Жировик на грудной железе: Липома молочной железы

alexxlab Разное

Содержание

Липома молочной железы

Липома молочной железы – доброкачественный процесс, характеризующийся наличием образования в подкожно-жировой клетчатке с преимущественным содержанием жировой ткани.


Причины возникновения липомы до конца неизвестны. Возможно, что они могут быть вызваны предшествующей травмой молочной железы. Тем не менее, неясно, является ли травма причиной образования липомы, или же липома обнаруживается в результате медицинского обследования этой области.

Факторы риска липомы:

  • Генетические (наследственные) состояния, такие как синдром Гарднера и наследственный множественный липоматоз, вызывают у человека образование множественных липом
  • Наиболее часто липомы встречаются у пациентов в возрасте 40–60 лет

Часто липомы молочной железы протекают бессимптомно и являются случайно находкой при проведении планового инструментального обследования.

В отдельных случаях могут встречаться следующие проявления:

  • безболезненное, определяемое на ощупь, подвижное образование в молочной железе
  • чувство дискомфорта, болезненности в молочной железе

Перечень необходимых обследований:

  • консультация онколога-маммолога, включающая обсуждение беспокоящих симптомов, проведение осмотра молочных желез
  • цифровая маммография (с 39-40 лет). При рентгенологически плотном фоне врач-маммолог может порекомендовать проведение томосинтеза молочных желез
  • ультразвуковое исследование молочных желез (УЗИ)

Специальной подготовки указанные выше методы обследования не требуют.

В отдельных случаях по рекомендации врача онколога-маммолога возможно проведение пункционной тонкоигольной аспирационной биопсии (ПТАБ) под ультразвуковым контролем с последующим цитологическим исследованием.

Лечение
При отсутствии беспокоящих симптомов основное лечение — динамическое наблюдение, включающее регулярное наблюдение врачом онкологом-маммологом и проведение необходимых исследований (УЗИ, маммография).

Вопрос о хирургическом лечении решается в индивидуальном порядке с учетом данных, полученных в результате комплексного обследования.

Прогноз
Прогноз течения благоприятный. Липомы молочной железы не ассоциированы с ростом риска развития рака молочной железы.

Липома в молочной железе — как выявить, нужно ли удалять?

Обычно липома в молочной железе (или в другой части организма) выглядит как округлое, упруго-мягкой консистенции образование, с четкими ровными контурами, ограничено смещаемое в толще ткани молочной железы, безболезненное, с кожей не связанное.


Иногда липома молочной железы пальпируется как дольчатое, многоузловое образование. Плотность липомы выше при большем содержании фиброзной ткани (липофиброма), неоднородная по структуре липома бывает при миксоматозе, когда в центре формируется полость заполненная слизистой жидкостью (редко определяется как киста молочной железы).

Как выявить липому в молочной железе?

Как и с другими опухолями груди, липому обнаруживают при пальпации молочной железы. Причем зачастую
липому в молочной железе
выявляет при самообследовании сама женщина. 

Липома грудной железы не имеет специфических симптомов, поэтому для ее диагностики используются те же инструментальные методы, что и для выявления других образований в молочной железе, а именно:

  1. Маммография,
  2. УЗИ молочных желез (эхография),
  3. МРТ молочных желез (по показаниям),
  4. Пункция образования с дальнейшим цитологическим исследованием (только для исключения злокачественной опухоли молочной железы).

Лечение липомы молочной железы

Если вы обнаружили у себя уплотнение в молочной железе
и подозреваете липому, не теряйте времени — незамедлительно обратитесь к специалисту высокой квалификации – онкологу-маммологу, хирургу нашей клиники.

В кратчайшие сроки мы проведем диагностику, объясним, нужно ли удалять липому молочной железы, и подберем оптимальный метод ее лечения. Липома грудной железы самостоятельно не рассасывается, поэтому необходимо либо динамическое наблюдение за ее ростом, либо удаление хирургическим путем или с помощью лазера.

Надо ли удалять липому молочной железы? Необходимость оперативного вмешательства всегда определяется индивидуально. При выборе тактики лечения опытный онколог-маммолог, хирург нашей клиники учитывает все необходимые факторы, включая:

  • Гистологическое строение и размер липомы;
  • Динамику роста;
  • Локализацию в молочной железе;
  • Вероятность озлокачествления липомы. 

Хирург нашей клиники обладает богатым опытом по лечению липомы молочной железы — хирургическим путем и удалению липомы лазером.

