Advances in Clinical and Experimental Medicine

Title abbreviation: Adv Clin Exp Med
JCR Impact Factor (IF) – 1.736
5-Year Impact Factor – 2.135
Index Copernicus  – 168.52
MEiN – 70 pts

ISSN 1899–5276 (print)
ISSN 2451-2680 (online)
Periodicity – monthly

Download original text (EN)

Advances in Clinical and Experimental Medicine

2007, vol. 16, nr 4, July-August, p. 527–532

Publication type: original article

Language: English

Evaluation of Selected Prognostic Factors in Patients with Ovarian Cancer Applying Artificial Neural Network Analysis

Analiza wybranych czynników rokowniczych metodą sztucznych sieci neuronowych u chorych na raka jajnika

Adam Buciński1,, Tomasz Bączek2,, Jerzy Krysiński3,, Beata Ziemba4,, Emilia Filipczyk−Cisarż4,, Małgorzata Rychlicka1,

1 Department of Biopharmacy, Faculty of Pharmacy, CM, Nicolaus Copernicus University, Bydgoszcz, Poland

2 Department of Biopharmaceutics and Pharmacodynamics, Medical University of Gdańsk, Poland

3 Department of Marketing and Pharmaceutical Law, Faculty of Pharmacy, CM, Nicolaus Copernicus University, Bydgoszcz, Poland

4 Low−Silesian Oncology Center, Wrocław, Poland

Abstract

Background. Artificial neural network (ANN) analysis, an advanced multivariate data processing method, was demonstrated to provide an objective evaluation of medical strategy by making use of large collections of routine clinical parameters of patients with ovarian cancer. The ANN method allowed the detection of complex systematic relationships between diverse patient, disease, and treatment variables. It was revealed with ANN that it is possible to perform correct classification of patients with regard to their surviving five years after treatment.
Material and Methods. Three hundred twenty patients with ovary cancer were the subjects of the study, for whom thirty−five disease and treatment variables were determined. The patients’ data were distributed into data sets for training (160), validation (80), and testing (80) of the model.
Results. The classification coefficients for the training, validation, and testing data sets were 95.6%, 86.2%, and 86.2%, respectively.
Conclusion. By means of ANN, systematic information which is useful in practice may be extracted from large sets of data otherwise hardly interpretable in comprehensive physical terms. This information can be of value for general prognosis and appropriate adjustment of the treatment.

Streszczenie

Wprowadzenie. Zaawansowana metoda analizy danych za pomocą sztucznych sieci neuronowych (SNN), została zastosowana do obiektywnej oceny skuteczności postępowania terapeutycznego z wykorzystaniem złożonych danych klinicznych dotyczących pacjentów chorych na raka jajnika. Metoda SNN pozwoliła na wykrycie złożonych zależności między wskaźnikami charakteryzującymi pacjentów, chorobę i zastosowane postępowanie terapeutyczne. Wykazano, że SNN umożliwia przeprowadzenie prawidłowej klasyfikacji pacjentów ze względu na ich przeżycie w okresie pięciu lat po wykonaniu danego postępowania terapeutycznego.
Materiał i metody. Przedmiotem analizy z wykorzystaniem sztucznych sieci neuronowych były dane retrospektywne dotyczące 320 pacjentek leczonych z powodu raka jajnika, dla których określono 35 zmiennych opisujących stan choroby i postępowania terapeutycznego.
Wyniki. Otrzymano satysfakcjonujące współczynniki klasyfikacji SNN obejmujące grupę danych uczących, walidacyjnych i testujących na poziomie odpowiednio 95,6; 86,2 i 86,2%.
Wnioski. Z wykorzystaniem zaprojektowanej SNN otrzymano praktycznie użyteczną informację, analizując złożony zbiór danych, trudnych do interpretacji podczas indywidualnej oceny. Ta informacja może mieć wartość prognostyczną podczas ustalania odpowiedniego postępowania terapeutycznego.

