед экспериментом им требовалось вымыть голову и принять ванну, чтобы голова оставалась чистой. Время эксперимента было в основном с 23:00 того же дня до 07:30 следующего дня, а данные о сне составляли> 8 часов.У всех испытуемых было хорошее здоровье, отсутствие недавнего приема лекарств и отсутствие физических упражнений в течение 1 часа до начала эксперимента по сну.

В этом эксперименте со сном использовался полисомнографический монитор собственной разработки для точного сбора и хранения 3-канальной ЭЭГ, 2-канальной ЭОГ, 1-канальной ЭМГ и 1-канальной сигналов ЭКГ в эксперименте со сном. Частота дискретизации составляет 250 Гц, а коэффициент усиления системы равен 24. Кроме того, все электроды ЭЭГ, используемые для регистрации сигнала, используют позолоченные дисковые электроды и используются с гелевой проводящей пастой.Электроды ЭОГ, ЭМГ и ЭКГ используют патч-электроды. Весь процесс эксперимента по сну был завершен на собственной кровати в спальне испытуемого, и все положения размещения электродов были рекомендованы AASM. Чтобы упростить название электрода, мы объединили три канала ЭЭГ, а именно C4-A1, F4-A1 и O2-A1, упрощенные до C4, F4 и O2. Затем два канала EOG, а именно EOG-R и EOG-L, упрощаются в REOG и LEOG.

Мы проводим статистику на основе обозначений стадий сна, классифицированных врачами, и получаем количество образцов на каждой стадии.Количество выборок данных стадий Wake, N1, N2, N3 и REM составляло 22 726, 4296, 34 316, 14 910 и 18 372 соответственно. Размер выборки стадии N1 был наименьшим, а размер выборки стадии N2 был самым большим. Таким образом, возникла проблема классового дисбаланса. Всего было собрано 94 620 проб.

3.2. Предварительная обработка данных

Этапы обработки данных были следующими:

1) Конструкция частоты среза: используйте фильтр верхних частот и фильтр нижних частот, чтобы удалить шум каждого канала, ЭЭГ (0.3–35 Гц), ЭОГ (0,3–35 Гц), ЭМГ (10–100 Гц), ЭКГ (0,3–70 Гц).

2) Конструкция фильтра: выберите фильтр Баттерворта с бесконечной импульсной характеристикой IIR для фильтрации собранных данных, чтобы избежать сдвигов фазы, вызванных ЭЭГ, ЭОГ, ЭМГ и ЭКГ.

3) Согласно стандарту подготовки AASM отфильтрованные данные разделяются на неперекрывающиеся сегменты во временном ряду 30 с / эпоху. И попросите врачей-сонистов систематизировать данные о сне в соответствии с критериями различения сна и их собственным опытом, и их результаты будут использоваться в качестве ярлыков.

4) Обрезать данные каждую ночь до девяти с половиной часов; дополнять данные, которые длятся менее девяти с половиной часов, с предыдущим последовательным периодом пробуждения; обрезать данные за более чем девять с половиной часов, чтобы количество образцов за ночь было постоянным.

3.3. Извлечение функций

Извлечение признаков соответствует извлечению характерных паттернов сигналов ЭЭГ на разных стадиях сна, что является важным шагом в автоматической классификации различных стадий сна.Сигнал используется в качестве исходной последовательности, а частотные диапазоны δ (0,5–4 Гц), θ (4–8 Гц), α (8–13 Гц) и β (13–30 Гц) извлекаются из исходной последовательности. используя методы Уэлча и Ломба, чтобы получить восемь новых частотных диапазонов. Во-вторых, исходная последовательность рассматривается как разность первого порядка для получения новой последовательности, поэтому вместе с исходными последовательностями получается всего 10 последовательностей или частотный диапазон. Благодаря извлечению 14 характеристик временной области из этих 10 последовательностей данных или полосы частот, а также 12 нелинейных характеристик, каждый канал имеет 152 характеристики.Извлеченные признаки показаны в таблице 1.

Таблица 1 . Извлеченные особенности.

В исследованиях по выделению признаков сигналов ЭЭГ (Samet, 2015) были подробно обсуждены существующие особенности, включая особенности частотной области, особенности временной области и нелинейные особенности. Исходный сигнал ЭЭГ обычно предварительно обрабатывается полосовым фильтром для извлечения характеристик частотной области (Hell, 2010; Pan et al., 2012; Malaekah, 2016). Характеристики временной области в основном включают максимальное значение, минимальное значение, среднее значение, дисперсию, стандартное отклонение, квантиль 25%, квантиль 75%, квантиль 95%, асимметрию, эксцесс, медианное значение, нулевую скорость и параметр Hjorth (Hjorth, 1970). ).

3,4. Структура сети

Извлеченный вектор признаков (T, F) был введен в Bi-GRU для извлечения признаков временного ряда, а затем сигмовидная функция использовалась для присвоения высокого веса временному ряду с высокой корреляцией. Затем умножьте полученную выше весовую матрицу на исходный входной вектор признаков, и результат был введен в FC для получения входных данных CRF. Среди них T — количество эпох, а F — количество особенностей. В частности, для входных данных X = {x1,…, xN} ∈ℝN × d, где N — общее количество элементов, а d — длина x _i , 1 ≤ i ≤ № .Соответствующая формула была следующей:

Где X обозначает входной вектор признаков. Его блок-схема показана на рисунке 3.

Рисунок 3 . Механизм внимания времени. Вектор признаков, извлеченный из PSG, вводится в Bi-GRU; информация о непрерывности сигнала извлекается, и высокий вес назначается временному ряду с высокой корреляцией с использованием сигмоидной функции. Матрица внимания того же размера, что и вектор признаков, умножается на исходный вектор признаков, и умноженный вектор отправляется на линейный слой.

В Bi-GRU входным размером было общее количество функций, скрытый размер составлял половину количества функций, и был только один скрытый слой. Всего имеется 912 функций, и каждый канал имеет 152. Они расположены по порядку, а именно C4, EMG, LEOG, REOG, F4, O2. В этом порядке в качестве входных можно выбрать разные сигналы для сравнения характеристик разных каналов. Количество выходов слоя CRF было равно количеству классов; поскольку было пять этапов классификации, количество выходов было пять.Механизм временного внимания был обучен с помощью оптимизатора Adam с размером пакета 1140 примеров и скоростью обучения 0,0001. CRF использовался как функция потерь с уменьшением веса 0,01.

3,5. Оценочные индексы

Эффективность предложенной модели оценивалась по следующим метрикам оценки: точность (ACC), F1-оценка (F1), Коэн Каппа (k) и чувствительность в период N1 (SEN-N1). Учитывая истинные положительные ( TP _i ), ложные положительные ( FP _i ), истинные отрицательные ( TN _i ) и ложные отрицательные ( FN ) для i-го класса общая точность ACC и F1 определяются следующим образом.

, где Precision i = TPiTPi + FPi и Recall i = TPiTPi + FNi . M — общее количество выборок, а K — количество классов или стадий сна.

Мы также использовали точность для каждого класса (PR), отзыв для каждого класса (RE) и оценку F1 для каждого класса (F1) для оценки каждой нашей модели. Они рассчитываются как в бинарной классификации, рассматривая один класс как положительный класс, а другие четыре класса как отрицательный класс.

Коэффициент Каппа используется для проверки согласованности, а также может использоваться для измерения точности классификации. Результат вычисления — (–1, 1), но обычно каппа находится между (0, 1), которые можно разделить на пять групп, чтобы указать разные уровни согласованности: 0–0,2 означает очень низкую согласованность, 0,21–0,4 означает общую согласованность. , 0,41–0,6 указывает на среднюю консистенцию, 0,61-0,8 указывает на высокую консистенцию, 0,81–1 указывает на почти полную консистенцию, формула:

где Po — точность; предположим, что количество реальных выборок каждой категории равно ₁ , ₂ ,…, _m , а количество предсказанных выборок для каждой категории равно b ₁ , b ₂ ,…, b _m , общее количество отсчетов Если число равно n, то: pe = a1 × b1 + a2 × b2 +… + am × bmn × n .

4. Результаты

4.1. Производительность модели

Извлеченные функции использовались в качестве входных данных, а временная модель внимания была обучена с использованием извлеченных функций из данных о сне. Чтобы обучить модель с данными за всю ночь, была использована пятикратная перекрестная проверка, чтобы разделить обучающий набор и тестовый набор на 83 набора ночных данных, и отношение обучающего набора к набору тестов составило 4: 1. Пятикратная перекрестная проверка состоит в том, чтобы разделить данные на пять частей, каждый раз выполнять одну часть теста и использовать оставшуюся часть для обучения.Всего требуется пять раз. Все пять наборов тестов являются разными предметами, то есть перекрестная проверка не зависит от предмета. Например, возьмите тест данных о сне 17 из 83 ночей и используйте оставшийся предмет для тренировки. Таблицы 2, 3 показывают матрицу неточностей предложенной модели, примененную к набору данных Sleep-EDF и нашему собственному набору данных. Матрица неточностей рассчитывается путем сложения всех значений оценок данных тестирования через пять складок. В таблице также показаны точность, отзывчивость и оценка F1 каждого класса, а также общая точность и Каппа.

Таблица 2 . Матрица неточностей и эффективность классификации предложенной модели, примененной к набору данных Sleep-EDF.