Для записи на консультацию к специалисту позвоните по телефонам клиники: +7 (812) 952-83-73, +7 (812) 318-59-90.


Липома молочной железы

Липома (жировик) – это доброкачественная опухоль жировой ткани. В практике врачей- онкологов часто встречается липома молочной железы, но также это заболевание может образовываться в коже, межмышечной, подкожной, забрюшинной, органах желудочно-кишечного тракта, околопочечной клетчатке, легких, миокарде, средостении, мозговых оболочках, в костях, по ходу нервных стволов.

Многие, ошибочно считают, что липомы появляются только у людей, склонных к полноте. Но на самом деле рост липомы не зависит от состояния организма, даже если у человека дефицит веса, липома всё равно будет набирать жир. Липомы бывают разного размера, как большие, так и маленькие. Липомы подкожно-жировой клетчатки редко перерождаются в липосаркомы (рак), но может поспособствовать развитию раковых заболеваний в молочной железе. В случаях, когда липома достигает достаточно большого размера, она может деформировать грудь, так как происходит смещение окружающей ткани. Если косметический дефект заметен, рекомендуется оперативное вмешательство. Удаление липомы происходит по причине подозрения на рак молочной железы, интенсивный рост образования или большой размер опухоли.

Причины образования липомы молочной железы

К огромному сожалению, причины возникновения липомы не известны. Есть предположение, что опухоль появляется по причине закупоривания выходного отверстия протока сальной железы (атерома), но эта гипотеза не доказана и требует клинического подтверждения.

Классификация липомы молочной железы

Обычно липома имеет узловатую форму, где узел окружён капсулой. Также встречается диффузная липома. Она окружена разрастаниями жировой ткани, капсула не образуется. Такой вид липомы встречается достаточно редко.

Консистенция липомы, как правило, мягкая, но если в образовании наличествует соединительная ткань, то становиться более плотной (фибролипома). Учитывая количество преобладания в составе типа ткани, можно судить о фибролипоме и липофиброме. Если же у липомы развитая сеть кровеносных сосудов, то можно говорить о ангиолипоме, если в ней имеется ослизненная ткань, то этот вид липомы называется миксолипомой, а при гладких мышечных волокнах – миолипомой.

Классификацию липом поверхностного типа проводят в зависимости по их консистенции, местоположению, псевдофлюктуации (скопление жидкости), безболезненности при пальпации, подвижности и типичным втяжением во время растягивания кожи над опухолью.

Диагностика липомы молочной железы

Липому можно определить на маммографии и УЗИ, она выглядит как чётко очерченное однородное просветление, но в нём можно встретить мелкие обызвествления. Форма просветления зависит от плотности органов, между которыми и расположена липома. В определённых случаях она может состоять из долек с плотными фиброзными перегородками, которые видно на фоне более прозрачной ткани. Большие же липомы, как правило, вызывают смещение ткани.

К сожалению, липома – это не то образование, которое может рассосаться само. И единственный метод лечения липом – это хирургическое. Вопрос о том, чтобы не удалять липому не должен вставать у пациента, потому что самое безобидное к чему опухоль приводит – это некроз тканей. Липома редко переходит в стадию раковой опухоли, поэтому необходимо проходить обследования на заболевания молочной железы, и на присутствие липомы. Ведь существует ошибочный диагноз, где за липому можно принять злокачественную опухоль.

Лечение липомы молочной железы

Липома молочной железы – это доброкачественная опухоль, которая возникает в жировой ткани молочной железы. Липомы различают по консистенции:

  • Фибролипома – наличие соединительной ткани, которая преобладает над жировой.
  • Ангиолипома – в липоме развитая сеть кровеносных сосудов.
  • Липофиброма – преобладание жировой ткани над соединительной.
  • Миолипома – наличие в липоме мышечных волокон.
  • Миксолипома – ослизненная жировая ткань.

Могут ли липомы молочной железы рассосаться самостоятельно?

Липомы – это образования, которые сами не рассасываются.

Есть ли возможность лечения липомы консервативными методами?

Нет, липомы удаляются хирургическим путем.

Удаление липомы необходимо?

Если учитывать, что липома может перерасти в раковую опухоль, то необходимо постоянное наблюдение за липомой, а также прохождение таких процедур, как маммография, термомаммография, онкомаркеры, онкоцитология отделяемого из соска

Когда происходит оперативное вмешательство?

При сдавливании, росте липомы, болях в молочной железе, некрозе тканей, и при угрозе перерождения в раковую опухоль.