Key words

artificial neural network, ovarian cancer

Słowa kluczowe

sztuczne sieci neuronowe, rak jajnika

References (24)

  1. Błaszczyk J, Pudełko M, Cisarż K: Nowotwory złośliwe na Dolnym Śląsku w roku 2003. Dolnośląski Rejestr Nowotworów, Wrocław 2005.
  2. Christian J, Thomas H: Ovarian cancer chemotherapy. Cancer Treat Rev 2001, 27, 99–109.
  3. Markowska J: Rak jajnika. Springer PWN, Warszawa 1997.
  4. Kristensen GB, Trope C: Epithelial ovarian carcinoma. Lancet 1997, 349, 113–117.
  5. Granai CO, Gajewski WH, Legare RD, Gordinier M: Gynecologic Cancer. In: Handbook of Cancer Chemotherapy. Eds.: Skeel RT, Lippincott Williams & Wilkins, Philadelphia 2003, 294–326.
  6. Schwartz PE: Neoadjuvant chemotherapy for the management of ovarian cancer. Best Pract Res Clin Obst Gynecol 2002, 16, 585–596.
  7. Zupan J, Gasteiger J: Neural Networks for Chemists. An Introduction. VCH, Weinheim 1993.
  8. Zupan J, Gasteiger J: Neural networks: A new method for solving chemical problems or just a passing phase? Anal Chim Acta 1991, 248, 1–30.
  9. Kaliszan R: Structure and Retention in Chromatography. A Chemometric Approach. Harwood Academic, Amsterdam 1997.
  10. Schneider G, Wrede P: Artificial networks for computer−based molecular design. Prog Biophys Mol Biol 1998, 70, 175–222.
  11. Brickley MR, Shepherd JP, Armstrong RA: Neural networks: a new technique for development of decision support systems in dentistry. J Dent 1998, 26, 305–309.
  12. Snow PB, Rodvold DM, Brandt JM: Artificial neural networks in clinical urology. Urology 1999, 54, 787–790.
  13. Wei JT, Tewari A: Artificial neural networks in urology: pro. Urology 1999, 54, 945–948.
  14. Krongrad A, Lai S: Artificial neural networks in urology: con. Urology 1999, 54, 949–951.
  15. Lee CW, Park JA: Assessment of HIV/AIDS−related health performance using an artificial neural network. Inform Manage 2001, 38, 231–238.
  16. Mian S, Ball G, Hornbuckle J, Holding F, Carmichael J, Ellis I, Ali S, Li G, McArdle S, Creaser C, Rees R: A prototype methodology combining surface−enhanced laser desorption/ionization protein chip technology and artificial neural network algorithms to predict the chemoresponsiveness of breast cancer cell lines exposed to Paclitaxel and Doxorubicin under in vitro conditions. Proteomics 2003, 3, 1725–1737.
  17. Biganzoli E, Boracchi P, Coradini D, Grazia DM, Marubini E: Prognosis in node−negative primary breast cancer: a neural network analysis of risk profiles using routinely assessed factors. Ann Oncol 2003, 14, 1484–1493.
  18. Lisboa PJ, Wong H, Harris P, Swindell R: A Bayesian neural network approach for modelling censored data with an application to prognosis after surgery for breast cancer. Artif Intell Med 2003, 28, 1–25.
  19. Jerez−Aragones JM, Gomez−Ruiz JA, Ramos−Jimenez G, Munoz−Perez J, Alba−Conejo E: A combined neural network and decision trees model for prognosis of breast cancer relapse. Artif Intell Med 2003, 27, 45–63.
  20. Abbass HA: An evolutionary artificial neural networks approach for breast cancer diagnosis. Artif Intell Med 2002, 25, 265–281.
  21. Buciński A, Bączek T, Kaliszan R, Nasal A, Krysiński J, Załuski J: Artificial neural network analysis of patient and treatment variables as a prognostic tool in breast cancer after mastectomy. Adv Clin Exp Med 2005, 14, 973–979.
  22. Buciński A, Bączek T, Waśniewski T, Stefanowicz M: Clinical data analysis with the use of artificial neural networks (ANN) and principal component analysis (PCA) of patients with endometrial carcinoma. Rep Pract Oncol Radiother 2005, 10, 239–248.
  23. Rumelhart DE, Hinton GE, Williams RJ: Learning internal representations by error propagation. In: Parallel Distributed Processing. Eds.: Rumelhart DE, McClelland JL, MIT Press, Cambridge 1986, v. 1.
  24. Shepherd AJ: Second−Order Methods for Neural Networks. Springer, New York 1997.
© Wroclaw Medical University