Таблица 3 . Матрица неточностей и эффективность классификации предложенной модели применены к нашему собственному набору данных.

Как показано в таблице 2, после пятикратной перекрестной проверки набора данных Sleep-EDF значения точности, WF1 и Каппа составили 0,9218, 0,9177 и 0,8751 соответственно. Как показано в таблице 3, после пятикратной перекрестной проверки на нашем собственном наборе данных значения точности, WF1 и Kappa были равны 0.9006, 0,8991 и 0,8664 соответственно. Другими словами, Каппа была выше 0,8, таким образом, два суждения были почти идентичны.

Период бодрствования можно ошибочно принять за период N1, потому что с начала сна люди постепенно засыпали, в то время как период N1 находился между бодрствованием и глубоким сном, что было состоянием сна, но не сном. То есть характеристики периода N1 аналогичны характеристикам периода бодрствования. Кроме того, период N1 может быть ошибочно принят за период N2 или период бодрствования.Характеристики стадий N2 и N3 были очень очевидны, поэтому их уровень распознавания был выше 0,8. Стадия N2 может быть ошибочно принята за стадию N3, а стадия N3 может быть ошибочно принята за стадию N2, потому что фазы N2 и N3 имели схожую структуру и были непрерывными во времени. Период REM можно ошибочно принять за период бодрствования и период N2, потому что период REM — это переходное состояние от глубокого сна к пробуждению, и их сон имел определенное сходство, но характеристики самого REM были очевидны.

Сравнение между метками, полученными вручную экспертами по сну, и метками, предсказанными предлагаемым методом с использованием записей из данных за одну ночь, представлено на рисунке 4. Данные за одну ночь включали в общей сложности 1140 эпох и длились девять и одну ночь. полчаса, начиная с 23:04 вечера и заканчивая в 8:14 следующего утра. Диаграмма данных о сне, представленная на рисунке 5, показывает, что эффективное время сна субъекта составляло около 6 часов, и субъект вошел в период глубокого сна вскоре после засыпания.Однако во время сна было много раз бодрствования, но после пробуждения субъект немедленно снова входил в состояние сна. Как показано на рисунке 4, механизм временного внимания Bi-GRU в сочетании с моделью CRF хорошо работал на длинных временных рядах, но наблюдались колебания в различиях между периодами N2 и N3, а период N2 легко ошибочно принимался за период N3. ; Кроме того, период N3 был легко ошибочно принят за период N2. Причина заключалась в том, что способность модели обрабатывать непрерывные временные ряды была слишком сильной, поэтому в случае внезапных скачков, таких как переход от периода N2 к N3, реакция была не очень чувствительной, и было легко ошибочно оценить скачкообразные колебания. как устойчивая прямая с периодом N3.Для данных о ночном сне точность и оценка F1 предложенной модели составили 0,956 и 0,96 соответственно.

Рисунок 4 . Сравнение диаграмм данных сна за одну ночь, одна из которых была получена путем ручного определения стадий сна экспертом по сну, а другая была получена путем автоматической постановки сна с помощью предложенной модели, и они представлены красной и синей линиями, соответственно.

Рисунок 5 . Сравнение диаграмм данных сна за одну ночь, одна из которых была получена путем ручного определения стадий сна экспертом по сну, а другая была получена путем автоматической постановки сна с помощью предложенной модели, и они представлены красной и синей линиями, соответственно.

4,2. Решение проблемы дисбаланса периода N1

Классовый дисбаланс относится к ситуации, когда количество обучающих примеров разных категорий в задаче классификации сильно различается. На стадии сна из-за небольшого количества выборок в периоде N1 скорость распознавания периода N1 существующих методов ступенчатого переключения сна ниже 0,5, что вызывает проблему дисбаланса классов. Следовательно, не расширяя данные периода N1, необходимо ввести стратегию распределения классов для присвоения весов для решения проблемы низкой чувствительности модели к периоду N1.Стратегия баланса классов штрафует этапы с большим размером выборки путем корректировки весов, например, этап W, который дает этапу W более низкий вес и в то же время дает N1 более высокий вес.

Используя метод Hyperband, который рассматривает каждую конфигурацию гиперпараметров как руку, а затем выбирает оптимальную конфигурацию гиперпараметров, были выбраны оптимальные весовые параметры. Веса периодов пробуждения, N1, N2, N3 и REM были установлены на 1, 6, 1, 2 и 1 соответственно, а матрица неточностей и производительность классификации предложенной модели применялись к набору данных Sleep-EDF и нашему собственному набору данных. после увеличения веса состояния N1 показаны в Таблицах 4, 5.

Таблица 4 . Матрица неточностей и характеристики классификации предложенной модели, примененной к набору данных Sleep-EDF после увеличения веса состояния N1.

Таблица 5 . Матрица неточностей и характеристики классификации предложенной модели, примененные к нашему собственному набору данных после увеличения веса состояния N1.

Как показано в таблице 4, после пятикратной перекрестной проверки набора данных Sleep-EDF значения точности, WF1, Kappa и SEN-N1 были равны 0.8695, 0,8770, 0,7974 и 0,7425 соответственно. Как показано в таблице 5, после пятикратной перекрестной проверки на нашем собственном наборе данных значения точности WF1, Kappa и SEN-N1 составили 0,8446, 0,8583, 0,7950 и 0,7310 соответственно. Другими словами, даже когда вес периода N1 был увеличен, а веса других категорий были уменьшены, точность предложенной модели в распознавании пяти стадий сна могла достигнуть удовлетворительного уровня. SEN-N1 был выше 0,7, что намного превышает производительность текущих моделей стадирования сна.Таким образом, после изменения веса предложенная модель решила проблемы несбалансированности классов и низкой скорости распознавания.

Чтобы проверить, оказывает ли использование стратегии баланса классов значительное влияние на стадию сна, мы выполнили парный тест Wilcoxon Signed Ranks Test для набора данных Sleep-EDF и нашего собственного набора данных. Таким образом, статистический тест выполняется между результатами в таблицах 2, 4 и таблицах 3, 5. Предполагается, что нет существенной разницы в результатах ступенчатого распределения сна с использованием или без использования предложенной стратегии баланса классов.Однако мы получили p -значение 0,0036 <0,05 и 0,0024 <0,05 для набора данных Sleep-EDF и нашего собственного набора данных, соответственно, после применения парного критерия знаковых рангов Вилкоксона. Эти результаты отвергают гипотезу и указывают на то, что предложенная стратегия баланса классов оказывает значительное влияние на результаты.

Чтобы обеспечить справедливое сравнение с результатами невзвешенного эксперимента, данные о сне одного и того же человека в одну ночь были использованы для построения диаграммы структуры сна, которая представлена ​​на рисунке 5.Как показано на рисунке 5, после введения стратегии баланса классов колебания от N1 к N2 после 5:44 были более очевидными, чем на диаграмме структуры сна без стратегии баланса классов. Для данных о ночном сне точность и оценка F1 предложенной модели составили 0,926 и 0,93 соответственно.

4.3. Сравнение разных каналов

Каналы C4, EMG, LEOG, REOG, F4 и O2, а также следующая комбинация каналов LEOG + REOG, EMG + LEOG + REOG, C4 + F4, C4 + O2, F4 + O2, C4 + F4 + O2, C4 + EMG , C4 + LEOG + REOG и C4 + REOG + EMG были использованы для изучения влияния различных каналов на результаты определения стадии сна.

Результаты сравнения представлены в таблице 6, где видно, что среди трех каналов ЭЭГ C4 и F4 содержали больше всего информации о пятикратных задачах сна. Точность была выше 0,85, значение Каппа было выше 0,8, и производительность была хорошей. Чем больше каналов содержат больше информации о сне, тем лучше результаты стадирования сна, чем для одного канала. Результаты экспериментов показывают, что при наличии только портативной системы регистрации ЭЭГ одноканальная ЭЭГ также может получить лучший результат.Однако качество классификации канала O2 было немного хуже; точность составила 0,8269, а значение Каппа было ниже 0,8. Это могло быть связано с тем, что расположение электродов отличалось от размещения первых двух каналов. Канал O2 находился в задней части мозга и находился слишком далеко от глаза, поэтому информацию о движении глаз можно было легко упустить. Поэтому при отсутствии EOG лучше использовать C4 и F4, чем канал O2. Информация двух каналов EOG была очень похожа; точность была около 0.8, а значение Каппа было выше 0,7, но общее влияние данных REOG на стадию сна было лучше, чем у данных LEOG. Это доказывает, что данные EOG оказывают значительное влияние на стадию сна. Данные EOG содержат много информации, относящейся к этапам сна. Таким образом, когда неудобно собирать данные ЭЭГ, это также хороший выбор для сбора данных ЭОГ для определения стадии сна. Как показано в Таблице 6, когда канал ЭМГ использовался для определения стадии сна, результат был не очень хорошим; а именно, скорости распознавания стадий N1, N3 и REM были очень низкими, но скорости распознавания стадий Wake и N2 были хорошими, достигая значения выше 0.8. Эти результаты доказали, что данные канала ЭМГ содержат многие особенности стадий бодрствования и N2, но другие стадии трудно различить, поэтому использование только данных ЭМГ для определения стадии сна не рекомендуется, и эти данные следует объединять с данные других каналов.

Таблица 6 . Результаты экспериментов для разных каналов и комбинаций каналов.