Какие лекарства, обычно, прописывают после удаления липомы молочной железы?

Прописывают:

  • Санация, то есть обработка раны антисептическими средствами.
  • Противовоспалительные аппараты (антибиотики).
  • Витаминные препараты.
  • Иммуномодулирующие препараты.
  • Гомеопатические средства.

Квалифицированное лечение может обеспечить только специалист, который поможет вам справиться с болезнью. Обращайтесь, мы вам поможем!

Липома молочной железы: симптомы, стадии, лечение

Онколог

Жукова

Елена Николаевна

Стаж 13 лет

Врач-онколог, член Российского общества маммологов, член RUSSCO (Профессиональное общество онкологов-химиотерапевтов), член Европейского онкологического общества ESMO, Американского общества исследования меланомы –SMR

Записаться на прием

В числе доброкачественных образований молочной железы значительную долю составляет липома — жировая опухоль, развитие которой спровоцировано действием сразу нескольких внутренних и внешних факторов. Липома молочной железы, или жировая опухоль диагностируется у более чем 10% пациенток, обратившихся к специалистам по поводу обнаружения плотного образования в структуре груди. Современная медицина хорошо изучила подобные случаи и готова предложить оптимальное лечение патологии с гарантией безопасности для организма.

Причины образования липомы молочной железы

Факторы, способные запустить процесс образования липомы в груди, делят на несколько групп:

  • Гормональные. Связаны с периодом преклимакса, когда в организме происходит глобальная гормональная перестройка. Размер яичников уменьшается, внутренний слой матки становится тоньше, а в груди происходит замещение железистых тканей жировыми отложениями. При нарушении этих процессов существует вероятность избыточного образования жировой ткани, что и становится причиной образования опухоли. Также существует риск образования жировиков у женщин репродуктивного возраста, что может быть связано с нарушением менструального цикла, использования оральных контрацептивов и приема гормональных препаратов в течение длительного времени.
  • Метаболические, связанные с нарушением обмена жиров в организме. Липопротедиды высокой плотности могут образовывать крупные скопления и покрываться оболочкой из соединительной ткани. Причина такого явления – гиподинамия, рацион с преобладанием продуктов животного происхождения, заболевания эндокринной системы и т.д.
  • Генетические, связанные с воздействием наследственного фактора. Дефекты гена HMG I-C становятся причиной липоматозов — заболеваний, связанных с отложением жировой ткани на различных участках тела.
  • Внешние. Вызвать образование жировика могут неудобное белье, травмы груди, предыдущие хирургические операции, вредные привычки, частые стрессы и т.д.

Одновременное воздействие на организм нескольких из перечисленных факторов приводит к избыточной выработке жировой ткани и ее капсулированию – заключению в плотную оболочку, которая дает подвижность структуры опухоли и позволяет легко прощупать ее под слоем кожи. В медицине отмечены случаи трансформации доброкачественного образования в онкологический процесс у пациенток с онкологией или у тех женщин, в семьях которых отмечены случаи рака молочной железы.

Симптомы

Обнаружить жировое образование можно случайно при исследовании или пальпации молочной железы. Узелок обозначается по мере достижения размеров около 1,5-2см. чаще область его локализации – верхненаружная часть молочной железы. Образование может носить единичный или парный характер. При прощупывании можно установить следующие симптомы липомы молочной железы:

  • Круглая или овальная форма.
  • Гладкая поверхность с четкими контурами.
  • Эластичная, плотная или тестообразная консистенция, характер которой связан с конкретным типом опухоли.
  • Безболезненность.
  • Подвижность.

Болевой синдром при липоме присутствует крайне редко. Его появление связано с разрастанием опухоли и сдавливанием мышечной ткани или сосудов, что становится причиной нарушения кровообращения и травмированием тканей.

Диагностика

Предварительный диагноз «липома молочной железы» ставится обычно при первичном осмотре маммолога и пальпации молочной железы. Для точного установления характера образования требуется дифференцированная диагностика, подразумевающая исключение других заболеваний со схожей симптоматикой. В перечень обязательных исследований входят:

Результаты проведенных исследований позволяют не только выявить характер образования, но и с высокой долей вероятности назвать причины его появления.

Лечение липомы

Если опухоль растет крайне медленно или находится в стабильном состоянии, предусмотрена тактика наблюдения с УЗИ-обследованием не реже одного раза в полугодие. При обнаружении в организме сопутствующих патологий назначается профильное лечение с обязательным контролем липомы.

Решение о хирургическом вмешательстве при липоме молочной железы принимается, если:

  • Образование быстро увеличивается в размерах.
  • Пациентка отмечает стойкий болевой синдром.
  • Опухоль имеет значительные размеры, искажая естественную форму груди.
  • Отмечаются признаки некроза тканей железы.
  • Высок риск злокачественного перерождения опухоли из-за наследственного фактора.

Техника оперативного вмешательства при лечении липомы молочной железы выбирается с учетом размеров и участка расположения липомы:

  • Энуклеация – удаление жировика с капсулой методом классической операции или эндоскопического вмешательства, которое осуществляется через тонкие проколы кожи. Разрушение опухоли осуществляется под воздействием радиоволн или лазерного луча.
  • Удаление жировой ткани с сохранением оболочки (аспирация). Процедура малотравматична и не оставляет следов на коже. Однако сохранение капсулы может стать причиной повторного накопления внутри избытка жировой ткани.
  • Частичная резекция (удаление) молочной железы. Применяется в случае высокого риска перерождения тканей жировика в злокачественное образование. Операция охватывает область опухоли и прилегающие ткани. Извлеченное содержимое подвергают гистологическому анализу, в случае обнаружения симптомов онкологии удалению подлежат соседние ткани и лимфоузлы.

В период реабилитации пациентке прописывают прием антибиотиков, витаминов и иммуномодуляторов.

Прогноз лечения

В подавляющем большинстве случаев прогноз лечения липомы благоприятный. Особенно если пациентка обратилась за помощью на начальной стадии развития образования и строго следует рекомендациям по регулярному наблюдению у маммолога.

Диагностика и лечение липомы молочной железы в клинике АО «Медицина»

Специалисты клиники АО «Медицина» в ЦАО Москвы приглашают пациентов с подозрением на доброкачественное образование в тканях молочных желез. Собственный диагностический центр с высокоточным оборудованием позволит провести необходимые обследования и точно выявить природу патологии, а также принять решение о необходимости хирургического вмешательства. Возможно участие в диагностике и лечении других профильных специалистов. Звоните, чтобы записаться на прием к маммологу и получить дополнительные консультации. Также запись доступна на сайте клиники.

Вопросы и ответы

Что такое липома молочной железы?

Липома, или жировая опухоль – плотное доброкачественное образование внутри молочной железы, состоящее из жировой ткани. Имеет полиэтиологическую природу, что означает развитие под воздействием сразу нескольких патогенных факторов. При замедленном росте или стабильном состоянии не требует лечения. В случае активного роста пациентке показано оперативное вмешательство.

Как выглядит липома молочной железы?

Избыточное деление жировых клеток в структуре груди приводит к появлению плотного образования, которое по мере роста отделяется от других тканей и приобретает самостоятельную подвижную структуру. На УЗИ образование определяется как плотное однородное скопление клеток с четкими или размытыми контурами. Иногда его трудно разглядеть, даже если опухоль капсулирована и отделена от других тканей. Размеры жировика – от нескольких мм до нескольких сантиметров, что дает отрицательный косметический эффект и требует проведения операции по извлечению липомы.

Чем опасна липома молочной железы?

Нередко липома находится в стабильном состоянии и практически не увеличивается в размерах, не требуя лечения. В случае интенсивного разрастания возможно передавливание окружающих тканей и нарушение кровотока. Кроме того, существует риск трансформации доброкачественного образования в онкологический процесс. Решение об удалении опухоли принимается в каждом конкретном случае исходя из размеров образования и ее потенциальной опасности с учетом наследственного фактора и сопутствующих состояний организма.


Липома — Медицинский центр «Онкотест»

Что такое липома молочной железы?

Липома в молочной железе — это доброкачественная опухоль из жировой ткани, в тонкой соединительно-тканной капсуле. Липома грудной железы может встречаться в любой части организма, где есть жировая ткань, в том числе и в молочной железе. 

Не стоит этот вид опухоли путать с атеромой (эпидермальной кистой) которую в народе достаточно часто называют «жировик в молочной железе». Атерома — это опухолеподобное образование из придатков кожи, и несмотря на то, что внешне они с липомой могут быть схожи и появляться в молочной железе, это —  разные образования.