Эксперимент с различными комбинациями каналов показал, что комбинация двух каналов EOG может достичь точности 0.832 в задаче промежуточного сна, а значение Каппа составило 0,77. По сравнению с одноканальным EOG, результат фазирования сна двухканального EOG был лучше, что доказывает, что информация двух каналов EOG может компенсировать друг друга. Кроме того, это доказывает, что использование данных ЭОГ для определения стадии сна — хороший выбор, когда собирать данные ЭЭГ неудобно. Результаты показали, что комбинация двух каналов ЭОГ и одного канала ЭМГ была лучшим выбором, когда не было данных ЭЭГ, доступных для определения стадии сна; точность, WF1 и Каппа были равны 0.852, 0,85 и 0,8 соответственно, что полностью сопоставимо с результатом одноканальных данных ЭЭГ. Следовательно, результаты могут соответствовать требованиям к производительности при постановке сна. Когда использовались два канала EOG, точность увеличивалась на 0,2, тем самым доказывая, что канал EMG содержит информацию, которую EOG не может различить. Когда комбинация каналов С4 и ЭМГ использовалась для определения стадии сна, точность, WF1 и Каппа составляла 0,877, 0,87 и 0,83 соответственно. По сравнению с одним каналом C4 точность улучшилась на 0.2, который доказывает, что данные канала ЭМГ полезны для результатов ступенчатого перехода ко сну. В эксперименте с многоканальной комбинацией комбинированный эффект C4 и двух EOG был вторым по эффективности эффектом, первым после комбинации всех каналов; точность, значения WF1 и Каппа составляли 0,891, 0,89 и 0,85 соответственно. Соответственно, когда цель состоит в том, чтобы уменьшить количество каналов при достижении хороших результатов, можно использовать комбинации каналов C4 + EMG, C4 + REOG + LEOG и C4 + REOG + EMG.В трех перестановках и комбинациях ЭЭГ результаты сна схожи, всего около 0,86. Докажите, что информация трех каналов ЭЭГ в основном перекрывается. Естественно, что эффект от шестиканальных данных был лучшим; степень точности составила 0,901, WF1 — 0,899, а Каппа — 0,866. Это произошло потому, что информация, содержащаяся в шести каналах, была более полной.

В таблице 7 показано статистическое тестирование значений p между различными каналами. Жирным шрифтом выделена часть p > 0.05, а значит, существенной разницы нет. Поскольку разница d в ​​данных парных выборок не подчиняется нормальному распределению, мы используем критерий знаковых рангов Вилкоксона для парных выборок для анализа данных. Этот метод можно использовать для статистического анализа данных с ненормальным распределением. В этой статье используется парный тест Wilcoxon Signed Ranks Test для выполнения статистического анализа различных каналов, чтобы увидеть, отличаются ли результаты различных комбинаций каналов статистически от результатов полных комбинаций каналов.Предполагая, что результаты различных комбинаций каналов существенно не отличаются от результатов полной комбинации каналов, тест парных знаковых рангов Вилкоксона выполняется с использованием комбинации C4 и двух каналов EOG и полной комбинации каналов, а также p -значение 0,0182 <0,05. Нулевая гипотеза отклоняется, то есть C4 и два. Объединенный результат канала EOG значительно отличается от результата полной комбинации каналов. Тест парных знаковых рангов Вилкоксона выполнялся последовательно с использованием различных комбинаций каналов и полных комбинаций каналов, и все значения p были меньше 0.05, доказывая, что результаты различных комбинаций каналов значительно отличаются от результатов полных комбинаций каналов. Часть, выделенная жирным шрифтом в таблице 7, представляет собой часть с p > 0,05, то есть канал без существенной разницы. Из Таблицы 7 видно, что между C4 и F4 нет существенной разницы и их можно заменять друг на друга. И два канала содержат избыточность информации. И результаты стадирования C4 и F4 существенно не отличаются от LEOG + REOG + EMG.O2 можно заменить на LEOG + REOG. Два канала EOG также могут быть заменены друг на друга, поскольку они существенно не отличаются. Нет существенной разницы между C4 + LEOG + REOG и другими комбинированными каналами C4, то же самое верно для C4 + REOG + EMG. Однако O2 значительно отличается от C4 и F4. Докажите, что O2 может содержать информацию, которой нет в C4 или F4.

Таблица 7 . P -значение статистической проверки различных каналов.

4.4. Сравнение различных моделей

В таблице 8 сравниваются характеристики предлагаемого нами метода классификации стадий сна с использованием набора данных Sleep-EDF с последними современными работами с точки зрения общей точности и каппа Коэна. Наивысшая точность, SEN-N1 и каппа Коэна выделены жирным шрифтом, что показывает эффективность предлагаемого нами метода.

Таблица 8 . Сравнение производительности предложенного алгоритма с современными исследованиями в 5-классной фазе сна на наборе данных sleep-EDF.

Результаты показывают, что оценочные показатели (включая ACC и Kappa), полученные с помощью предложенной модели, не уступают современным результатам, а предлагаемый метод значительно улучшает SEN-N1. Среди них точность модели временного внимания, Каппа и SEN-N1 может достигать 0,9218, 0,8751 и 0,4177 соответственно. Используя стратегию баланса класса в сочетании с точностью модели времени внимания, Каппа и SEN-N1 могут достигать 0,8695, 0,7974 и 0,7425 соответственно.

Наш собственный набор данных был использован для сравнения предложенного метода с другими методами, и результаты показаны в Таблице 9.Часть, выделенная жирным шрифтом, — лучший результат этой колонки. Для сравнения использовались новейшие предложенные методы. В Dong et al. (2018), модель, используемая автором, — это обычная MLP + LSTM, с использованием одноканальной ЭЭГ в качестве входа, и была получена точность 85%. Последний метод, предложенный в 2020 году, представлен в Sun et al. (2020). Общая модель CNN + LSTM использовалась для получения точности 86%, что было очень репрезентативным. Как показано в Таблице 9, точность предложенного метода составила 0,8934, значение Каппа — 0.86, и на каждом этапе была получена хорошая чувствительность. Также предложенный метод показал лучшие результаты, чем другие методы. После добавления стратегии дисбаланса классов показатель точности также может конкурировать с методами, предложенными в Dong et al. (2018) и Sun et al. (2020), и скорость распознавания N1 была значительно улучшена.

Таблица 9 . Сравнение результатов различных методов с использованием нашего собственного набора данных.

Кроме того, в таблицах 8, 9 мы выполнили статистические тесты для всех алгоритмов сравнения и предложенного нами алгоритма, и все значения p были меньше 0.05, что доказало, что наш алгоритм существенно отличается от алгоритма сравнения.

5. Обсуждение

В этом исследовании предлагается алгоритм автоматического определения стадии сна, основанный на механизме временного внимания в сочетании с Bi-GRU. Характеристики, включая факторы времени и спектра, извлекаются из физиологических сигналов канала PSG и затем нормализуются. Механизм временного внимания в сочетании с двусторонним GRU используется для сокращения вычислительных ресурсов и временных затрат, а CRF используется для получения взаимосвязей между тегами.

Следует отметить, что состояние сна является непрерывным во времени, но большинство результатов автоматического перехода в режим сна подвержены ступенчатым колебаниям. Например, на непрерывной и стабильной стадии N3 промежуточный результат может быть ошибочно принят за стадию REM, что приведет к значительным изменениям в диаграмме структуры сна. Предыдущие исследования в основном использовали модели машинного обучения. Например, (Hsu, 2013; Yu-Liang et al., 2013; Zhu et al., 2014; Hassan and Haque, 2015; Hassan and Bhuiyan, 2016; Sharma et al., 2017; Йилдирим и др., 2019; Zhou et al., 2020) анализирует характеристики только одного состояния сна и прерывает обучение между эпохами, прерывая непрерывность между тегами. Донг и др. (2018) использует MLP для извлечения функций, LSTM для извлечения информации временных рядов, а (Sun et al., 2020) использует CNN в сочетании с LSTM для извлечения функций и информации временных рядов. Однако LSTM может извлекать только временную контекстную информацию короткой последовательности и не может ничего делать с длинной последовательностью, особенно информацию временной последовательности о состоянии сна всю ночь.Предложенная модель сравнивалась с 19-слойной 1D-CNN моделью Yildirim et al. (2019), показатель точности которого выше 0,9, и который подходит для людей, которые засыпают нормально и с трудом засыпают. Однако CNN, использованная в Yildirim et al. (2019) может извлекать меньше информации о времени, имеет большое количество слоев и сильных скачков и игнорирует непрерывность во времени. Напротив, временное внимание, представленное в этом исследовании, присваивает более высокие веса эпохам с относительно большей степенью релевантности, что способствует различению долгосрочной непрерывной постановки, в то время как эпохам с относительно меньшей степенью релевантности присваиваются низкие веса, которые может уменьшить колебания стадий сна, особенно колебания шагов, а также может устранить неважную информацию, тем самым экономя время обучения.CRF может извлекать связи между тегами, потому что механизм временного внимания присваивает веса только в соответствии со степенью ассоциации данных PSG, игнорируя отношения между тегами, поэтому CRF может преодолеть недостатки механизма временного внимания.

Предложенный метод подтвержден экспериментами, которые были разделены на три части. В первой части использовался механизм временного внимания в сочетании с моделью CRF. После пятикратной перекрестной проверки набора данных Sleep-EDF значения точности, WF1 и Kappa были равны 0.9218, 0,9177 и 0,8751 соответственно. После пятикратной перекрестной проверки на нашем собственном наборе данных значения точности, WF1 и Каппа составили 0,9006, 0,8991 и 0,8664 соответственно. Другими словами, точность предложенной модели в распознавании пяти стадий сна была выше 0,9, а дисперсия составила всего 0,68. Результаты лучше, чем в предыдущих исследованиях определения стадии сна.

Что касается исследования механизма внимания, Фан (Phan et al., 2019) объединил механизм внимания с CNN и LSTM, что в определенной степени снизило затраты времени и достигло точности 0.87. Однако структура сети была сложной, а скорость распознавания периода N1 была низкой. В Qu et al. (2020) использовали CNN для извлечения признаков и объединили механизм внимания и остаточную нейронную сеть для определения стадии сна; они получили точность более 0,84 и решили проблему большого количества уровней методов, основанных на глубоком обучении. Однако степень точности была низкой, структура сети была сложной, а результаты промежуточной обработки значительно колебались. Напротив, модель, предложенная в этом исследовании, имеет простую структуру и может эффективно решать проблему сильной нестабильности результатов определения стадии сна.Экспериментальные результаты показывают, что производительность предложенной модели значительно лучше, чем у последнего метода (Qu et al., 2020), обеспечивая небольшую дисперсию и высокую стабильность.

Во второй части экспериментов была введена стратегия баланса классов для решения проблемы низкой чувствительности в периоде N1. А именно, поскольку фаза N1 является переходной фазой между фазой бодрствования и фазой N2, она играет очень важную роль в изучении процесса засыпания и регуляции сна.Однако из-за относительно небольшого количества выборок данных этапа N1, этот этап можно легко ошибочно принять за этап Wake или N2, а скорость распознавания этапа N1 текущих методов этапов сна ниже 0,5, что приводит к проблема классового дисбаланса. В предыдущих исследованиях не рассматривалась проблема классового дисбаланса в состоянии сна, которая привела к низкой скорости распознавания стадии N1, например Yu-Liang et al. (2013). Соответственно, повышение скорости распознавания фазы N1 всегда было важной и сложной задачей.Например, хотя в большинстве связанных исследований, включая Sors (Sors et al., 2018) и Stephansen (Stephansen et al., 2018), уровень точности составил 87%, уровень распознавания N1 был слишком низким, а Наивысшая точность каскада N1 составила всего 0,58. Таким образом, чтобы решить проблему низкой чувствительности в периоде N1 без расширения данных периода N1, в этом исследовании вводится стратегия распределения весов по классам. После введения стратегии баланса классов скорость распознавания фазы N1 может достигать значения более 0.7, а уровень точности может быть выше 0,86, что может конкурировать с существующими методами и значительно улучшить скорость распознавания фазы N1.

В третьей части экспериментов различные каналы и комбинации каналов, включая C4, EMG, LEOG, REOG, F4, O2, LEOG + REOG, EMG + LEOG + REOG, C4 + F4, C4 + O2, F4 + O2, C4 + F4 + O2, C4 + EMG, C4 + LEOG + REOG и C4 + REOG + EMG были использованы для изучения их влияния на результаты определения стадии сна. Результаты показали, что среди трех каналов ЭЭГ канал C4 показал лучшие результаты при распознавании пяти стадий сна, достигнув уровня точности более 0.85. Точность двух каналов EOG составила около 0,8. Результаты экспериментов с различными комбинациями каналов показали, что комбинация двух каналов ЭОГ дает лучшие результаты в определении стадии сна, чем один канал ЭОГ. Без использования данных ЭЭГ точность комбинации двух каналов ЭОГ и одного канала ЭМГ могла достигнуть значения 0,852, что было полностью сопоставимо с результатами для одного канала ЭЭГ, и результаты также могли соответствовать требованиям стадирования сна. .Комбинация каналов C4 и EMG позволила достичь точности определения стадии сна 0,877. Точность комбинации C4 и двух каналов EOG составила 0,891. Таким образом, если основной целью является уменьшение количества каналов при достижении хороших результатов стадирования сна, можно использовать комбинацию каналов C4 + EMG, C4 + REOG + EMG или C4 + LEOG + REOG.

Однако, по сравнению с предыдущими исследованиями, недостатки и ограничения предложенного алгоритма заключаются в двух моментах. Во-первых, в эксперименте используются 6-канальные данные в полисомнографии, которая имеет большой объем данных и работает не так быстро, как одноканальная стадия сна.Во-вторых, существует слишком много экспериментальных функций, на их извлечение уходит слишком много времени, а также отсутствует проверка и сравнение функций. Таким образом, в данной статье анализируется влияние различных каналов на промежуточные результаты только с точки зрения сравнения каналов. В будущем мы можем внести следующие улучшения, чтобы сделать его более эффективным. Прежде всего, мы можем уменьшить количество каналов и гарантировать, что результаты не будут ухудшаться. Во-вторых, мы можем фильтровать извлеченные функции по выбору функций и сравнивать важность функций.Наконец, мы можем разработать лучшую модель стадии сна без использования данных ЭЭГ.

6. Заключение

В этом исследовании предлагается метод автоматического определения стадии сна, основанный на механизме временного внимания. Механизм временного внимания в сочетании с двусторонним GRU использовался для сокращения вычислительных ресурсов и временных затрат, а CRF использовался для получения взаимосвязей между тегами. Предлагаемый метод подтвержден экспериментами, которые можно разделить на три части. В первой части механизм временного внимания был объединен с моделью CRF.После пятикратной перекрестной проверки набора данных Sleep-EDF значения точности, WF1 и Kappa составили 0,9218, 0,9177 и 0,8751 соответственно. После пятикратной перекрестной проверки на нашем собственном наборе данных значения точности, WF1 и Каппа составили 0,9006, 0,8991 и 0,8664 соответственно, что лучше, чем результат последнего алгоритма; Предлагаемый способ также обладает высокой устойчивостью. Во второй части без расширения данных периода N1 вводится стратегия присвоения весов баланса классов для решения проблемы низкой чувствительности в периоде N1.После внедрения стратегии баланса классов скорость распознавания фазы N1 увеличивается до более чем 70%, а уровень точности повышается до более чем 0,86, что может конкурировать с результатами текущих связанных методов, а также значительно улучшать скорость распознавания фазы N1. В третьей части сравниваются разные каналы и комбинации каналов. Результаты показывают, что когда основной целью является использование только одного канала для включения режима сна, следует использовать канал C4; и когда цель состоит в том, чтобы уменьшить количество каналов и одновременно получить хороший результат постановки, следует использовать комбинацию каналов C4 + EMG, C4 + REOG + EMG или C4 + REOG + LEOG.Кроме того, когда данные ЭЭГ не могут быть использованы, данные ЭОГ и ЭМГ, если они используются, также могут способствовать повышению производительности модели для отличного определения стадии сна.

Заявление о доступности данных

Необработанные данные, подтверждающие выводы этой статьи, будут предоставлены авторами без излишних оговорок.

Заявление об этике

Исследования с участием людей были рассмотрены и одобрены Национальной ключевой лабораторией инженерии человеческого фактора. Письменное информированное согласие на участие не требовалось для этого исследования в соответствии с национальным законодательством и институциональными требованиями.Письменное информированное согласие было получено от человека (лиц) на публикацию любых потенциально идентифицируемых изображений или данных, включенных в эту статью.

Авторские взносы

L-XF и XL: концептуализация и написание — просмотр и редактирование. L-XF: методология, расследование, обработка данных и написание — подготовка первоначального черновика. L-XF, H-YW и W-YZ: проверка. XL: формальный анализ и ресурсы. Y-QZ: визуализация. M-QW: наблюдение. H-YW: администрация проекта. D-RG: привлечение финансирования.Все авторы прочитали и одобрили окончательный вариант рукописи.

Финансирование

Это исследование финансировалось Национальной ключевой лабораторией инженерии человеческого фактора (грант № SYFD061902K).

Конфликт интересов

Авторы заявляют, что исследование проводилось при отсутствии каких-либо коммерческих или финансовых отношений, которые могут быть истолкованы как потенциальный конфликт интересов.

Примечание издателя

Все утверждения, выраженные в этой статье, принадлежат исключительно авторам и не обязательно отражают претензии их дочерних организаций или издателей, редакторов и рецензентов.Любой продукт, который может быть оценен в этой статье, или заявление, которое может быть сделано его производителем, не подлежат гарантии или одобрению со стороны издателя.

Благодарности

Мы хотели бы поблагодарить Chengdu University of Information Technology и University of Electronic Science and Technology of China за их поддержку.

Список литературы

Чо, К., ван Мерриенбоер, Б., Богданау, Д., и Бенжио, Ю. (2014). О свойствах нейронного машинного перевода: подходы кодировщик-декодер. Comput. Sci . 9, 103–111.