Как правило, липома молочной железы — это медленно растущая опухоль, не склонная к злокачественному перерождению. В неблагоприятных условиях липома грудной железы может переродиться в злокачественную опухоль — липосаркому

Обычно липома в молочной железе начинает беспокоить женщину только в случае большого размера, при бурном росте или когда она деформирует или изменяет размер молочной железы. Болевые ощущения не характерны для липомы (только при больших размерах), к коже молочной железы и сосково-ареолярному комплексу она плотно не фиксируется (в отличии от вышеупомянутой атеромы молочной железы, которая всегда плотно прилегает к коже).

 

Почему возникает липома в молочной железе?

Единого мнения по поводу причин возникновения липомы грудной железы нет. Можно только сказать, что появление и рост липомы не зависит от гормонального фона в женском организме (в отличие от других доброкачественных и/или злокачественных опухолей молочной железы).

Существует определенная генетическая предрасположенность к возникновению множественных липом в организме, в том числе и в молочной железе. Она проявляется множественным опухолевым ростом в жировой клетчатке (липоматоз). Часто в таких случаях прослеживается и семейный анамнез.

 

Разновидности липом молочной железы

Липомы в молочной железе бывают одиночные и множественные (липоматоз). Бывают поверхностные липомы (как в ткани молочной железы) или глубокие (межмышечные, межсвязочные, околосуставные). 

  • Если липома грудной железы состоит из нескольких узлов, то ее называют многоузловой или дольчатой
  • В случае если в составе липомы много фиброзного, стромального компонента, ее называют липофибромой или фибролипомой
  • Если в составе липомы молочной железы встречаются мышечные волокна, то такую опухоль называют миолипомой
  • Если в липоме множество сосудов, то это — ангиолипома
  • Если происходит миксоматоз соединительно-тканного компонента опухоли (иногда с формированием полости или полостей), то такую опухоль называют липомой с микосоматозом или липомиксомой

Для выбора врачебной тактики лечения важно определить гистологический тип липомы в молочной железе, ее локализацию и степень отграничения от окружающих тканей.

 

Как проявляется липома в молочной железе?

Обычно липома в молочной железе (или в другой части организма) выглядит как округлое, упруго-мягкой консистенции образование, с четкими ровными контурами, ограничено смещаемое в толще ткани молочной железы, безболезненное, с кожей не связанное.


Иногда липома молочной железы пальпируется как дольчатое, многоузловое образование. Плотность липомы выше при большем содержании фиброзной ткани (липофиброма), неоднородная по структуре липома бывает при миксоматозе, когда в центре формируется полость заполненная слизистой жидкостью (редко определяется как киста молочной железы).

 

Как выявить липому в молочной железе?

Как и с другими опухолями груди, липому обнаруживают при пальпации молочной железы. Причем зачастую липому в молочной железе выявляет при самообследовании сама женщина. 

Липома грудной железы не имеет специфических симптомов, поэтому для ее диагностики используются те же инструментальные методы, что и для выявления других образований в молочной железе, а именно:

  1. Маммография,
  2. УЗИ молочных желез (эхография),
  3. МРТ молочных желез (по показаниям),
  4. Пункция образования с дальнейшим цитологическим исследованием (только для исключения злокачественной опухоли молочной железы).

 

Лечение липомы молочной железы

Если вы обнаружили у себя уплотнение в молочной железе и подозреваете липому, не теряйте времени — незамедлительно обратитесь к специалисту  онкологу-маммологу, хирургу нашей Клиники.

В кратчайшие сроки мы проведем диагностику, объясним, нужно ли удалять липому молочной железы, и подберем оптимальный метод ее лечения. 

Надо ли удалять липому молочной железы? Необходимость оперативного вмешательства всегда определяется индивидуально. При выборе тактики лечения учитываются все необходимые факторы, включая:

  • Гистологическое строение и размер липомы;
  • Динамику роста;
  • Локализацию в молочной железе;
  • Вероятность озлокачествления липомы. 

Лечение липомы молочной железы в Одессе

Лечение липомы молочной железы

Липома молочной железы – это доброкачественная опухоль, состоящая преимущественно из жировых клеток, окруженная фиброзной оболочкой.

Чаще всего заболевание диагностируется у женщин, старше 45 лет, в период менопаузы, когда молочная железа подвергается процессам инволюции, а место функционально активной железистой ткани занимает жировая.

В большинстве случаев липома располагается в верхней внешней четверти молочной железы, иногда может появляться одновременно в обеих молочных железах.