Google Scholar

Чанг, Дж., Гульчере, К., Чо, К. Х. и Бенжио, Ю. (2014). Эмпирическая оценка стробированных рекуррентных нейронных сетей при моделировании последовательностей [онлайн] . Доступно в Интернете по адресу: http://arxiv.org/abs/1412.3555

Danker-Hopfe, H., Anderer, P., Zeitlhofer, J., Boeck, M., Dorn, H., Gruber, G., et al. (2010). Надежность между экспертами для оценки сна в соответствии с rechtschaffen & kales и новым стандартом aasm. J. Sleep. Res . 18, 74–84. DOI: 10.1111 / j.1365-2869.2008.00700.x

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Донг, Х., Супратак, А., Пан, В., Ву, К., Мэтьюз, П. М., и Го, Ю. (2018). Смешанный нейросетевой подход для классификации временных стадий сна. IEEE Trans. Neural Syst. Rehabil. Eng . 26, 324–333. DOI: 10.1109 / TNSRE.2017.2733220

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Фрайван, Л., Луэзи, К., Хасауна, Н., Венц, Х., и Дикхаус, Х. (2012). Автоматизированная система идентификации стадий сна на основе частотно-временного анализа отдельного канала ЭЭГ и классификатора случайного леса. Comput. Методы Программы Биомед . 108, 10–19. DOI: 10.1016 / j.cmpb.2011.11.005

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Хассан А. Р. и Бхуйян М. И. Х. (2016). Система поддержки принятия решений для автоматического определения стадии сна по сигналам ЭЭГ с использованием настраиваемого вейвлет-преобразования добротности и спектральных характеристик. J. Neuroence Methods 271, 107–118. DOI: 10.1016 / j.jneumeth.2016.07.012

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Хассан А. Р. и Хак М. А. (2015). Компьютерное обнаружение желудочно-кишечного кровотечения в видео с беспроводной капсульной эндоскопией. Comput. Методы Программы Биомед . 122, 341–353. DOI: 10.1016 / j.cmpb.2015.09.005

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Сюй, В. К. Я. (2013).Автоматический рекуррентный нейронный классификатор стадий сна с использованием энергетических характеристик сигналов ЭЭГ. Neurocomputing 104, 105–114. DOI: 10.1016 / j.neucom.2012.11.003

CrossRef Полный текст | Google Scholar

Ибер, К., Анколи-Исраэль, С., Чессон, А. Л., и Куан, С. (2007). Руководство Aasm по подсчету сна и связанных с ним событий: правила, терминология и технические спецификации . Вестчестер, Иллинойс: Американская академия медицины сна.

Google Scholar

Камран, М.А., Маннан М. М. и Чон М. Ю. (2019). Причины и обнаружение сонливости, утомляемости и плохого сна: всестороннее исследование. Доступ IEEE 7, 167172–167186. DOI: 10.1109 / ACCESS.2019.2951028

CrossRef Полный текст | Google Scholar

Кемп Б., Звиндерман А. Х., Тук Б., Кампхуйзен Х. А. С. и Оберье Дж. Дж. Л. (2000). Анализ петли обратной связи нейронов, зависящей от сна: медленноволновая микропрерывность ЭЭГ. IEEE-BME 47, 1185–1194. DOI: 10.1109 / 10,867928

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Колей Б. и Дей Д. (2012). Система ансамбля для автоматической классификации стадий сна с использованием одноканального сигнала eeg. Comput. Биол. Мед . 42, 1186–1195. DOI: 10.1016 / j.compbiomed.2012.09.012

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Лян, С. Ф., Куо, К. Э., Ху, Ю. Х., Пан, Ю. Х., и Ван, Ю. Х. (2012). Автоматический этапный скоринг одноканальной ээг сна с использованием многомасштабных энтропийных и авторегрессионных моделей. IEEE Trans. Instrum. Meas . 61, 1649–1657. DOI: 10.1109 / TIM.2012.2187242

CrossRef Полный текст | Google Scholar

Малаека, Э. (2016). Автоматическое определение стадий сна и классификация нарушений сна . RMIT University.

Google Scholar

Моул, Д. Э., Нофзингер, Э. А., Пилконис, П. А., Хоук, П. Р., Мевальд, Дж. М., и Байсс, Д. Дж. (2002). Сообщения о симптомах тяжелой хронической бессонницы. Сон 25, 553–563.DOI: 10,1093 / сон / 25.5.548

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Олесен, А.Н., Дженнум, П., Пеппард, П., Миньо, Э., и Соренсен, Х. Б. Д. (2018). Глубокие остаточные сети для автоматической классификации необработанных полисомнографических сигналов по стадиям сна. Annu. Int. Конф. IEEE Eng. Med. Биол. Soc . 2018, 1–4. DOI: 10.1109 / EMBC.2018.8513080

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Pan, S.-T., Kuo, C.-E., Zeng, J.-H., и Liang, S.-F. (2012). Дискретная скрытая марковская модель с ограничениями на переходы для автоматической постановки сна. Biomed. Англ. Онлайн 11, 52. doi: 10.1186 / 1475-925X-11-52

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Патанаик, А., Онг, Дж. Л., Гули, Дж., Анколи-Исраэль, С., и Чи, М. (2018). Сквозная структура для автоматической классификации стадий сна в реальном времени. Сон . 41, 5. doi: 10.1093 / sleep / zsy041

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Пензель, Т., Чжан, X., и Fietze, I. (2013). Достоверность результатов между центрами сна может научить нас, что нужно улучшить в правилах подсчета очков. J. Clin. Сон Мед . 9, 89–91. DOI: 10.5664 / jcsm.2352

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Фан, Х., Андреотти, Ф., Курей, Н., Чен, О. Ю., и Вос, М. Д. (2019). Seqsleepnet: сквозная иерархическая рекуррентная нейронная сеть для последовательного автоматического перехода в спящий режим. IEEE Trans. Neural Syst.Rehabil. Eng . 27, 400–410. DOI: 10.1109 / TNSRE.2019.2896659

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Qu, W., Wang, Z., Hong, H., Chi, Z., Feng, D. D., Grunstein, R., et al. (2020). Модель остаточного внимания для определения стадии сна на основе ЭЭГ. IEEE J. Biomed. Здоровье Инф . 24, 2833–2843. DOI: 10.1109 / JBHI.2020.2978004

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Rechtschaffen, A. (1968). «Руководство по стандартизированной терминологии, методам и системе оценки стадий сна у людей», в NIH Neurological Information Network (Вашингтон, округ Колумбия), 644.

PubMed Аннотация | Google Scholar

РН2 (2005 г.). Заявление на конференции национальных институтов здравоохранения о состоянии науки. J. Pharmacother. Паллиативная помощь при боли . 19, 75–83. DOI: 10.1300 / J354v19n03_15

CrossRef Полный текст | Google Scholar

Розенберг, Р. С., и Хаут, С. В. (2014). Программа межсчетной надежности американской академии медицины сна: респираторные события. J. Clin. Сон Мед . 10, 447–454. DOI: 10,5664 / jcsm.3630

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Самет, М., Лайнеф, Т., и Агера, П.-Е. (2015). Обучающие машины и спящий мозг: автоматическая классификация стадий сна с использованием мультиклассовых опорных машин на основе дерева решений. J. Neuroence Methods 250, 94–105. DOI: 10.1016 / j.jneumeth.2015.01.022

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Сатея, М. Дж., Байсс, Д. Дж., Кристал, А. Д., Нойбауэр, Д. Н., и Хилд, Дж. Л. (2017). Руководство по клинической практике фармакологического лечения хронической бессонницы у взрослых: руководство по клинической практике американской академии медицины сна. J. Clin. Сон Мед . 13, 307. doi: 10.5664 / jcsm.6470

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Шарма Р., Пачори Р. Б. и Упадхьяй А. (2017). Автоматическая классификация стадий сна на основе итеративной фильтрации сигналов электроэнцефалограммы. Neural Comput.Заявление . 28, 2959–2978. DOI: 10.1007 / s00521-017-2919-6

CrossRef Полный текст | Google Scholar

Сорс А., Бонне С., Мирек С., Веркуэй Л. и Пайен Ж.-Ф. (2018). Сверточная нейронная сеть для оценки стадий сна из необработанного одноканального eeg. Biomed. Сигнальный процесс управления . 42, 107–114. DOI: 10.1016 / j.bspc.2017.12.001

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Стефансен, Дж. Б., Олесен, А. Н., Олсен, М., Амбати, А., Лири, Э. Б., Мур, Х. Э. и др. (2018). Нейросетевой анализ стадий сна позволяет эффективно диагностировать нарколепсию. Nat. Коммуна . 9: 5229. DOI: 10.1038 / s41467-018-07229-3

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Сан, К., Чен, К., Ли, В., Фан, Дж., И Чен, В. (2020). Иерархическая нейронная сеть для классификации стадий сна на основе комплексного изучения функций и многопоточного последовательного обучения. IEEE J. Biomed.Здоровье Инф . 24, 1351–1366. DOI: 10.1109 / JBHI.2019.2937558

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Супратак А., Донг Х., Ву К. и Го Ю. (2017). Deepsleepnet: модель автоматической оценки стадий сна на основе необработанной одноканальной ЭЭГ. IEEE Trans. Neural Syst. Rehabil. Eng . 25, 1998–2008. DOI: 10.1109 / TNSRE.2017.2721116

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Йылдырым, О., Улас Баран, А., и Раджендра Ачарья, У. (2019). Модель глубокого обучения для автоматической классификации стадий сна с использованием сигналов psg. Внутр. J. Environ. Res. Общественное здравоохранение 16: 599. DOI: 10.3390 / ijerph26040599

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Yu-Liang, H., Yang, Y.-T., Wang, J.-S., and Hsuc, C.-Y. (2013). Автоматический рекуррентный нейронный классификатор стадий сна с использованием энергетических характеристик сигналов ЭЭГ. Neurocomputing 104, 105–114.

Google Scholar

Чжоу, Дж., Wang, G., Liu, J., Wu, D., Xu, W., Wang, Z., et al. (2020). Автоматическая классификация стадий сна с одноканальным сигналом ЭЭГ на основе двухуровневой модели с накоплением ансамбля. IEEE Access 8, 57283–57297. DOI: 10.1109 / ACCESS.2020.2982434

CrossRef Полный текст | Google Scholar

Чжу Г., Ли Ю. и Вэнь П. (2014). Анализ и классификация стадий сна на основе графиков разницы видимости по одноканальному сигналу ЭЭГ. IEEE J. Biomed. Здоровье Инф .18, 1813–1821. DOI: 10.1109 / JBHI.2014.2303991

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Рак простаты: стадии и степени

НА ЭТОЙ СТРАНИЦЕ: Вы узнаете, как врачи описывают рост или распространение рака, а также как раковые клетки выглядят под микроскопом. Это называется этапом и степенью. Используйте меню для просмотра других страниц.

Стадия — это способ описания того, где находится рак, если или где он распространился, а также влияет ли он на другие части тела.

Врачи используют диагностические тесты, чтобы определить стадию рака, поэтому определение стадии может быть неполным, пока не будут завершены все тесты. Для определения стадии рака простаты также необходимо изучить результаты анализов, чтобы выяснить, распространился ли рак с простаты на другие части тела. Знание стадии помогает врачу решить, какой вид лечения лучше всего, и может помочь предсказать прогноз пациента, который является шансом на выздоровление. Существуют разные описания стадий для разных типов рака.

Существует 2 типа стадий рака простаты:

• Клиническая стадия. Это основано на результатах DRE, тестирования PSA и шкале Глисона (см. «Шкалу Глисона для классификации рака простаты» ниже). Эти результаты тестов помогут определить, нужны ли также рентген, сканирование костей, компьютерная томография или МРТ. Если требуется сканирование, они могут добавить дополнительную информацию, чтобы помочь врачу определить клиническую стадию.

• Патологическая стадия. Это основано на информации, полученной во время операции, а также на результатах лабораторных исследований ткани простаты, удаленной во время операции, также называемой патологией. Операция часто включает удаление всей простаты и некоторых лимфатических узлов. Осмотр удаленных лимфатических узлов может предоставить больше информации для определения патологической стадии.

Промежуточная система TNM

Одним из инструментов, который врачи используют для описания стадии, является система TNM. Эта система разработана Американским объединенным комитетом по раку.(Обратите внимание, что эта ссылка ведет на другой веб-сайт.) Врачи используют результаты диагностических тестов и сканирований, чтобы ответить на следующие вопросы:

• Опухоль (T): Насколько велика первичная опухоль? Где он расположен?

• Узел (N): Распространяется ли опухоль на лимфатические узлы? Если да, то где и сколько?

• Метастазы (M): Распространился ли рак на другие части тела? Если да, то где и сколько?

Результаты объединяются, чтобы определить стадию рака для каждого человека.Есть 5 стадий: стадия 0 (нулевая) и стадии с I по IV (с 1 по 4). Этап представляет собой общий способ описания рака, поэтому врачи могут работать вместе, чтобы спланировать наилучшее лечение.

Оценка Глисона для классификации рака простаты

Раку простаты также присваивается оценка, называемая шкалой Глисона. Эта оценка основана на том, насколько опухоль выглядит как здоровая ткань при рассмотрении под микроскопом. Менее агрессивные опухоли обычно больше похожи на здоровые ткани. Более агрессивные опухоли могут разрастаться и распространяться на другие части тела.Они меньше похожи на здоровые ткани.

Система оценки Глисона является наиболее распространенной используемой системой оценки рака простаты. Патолог смотрит, как раковые клетки расположены в простате, и выставляет оценку по шкале от 3 до 5 из 2 разных мест. Раковые клетки, похожие на здоровые, получают низкую оценку. Раковые клетки, которые менее похожи на здоровые или выглядят более агрессивно, получают более высокий балл. Чтобы присвоить номера, патолог определяет основную схему роста клеток, то есть область, где рак наиболее очевиден, а затем ищет другую область роста.Затем врач присваивает каждой области оценку от 3 до 5. Баллы складываются, чтобы получить общую оценку от 6 до 10.

Баллы Глисона 5 или ниже не используются. Самый низкий балл по шкале Глисона — 6, что означает рак низкой степени злокачественности. Оценка по Глисону 7 — это рак средней степени, а оценка 8, 9 или 10 — рак высокой степени. Рак более низкой степени злокачественности растет медленнее и имеет меньшую вероятность распространения, чем рак высокой степени злокачественности.

Врачи смотрят не только на стадию, но и на оценку Глисона, чтобы спланировать лечение.Например, активное наблюдение (см. Типы лечения) может быть вариантом для человека с небольшой опухолью, низким уровнем ПСА и 6 баллом по Глисону. Людям с более высоким баллом по Глисону может потребоваться более интенсивное лечение, даже если рак небольшой или не распространился.

• Глисон X: Оценка Глисона не может быть определена.

• Глисон 6 или ниже: Клетки похожи на здоровые клетки, которые называются хорошо дифференцированными.

• Gleason 7: Клетки несколько похожи на здоровые клетки, которые называются умеренно дифференцированными.

• Gleason 8, 9 или 10: Клетки сильно отличаются от здоровых клеток, которые называются слабодифференцированными или недифференцированными.

Группа стадий рака

Врачи определяют стадию рака, комбинируя классификации T, N и M. Постановка также включает уровень ПСА (см. Скрининг) и группу оценок.

Стадия I: Рак на этой ранней стадии обычно медленно растет. Опухоль не прощупывается и затрагивает половину одной стороны простаты или даже меньше. Уровни ПСА низкие. Раковые клетки выглядят как здоровые.

Стадия II: Опухоль обнаруживается только в простате. Уровни ПСА средний или низкий. Рак предстательной железы II стадии невелик, но может иметь повышенный риск роста и распространения.

• Стадия IIA: Опухоль не прощупывается и затрагивает половину одной стороны простаты или даже меньше.Уровни ПСА средние, а раковые клетки хорошо дифференцированы. Эта стадия также включает более крупные опухоли, обнаруживаемые только в простате, если раковые клетки все еще хорошо дифференцированы.

• Стадия IIB: Опухоль обнаруживается только внутри простаты и может быть достаточно большой, чтобы ее можно было прощупать во время DRE. Уровень ПСА средний. Раковые клетки умеренно дифференцированы.

• Стадия IIC: Опухоль обнаруживается только внутри простаты и может быть достаточно большой, чтобы ее можно было прощупать во время DRE.Уровень ПСА средний. Раковые клетки могут быть умеренно или слабо дифференцированными.

Стадия III: Уровни ПСА высокие, опухоль растет или рак высокой степени. Все это указывает на местно-распространенный рак, который может расти и распространяться.

• Стадия IIIA: Рак распространился за пределы внешнего слоя простаты в близлежащие ткани. Возможно, он распространился на семенные пузырьки. Уровень ПСА высокий.

• Стадия IIIB: Опухоль выросла за пределы предстательной железы и, возможно, проникла в близлежащие структуры, такие как мочевой пузырь или прямая кишка.

• Стадия IIIC: Раковые клетки опухоли плохо дифференцированы, что означает, что они сильно отличаются от здоровых клеток.

Стадия IV: Рак распространился за пределы простаты.

• Стадия IVA: Рак распространился на регионарные лимфатические узлы.

• Стадия IVB: Рак распространился на удаленные лимфатические узлы, другие части тела или кости.

Рецидив: Рецидив рака простаты — это рак, который вернулся после лечения. Он может снова вернуться в область простаты или в другие части тела. Если рак все же вернется, будет проведен еще один раунд тестов, чтобы узнать о степени рецидива. Эти тесты и сканирование часто аналогичны тем, которые проводились во время первоначального диагноза.

Используется с разрешения Американского колледжа хирургов, Чикаго, Иллинойс. Первоначальным и основным источником этой информации является руководство AJCC по стадированию рака, восьмое издание (2017 г.), , опубликованное Springer International Publishing.

Группы риска рака простаты

Помимо стадии, врачи могут использовать другие прогностические факторы, чтобы помочь спланировать наилучшее лечение и предсказать, насколько успешным будет лечение. Примеры включают категории групп риска Национальной комплексной сети рака (NCCN) и шкалу риска оценки риска рака простаты (CAPRA) Калифорнийского университета в Сан-Франциско.

Информация о стадии рака и других прогностических факторах поможет врачу порекомендовать конкретный план лечения. Следующий раздел в этом руководстве — Типы лечения . Используйте меню, чтобы выбрать другой раздел для чтения в этом руководстве.

Stages — Сеть действий по борьбе с раком поджелудочной железы

На этой странице

Что такое стадия рака?

Стадия — это процесс, который врачи используют для описания размера рака и его распространения.Знание правильной стадии помогает врачу определить прогноз и лучший план лечения. После постановки диагноза рака поджелудочной железы врачу могут потребоваться дополнительные визуализационные исследования и хирургическое вмешательство, чтобы правильно определить стадию.