Довольно длительный период времени липома может никак себя не проявлять – она растёт медленно и может быть обнаружена специалистом при плановом осмотре либо женщиной при самостоятельном обследовании груди. В случаях, когда липома расположена глубоко, её можно диагностировать совершенно случайно при проведении УЗИ либо рентгенологического обследования.

При росте жировой опухоли появляются такие симптомы как:

  • боль и распирания в груди;
  • деформация молочной железы из-за смещения тканей;
  • появление образования в подкожно-жировой клетчатке, имеющее округлую форму, болезненное либо безболезненное при пальпации;
  • стойкая болезненность, увеличение лимфатических узлов, слабость, вялость – в случаях, когда липома переросла в рак.

Липома обладает следующими характеристиками:

  • консистенция – эластичная мягкая;
  • форма – округлая;
  • подвижная, не спаяна с кожным покровом;
  • безболезненна при пальпации.

Любое объемное образование в молочной железе – основание для срочной консультации маммолога.

Для постановки диагноза на первичном приеме маммолог Бондарь А.В проводит:

  • сбор анамнеза;
  • визуальный осмотр, пальпацию молочных желез и близлежащих лимфоузлов: над-, подключичных, подмышечных.

Пациентка направляется на сдачу следующих анализов и обследований:

  • Для оценки общего состояния здоровья необходимы клинические анализы крови, мочи.
  • УЗИ молочных желез.
  • Маммография.
  • Для выяснения природы новообразования выполняют пункцию с последующим исследованием биоматериала на наличие атипичных (раковых) клеток.
  • При высокой вероятности перерождения липомы в злокачественную опухоль – исследуют кровь на онкомаркеры.

Так как течение заболевания обычно бессимптомно, то наиболее достоверный способ обнаружения опухоли являются лабораторные и аппаратные способы диагностики.

После получения результатов необходимо повторно записаться на консультацию к маммологу с целью постановки окончательного диагноза и решения вопроса о дальнейшей тактике лечения.

Запись на приём

Консервативные методы лечения липомы молочной железы не используются, так как признаны неэффективными. Единственный метод радикального избавления от объемного образования – это хирургический.

Показания к оперативному лечению липомы груди:

  • косметический дефект в виде деформации груди;
  • стремительный рост опухоли;
  • вероятность перерождения липомы в онкологический процесс;
  • дискомфорт и появление других симптомов в области пораженной груди (чувство тяжести, давления, отеки тканей железы).

Лечение липомы в виде узловых образований осуществляют путем энуклеации – удаления опухоли вместе с капсулой. Операция дает хороший результат при подкожном расположении и малом размере опухоли. Наложение рассасывающих швов делает послеоперационными рубцы практически незаметными.

При крупных липомах выполняется секторальная резекция патологического образования до границы здоровых тканей. За женщинами, перенесшими операции на груди, устанавливается диспансерное наблюдение, включающее регулярные визиты к маммологу (не менее 1-2 раз в год) и проведение УЗИ или маммографии.

Лечение липомы

Так как это заболевание касается не просто здоровья, но и формы женской груди, мы стараемся применять более щадящий метод – секторальную резекцию. Этот метод позволяет устранить опухолевый процесс, не подвергая молочную железу деформации и избегая безобразных рубцов. В ходе операции по удалению липомы молочной железы мы используем нить, минимизирующую образование коллоидного рубца и самостоятельно рассасывающуюся.

Профилактика липомы

Самым главным правилом профилактики заболеваний молочной железы является регулярный самостоятельный, а также плановый осмотр груди у квалифицированного специалиста. Это позволяет обнаружить заболевание на ранних стадиях и избежать его преобразования в злокачественную опухоль с печальными последствиями.

Запись на прием к маммологу производится в службе записи клиники по телефонам: +380 48 737 37 70, +380 48 60 60

Записаться на приём

Липома молочной железы – причины, виды, симптомы, лечение заболевания


Содержание

Причины образования липом
Виды липом
Симптомы
Диагностика липом
Лечение
Прогноз заболевания

Доброкачественное новообразование из жировой ткани груди носит название липома молочных желез. Можно встретить синонимы – жировая опухоль, жировик.

На долю липом приходится около 10% всех случаев опухолей груди. Появление ее возможно в любом возрасте, но чаще у женщин за 40, что связано с инволютивными изменениями в их организме.