Есть два способа описать стадии рака поджелудочной железы:

1. По номеру стадии, который описывает размер и локализацию рака
2. По категории хирургической резекции, которая определяется как возможность удаления опухоли хирургическим путем

Почему важна постановка?

Стадия заболевания помогает врачам определиться с выбором лечения.

Сеть действий по борьбе с раком поджелудочной железы настоятельно рекомендует вам обсудить цели вашего лечения с вашим лечащим врачом и знать все возможные варианты на каждой стадии вашего заболевания.

Как врачи диагностируют рак?

Постановка основана на:

• Размер и расположение первичной опухоли
• Распространился ли рак на близлежащие лимфатические узлы и кровеносные сосуды
• Распространился ли рак на другие отдаленные части тела

Доктора используют несколько возможных тестов для определения стадии:

• Эндоскопическое ультразвуковое исследование (ЭУЗИ), самый известный метод обнаружения небольших образований на поджелудочной железе
• Компьютерная томография, которая помогает врачам определить, распространился ли рак на близлежащие органы
• Другие тесты, такие как МРТ, ПЭТ и ЭРХПГ, также могут использоваться, но встречаются реже

Даже новейшие визуализационные тесты могут не дать врачу точной информации.Иногда хирургия дает врачам лучшее представление о правильной стадии.

Узнайте больше об инструментах, используемых для диагностики и постановки.

Какие стадии рака поджелудочной железы?

I этап

Опухоль только в поджелудочной железе. Опухоли стадии IA составляют два сантиметра (см) или меньше, а опухоли стадии IB больше двух сантиметров.

Опухоли I стадии обычно операбельны или могут быть удалены хирургическим путем.

Узнайте о лечении на этапе I.

II этап

Эта стадия считается местно-распространенной, что означает, что она распространилась за пределы поджелудочной железы, на близлежащие кровеносные сосуды, близлежащие лимфатические узлы или их сочетание, но не распространилась на другой орган.На стадии IIA опухоль распространяется за пределы поджелудочной железы, но не распространяется на близлежащие крупные артерии или лимфатические узлы. На стадии IIB опухоль может распространяться за пределы поджелудочной железы и распространилась на близлежащие лимфатические узлы, но не на крупные близлежащие артерии.

Опухоли стадии II обычно можно удалить хирургическим путем (операбельно) или погранично-операбельно. Пограничные резектабельные опухоли можно удалить хирургическим путем, особенно если для уменьшения рака используются методы лечения.

Узнайте о лечении на стадии II.

III этап

Опухоль распространилась на крупные близлежащие артерии и, возможно, распространилась на близлежащие лимфатические узлы. Эта стадия считается местно-распространенной, что означает, что она распространилась за пределы поджелудочной железы, на соседние кровеносные сосуды, близлежащие лимфатические узлы или их сочетание, но не распространилась на другой орган. Опухоли III стадии обычно неоперабельны, то есть их нельзя удалить хирургическим путем.

Узнайте о лечении стадии III.

IV этап

Стадия IV означает, что рак метастазировал или распространился в другую часть тела.Он часто распространяется на печень, брюшную стенку, легкие, удаленные лимфатические узлы или их комбинацию. Опухоли могут быть любого размера. Рак на этой стадии еще называют метастатическим. Рак не может быть удален хирургическим путем (неоперабельный).

Узнайте больше о стадии IV, включая варианты лечения.

Повторение

Рак может рецидивировать или вернуться после лечения. Он может вернуться в поджелудочную железу или в другое место в организме, например, в печень.Рецидив рака часто лечится аналогично метастатическому раку поджелудочной железы.

Какие категории относятся к хирургическому удалению опухолей?

Съемный

Опухоли этой категории можно удалить хирургическим путем. Опухоль находится только в поджелудочной железе или выходит за ее пределы, но не затрагивает близлежащие крупные артерии или вены.

Пограничный съемный

Врачи используют эту категорию, если они не уверены в диагнозе, можно ли удалить опухоль хирургическим путем.Опухоль могла распространиться на близлежащие крупные артерии или вены, но не распространилась на отдаленные органы.

Хотя 20% пациентов с раком поджелудочной железы могут иметь право на операцию, данные показывают, что почти половине этих пациентов говорят, что они не подходят. Сеть действий по борьбе с раком поджелудочной железы настоятельно рекомендует вам обратиться к хирургу, который выполняет большое количество операций на поджелудочной железе (более 15 в год), чтобы определить соответствие критериям.

Неоперабельное

В этой категории описываются опухоли, которые нельзя удалить хирургическим путем.Опухоль либо распространилась на отдаленные органы, либо не может быть полностью удалена хирургическим путем.

Мы здесь, чтобы помочь

Свяжитесь со службой поддержки пациентов PanCAN, чтобы получить бесплатную подробную информацию о раке поджелудочной железы, включая информацию о диагнозе и лечении, а также список специалистов в вашем районе.

Сеть действий по борьбе с раком поджелудочной железы благодарит Кэтлин Вагнер и поддержку Фонда Хэмилла и Фонда Пикелнера по исследованию рака поджелудочной железы в Онкологическом центре им. Доктора медицины Андерсона за иллюстрации на этой странице.

Информация проверена Научным и медицинским консультативным советом PanCAN, который является экспертами в данной области из таких учреждений, как Университет Пенсильвании, Мемориальный онкологический центр Слоуна-Кеттеринга, Медицинский центр Вирджинии Мейсон и других.

Информация, предоставленная Pancreatic Cancer Action Network, Inc. («PanCAN»), не заменяет медицинские консультации, диагностику, лечение или другие медицинские услуги. PanCAN может предоставлять вам информацию о врачах, продуктах, услугах, клинических испытаниях или лечении, связанном с раком поджелудочной железы, но PanCAN не рекомендует и не поддерживает какие-либо конкретные ресурсы здравоохранения.Кроме того, обратите внимание, что любая личная информация, которую вы предоставляете персоналу PanCAN во время телефонной и / или электронной переписки, может храниться и использоваться, чтобы помочь PanCAN выполнить свою миссию по оказанию помощи пациентам и поиску способов лечения и лечения рака поджелудочной железы. Сохраненная составная информация может использоваться для информирования программ и мероприятий PanCAN. Информация также может быть предоставлена ​​в совокупном или ограниченном формате третьим сторонам для руководства будущими исследованиями и образовательными мероприятиями по раку поджелудочной железы.PanCAN не будет предоставлять личную идентифицирующую информацию (например, ваше имя или контактную информацию) таким третьим лицам без вашего предварительного письменного согласия, если это не требуется или не разрешено законом. Для получения дополнительной информации о том, как мы можем использовать вашу информацию, вы можете найти нашу политику конфиденциальности на нашем веб-сайте https://www.pancan.org/privacy/.

TNM Staging System — обзор

Другая информация, не включенная в Staging

Хотя промежуточная система TNM делает разумную работу по стратификации риска рецидива и, следовательно, преимуществ терапии, есть дополнительная информация, которая входит в решение: процесс изготовления, особенно в отношении адъювантной системной терапии (см. главу 16).По мере того, как наши знания в области генетики рака груди и генетический анализ образцов рака груди становятся коммерчески доступными, система определения стадии TNM становится менее актуальной. В течение многих лет факторы помимо TNM рассматривались как методы стратификации риска.

Микрометастазы костного мозга могут быть обнаружены с помощью моноклональных антител против цитокератинов, специфически обнаруживаемых на эпителиальных клетках. Обнаружение микрометастазов в костном мозге пациентов с раком молочной железы может помочь предсказать прогноз и выбрать адъювантную терапию.Приблизительно 2 мл костного мозга отбирают из каждого передне-верхнего подвздошного гребня и затем исследуют с помощью иммуноцитохимического метода антицитокератин-моноклональных антител, ПЦР или проточной цитометрии. Относительно простая процедура может быть выполнена во время хирургической резекции с внутривенной седацией и местной анестезией. Многочисленные исследования показали, что микрометастазы костного мозга не только коррелируют с размером и степенью первичной опухоли, но также с отдаленным рецидивом и выживаемостью и могут стратифицировать пациентов с аналогичной стадией TNM.Что еще более важно, микрометастазы костного мозга могут присутствовать у пациентов с отрицательными узлами SLN, что позволяет идентифицировать подгруппу пациентов с нераспознанными микрометастазами. Риск может быть дополнительно стратифицирован по количеству клеток рака груди в костном мозге.

Текущие проспективные исследования позволят дополнительно количественно оценить риск, связанный с наличием микрометастазов в костном мозге, но в настоящее время нет данных об исходах у пациентов с отрицательными микрометастазами костного мозга, которые избегают химиотерапии.Таким образом, хотя обнаружение микрометастазов костного мозга может служить аргументом в пользу добавления системной терапии у пациента, который в остальном не был сильным кандидатом (небольшая первичная опухоль с отрицательными узлами), отсутствие микрометастазов костного мозга не может использоваться для отказа от химиотерапии. в остальном разумный кандидат. Также неясно, сколько микрометастазов в костном мозге прибавилось в эпоху Oncotype DX и генетического анализа первичной опухоли (см. Главу 16). На данный момент аспирацию костного мозга следует выполнять только в рамках исследовательского исследования.