Причины образования липом

Жировые неоплазии имеют полиэтиологическую природу развития. Зачастую выделить единый механизм сложно. Маммологи для удобства систематизируют причины в несколько групп:

  • Гормональные. На этапе преклимакса у женщины происходит гормональная перестройка. Ее организм выполнил функцию зачатия, рождения и кормления потомства. Теперь яичники уменьшаются, эндометрий матки истончается, железистая структура груди меняется на жировую. При нарушении перестройки возможно хаотичное скопление жировых клеток, из которых формируется липома.

Новообразование у женщин репродуктивного возраста может возникать на фоне длительного, бесконтрольного приема оральной контрацепции или ЗГТ (заместительной гормональной терапии), нарушений менструального цикла.

  • Генетические, наследственные. Существуют системные болезни — липоматозы, при которых формирование патологических очагов происходит в разных органах, в том числе в груди. Развитие патологии связано с дефектом гена HMG I-C.
  • Нарушение метаболизма, в частности обмена жиров. Некоторые из жировых фракций – липопротеиды низкой плотности, накапливаются в тканях и со временем покрываются соединительнотканной капсулой. Провоцируют дефекты липидного обмена неправильный стиль питания с избытком продуктов животного происхождения, малоподвижный образ жизни, сопутствующие эндокринные заболевания.
  • Внешние причины. К категории относят факторы механического действия на грудь: травмы, операции, неудобно подобранное белье. Нездоровый образ жизни (курение, частые стрессы, злоупотребление алкоголем), радиоактивное излучение также неблагоприятно сказываются на общем состоянии организма.

Сочетание нескольких из этих причин стимулирует избыточное деление липидных клеток на ограниченных участках. Конгломерат со временем инкапсулируется и отделяется от здоровой ткани. Несмотря на отграниченность процесса, многих беспокоит вопрос, чем опасна липома молочной железы. Маммологи не исключают возможности трансформации доброкачественной опухоли в липосаркому. Особая онконастороженность касается пациенток с факторами риска:

  • случаи рака молочной железы (РМЖ) в семье;
  • онкологии других систем у данной больной.

Виды

Классифицируют липомы по нескольким критериям.

По локализации:

  1. Подкожные – образование расположено между дермой и железистой тканью.
  2. Интрамаммарные – опухоль находится между молочными дольками.
  3. Глубокие – формируются в толще железы, ближе к грудной клетке.

По степени распространения:

  • Узловые – четко отграниченное образование.
  • Диффузные – с прорастанием в другие слои.

По морфологической структуре:

  1. Классическая форма – опухоль представлена только жировой тканью.
  2. Липофиброма – сочетание соединительнотканных и жировых структур с преобладанием последних.
  3. Фибролипома – представлены преимущественно соединительнотканной структурой с небольшими липидными участками.
  4. Миолипома -жировая опухоль с проникновением к гладкомышечным волокнам.
  5. Миксолипома – клетки образования продуцируют патологический слизистый секрет внутри капсулы.

Последние 2 вида встречаются в разы реже остальных. У женщин в менопаузе чаще диагностируются жировики с фиброзным компонентом.

Симптомы

Основной признак липомы – наличие опухолевидного образования. Часто обнаруживается случайно, при ультразвуковом исследовании груди. Женщина нащупывает у себя узелок, когда его диаметр составляет не менее 1,5-2 см. Излюбленная локализация опухоли – верхне-наружный квадрант груди. Обычно образования единичные, но случаи парного симметричного развития тоже встречаются.

Основные пальпаторные характеристики жировика груди:

  1. форма округлая, овальная;
  2. поверхность гладкая, четко определяются контуры;
  3. консистенция классического жировика мягко-эластичная, фиброзных липом — плотная, миксолипом — тестообразная;
  4. надавливание безболезненное.

Общей симптоматики заболевание не имеет. Возникновение болевого синдрома возможно, но крайне редко:

  • при сдавливании мышечных оболочек или сосудистых пучков;
  • «давние» липомы с кальцификацией;
  • местное нарушение кровотока, которое приводит к ишемии и некрозу.

Диагностика липомы

Типичных признаков у липомы груди нет. Важно отдифференцировать новообразование от других доброкачественных опухолей и РМЖ.

Алгоритм обследования пациентки:

  1. Консультация маммолога, при необходимости – смежных специалистов (гинеколог, эндокринолог, онколог).
  2. Сдача онкомаркера крови СА 15-3 для исключения РМЖ.
  3. Биохимическое исследование крови. Панель гормонов половой системы, щитовидной железы.
  4. УЗИ молочной железы.
  5. Маммография – рентгеновский снимок груди. Узловая форма визуализируется хорошо. Неинформативен метод при диффузном характере роста, технически невозможно проведение при маленьком размере железы.
  6. КТ, МРТ по показаниям. Томография определяет точную локализацию, особенности кровотока липомы.
  7. Биопсия. Процедура забора образца ткани проходит путем длинноигольной пункции. Изучают клеточную структуру биоптата. Биопсия обязательна для подтверждения доброкачественной природы неоплазии, определения ее вида.