Маркеры пролиферации опухолевых клеток также были исследованы на предмет их прогностической и прогностической ценности. Фракция S-фазы , плоидность ДНК и повышенный индекс мечения тимидина (TLI) являются признаками повышенной пролиферации и коррелируют с размером, классом и стадией опухоли. Положительное окрашивание ИГХ на Ki-67 (ядерный антиген, специфичный для клеточного цикла, присутствующий только в пролиферирующих клетках) также коррелировал с повышенной степенью и стадией и худшим исходом.Однако ни один из этих тестов не оказал влияния на лечение пациента с раком груди, и их регулярное использование не рекомендуется.

Радиологическое стадирование рака груди: каких бессимптомных пациентов визуализировать и как

Мы оценили местную практику радиологического стадирования женщин с новым диагнозом рака груди без симптомов метастазов за 9-летний период. В целом, вероятность обнаружения метастазов у ​​таких бессимптомных пациентов низкая, скрытые метастазы не обнаружены ни у одного пациента с болезнью 0 или I стадии.Более того, только у двух пациентов со стадией II-i были возможные признаки скрытых метастазов. Фактически, у пациентов с стадией от 0 до II-i такой скрининг, вероятно, приведет к большей степени ложноположительных результатов: 40 (из 2199 пациентов). Урожайность повышается у пациентов с более высокой стадией заболевания: 40 из 413 пациентов со стадией II-ii, III или IV имели истинно-положительные результаты ( против , 46 ложноположительных). Эти результаты показывают пользу протокола раннего рака молочной железы со стратификацией по риску, но подчеркивают важность того, чтобы критерии включения были четкими и менее открытыми для интерпретации.Таким образом, большинство скрытых метастазов может быть обнаружено с минимальным количеством ложных срабатываний, случайных находок и ненужного радиационного облучения.

В ретроспективе местные руководящие принципы для нашей проверки были неконкретными и открытыми для интерпретации. Хотя включение пациентов с заболеванием Т4 или какими-либо признаками злокачественной лимфаденопатии совершенно очевидно, включение «пациентов с более местнораспространенным заболеванием» открыто для интерпретации. Фактически, как национальные, так и международные руководства по базовой визуализации рака груди, как правило, либо открыты для интерпретации, либо не достигают консенсуса.Руководства NICE от 2002 г. рекомендуют пациентам с опухолями Т4 (стадия III +) проводить исследования стадий, в их обновлении 2009 г. дополнительно признается, что в настоящее время недостаточно доказательств, подтверждающих выбор одного метода визуализации вместо другого (NICE, 2002, 2009). Шотландская межвузовская сеть рекомендаций также заявляет, что только стадия III + может потребовать постановки (SIGN, 2005). В рекомендациях Национальной комплексной онкологической сети указано, что исследования стадий не требуются ни для бессимптомной стадии I, ни у многих других пациентов с раком груди на ранней стадии, и должны рассматриваться только у пациентов с симптомами или заболеваниями T3, N1, M0 (стадия IIIa) ( NCCN, 2009).Напротив, Британская ассоциация хирургической онкологии заявляет, что не следует назначать бессимптомных пациентов, кроме предоперационной рентгенографии (BASO, 2005).

Эти различные рекомендации по визуализации стадий скрытых метастазов у ​​женщин с впервые диагностированным раком груди отражают нехватку доказательств по этому вопросу при ранней стадии заболевания без симптомов, указывающих на метастазы. На международном уровне наиболее надежными руководящими принципами являются рекомендации, предложенные Инициативой по практическим рекомендациям по лечению рака Онтарио (CCOPGI) (Myers et al, 2006).Эти руководящие принципы также одобрены Национальным информационным центром руководящих принципов — инициативой Агентства медицинских исследований и качества, которое связано с Американской медицинской ассоциацией и Американскими планами медицинского страхования. Рекомендации основаны на литературном поиске рецензируемых статей по базовому исследованию бессимптомных пациентов с раком молочной железы до 2003 года. Они рекомендуют не проводить исследования для пациентов со стадией 0 и I, BS для болезни стадии II и CXR, US и BS для опухоли III стадии.

Решив, каких пациентов обследовать, важно решить, какие методы или методы являются наиболее подходящими для радиологического определения стадии. Тенденция, которую мы наблюдаем на местном уровне, заключается в отходе от более традиционных методов исследования с помощью рентгенографии, УЗИ и БС к использованию КТ грудной клетки, брюшной полости и таза. Конечно, вариант КТ материально проще для пациента — он требует одного визита в отделение, а изображения могут быть получены за считанные секунды. Если пациенты должны пройти рентгенографию, УЗИ и BS, это часто будет включать отдельные посещения (часто в отдельные дни) в разных частях больницы и, в случае сканирования костей, возвращение через 4 часа после первоначальной инъекции изотопа для завершения. изучение.Действительно, исследование предпочтений пациентов, сравнивающих КТ с БС, показало, что 75% пациентов предпочли свой опыт КТ, по сравнению с только 5% в БС (20% не предпочли) (Groves et al, 2006). Нет сомнений в том, что КТ грудной клетки более чувствительна и специфична для диагностики метастазов в легких, чем рентгенография, тем не менее, она обеспечивает повышенную лучевую нагрузку. Общая КТ, вероятно, имеет более высокую чувствительность, чем УЗИ для обнаружения поражения печени. Тем не менее, УЗИ сохранит свою роль в нацеливании на биопсию неопределенных поражений или оценке поражений, которые слишком малы, чтобы их можно было охарактеризовать с помощью КТ.

Возможно, более спорным является использование CT вместо BS. Достижения компьютерной томографии позволяют улучшить обнаружение метастазов в кости, и есть свидетельства того, что это эквивалентно BS, при этом некоторые авторы приходят к выводу, что последний может быть опущен (Groves et al, 2006; Bristow et al, 2008). Сцинтиграфия костей охватывает весь скелет (включая длинные кости, шею и череп), однако из 52 истинно положительных результатов сканирования костей в нашем исследовании у всех имелся по крайней мере один метастаз в поле, которое могло бы быть покрыто КТ грудной клетки / брюшной полости / таза. .Кроме того, обнаружение метастазов в кости на бессимптомной стадии не продлевает выживаемость (Sato et al, 2003). Еще одна проблема — повышенная доза облучения КТ. Эффективная доза КТ грудной клетки, брюшной полости и таза составляет 9,9 мЗв (Shrimpton et al, 2006) по сравнению с сканированием костей (введено 740 МБк) при 4,2 мЗв (ICRP, 1988) и рентгенографии при 0,02 мЗв (HPA , 2005). Долгосрочные эффекты радиационного облучения вызывают беспокойство; однако это, вероятно, будет менее актуально для пациентов с раком груди на более высоких стадиях.

Из 411 сканирований костей 298 были отрицательными, 52 — истинно положительными и 61 — ложноположительными. Эти результаты аналогичны выводам Puglisi et al (2005), где у 412 пациентов с раком молочной железы всех стадий было зарегистрировано 26 истинно-положительных и 25 ложноположительных результатов. В нашем исследовании частота ложноположительных результатов сканирования костей (13,7%) намного выше, чем при КТ (3,8%). Повышенная специфичность КТ может уменьшить количество последующих обследований, что может частично компенсировать повышенную дозу облучения, ограничить психологическое бремя ложноположительных результатов и уменьшить необходимость в дальнейшем инвазивном тестировании.Мета-анализ результатов сканирования костей у бессимптомных пациентов с раком молочной железы, проведенный группой CCOPGI, выявил различия в исследованиях, проведенных до 1980 г., с высокой частотой выявления, и в исследованиях, проведенных после, с низкой частотой обнаружения метастазов (Myers et al, 2006). . Различия можно объяснить разными порогами для сообщения о положительных результатах. В современной практике любой сомнительный результат сканирования кости приведет к дальнейшей визуализации и, возможно, биопсии для подтверждения злокачественности; таким образом, в более ранних исследованиях возможно, что некоторые положительные результаты на самом деле были ложноположительными.Также ожидается, что появление программ скрининга изменит демографические характеристики групп, в которых проводится стадия, с более высокой долей пациентов с более ранней стадией заболевания. Подобные факторы могут помочь объяснить относительно небольшую частоту метастазов, наблюдаемую в нашей популяции пациентов с низкой стадией заболевания: 0% пациентов на стадиях 0 и I и только 0,3% пациентов на стадии II оказались истинно положительными.

Это исследование не было разработано для прямого сравнения точности тестов, однако очевидные преимущества компьютерной томографии в отношении повышенной чувствительности и удобства пациента, а также местная тенденция к этой форме визуализации побудили нас рекомендовать ее в качестве исходного уровня. Выбор метода визуализации у пациентов, поступающих в наше отделение с бессимптомным недавно диагностированным раком груди.Учитывая относительное отсутствие доказательств прямого сравнения КТ и BS метастазов в кости при раке груди, мы расширяем протокол КТ у пациентов с раком груди, чтобы включить надключичную ямку и проксимальный отдел бедренной кости. Оценки затрат в Таблице 4 включены, чтобы дать представление об относительных затратах на реализацию различных стратегий визуализации в зависимости от стадии заболевания. Независимо от того, какая стадия заболевания используется в качестве порога для визуализации, наши данные предполагают, что реализация стратегии использования компьютерной томографии, а не традиционных исследований стадий (рентгенографический, BS и US) приведет к экономии затрат на здравоохранение.