Лечение

При неосложненном течении заболевания пациентке рекомендуют динамическое наблюдение у маммолога. Посещать врача и проходить УЗИ следует не реже 2-х раз в год. Если в ходе обследования выявлены сопутствующие гинекологические или эндокринные проблемы, то назначается курс профильной терапии.

Доказанного эффекта от консервативных направлений лечения нет. На сегодня в разработке экспериментальная методика лечения стероидами. В полость капсулы под контролем УЗИ вводится раствор глюкокортикоидов. Пока это направление не нашло широкого применения. Так что единственным радикальным методом терапии является хирургический.

Показания к оперативному вмешательству:

  • интенсивный рост образования;
  • стойкий болевой синдром;
  • явный косметический дефект, гигантские размеры;
  • риск трансформации в онкологию, отягощение семейного анамнеза по РМЖ;
  • некроз.

Варианты оперативного лечения:

  1. Энуклеация – вылущивание жировика вместе с капсулой. Доступ возможен классическим или эндоскопическим методом. Второй вариант предполагает проникновение к опухоли через несколько проколов кожи гибким шлангом с видеокамерой на конце. Удаление липомы проводят классическим способом, радиоволной либо лазером.
  2. Удаление (аспирация) содержимого капсулы с сохранением оболочки. Такая процедура малоинвазивна, требует небольшого прокола, не оставляет шрама. Но наличие капсулы не исключает рецидива неоплазии.
  3. Частичная резекция груди. Если новообразование больших размеров, существует риск озлокачествления, то прибегают к удалению патологического участка в пределах здоровых тканей. Параллельно проводится гистологический экспресс-анализ. В случае подозрения на рак сразу убирают регионарные лимфоузлы и мышцы.

После операции женщине назначается профилактическая и поддерживающая терапия. Она включает антибиотики, витаминные комплексы, иммуномодуляторы. Способ лечения липомы молочной железы зависит от вида жировика, локализации и динамики течения заболевания.

Прогноз

Прогноз для здоровья и жизни благоприятный. Основной принцип успешного лечения – своевременное обращение к врачу и постоянное наблюдение за течением заболевания. В большинстве случаев липома груди не склонна к рецидивам.

Грудной аппарат Мельбурн | Специалисты по раку молочной железы

Специалист по хирургии молочной железы

Выпускник Мельбурнского университета, г-н Лох получил степень FRACS в Мельбурне, прежде чем продолжить свое обучение по специальности в Кембриджском университете. Он был в авангарде лечения и исследований рака молочной железы в этом престижном университете.

После своего возвращения в Мельбурн г-н Ло объединился с Мельбурнским маммологическим отделением, чтобы продолжать оказывать превосходную помощь пациентам с проблемами, связанными с грудью.Он является членом фонда «Хирурги груди» ANZ, и у него назначена встреча с «Скрином груди Виктории».

Г-н Ло также является лектором в Мельбурнском университете и хирургом-консультантом в больнице Остина и масонах Эпворта.

Г-н Ло консультирует в отделении маммологии Мельбурна, и у него всегда есть свободные записи для новых пациентов. Чтобы записаться на первую консультацию или получить любую дополнительную информацию, позвоните в отделение по телефону (03) 9419 1166.

Service Focus

  • Лидерство в использовании ресурсов и предоставлении услуг по лечению молочной железы
  • Обследование и лечение молочной железы условия
  • Мультидисциплинарный подход к лечению рака молочной железы
  • Индивидуальное медицинское обслуживание, сочетающее предоставление государственных и частных услуг

Помимо ухода за грудью, Su-Wen обеспечивает квалифицированное лечение грыжи, включая все передние и лапароскопические методы.

квалификация

  • MBBS (Мелб) 1999
  • FRACS 2009
  • FRACS 2009
  • Cambridge Brach 2009
  • Cambridge

Enwards

  • Генеральные хирурги Австралия ACS PRISE 2008
  • CLIFFORD CRAIG REVELTION SCHOLARRARY 2006
  • NH DOS 2005
  • Премия EMST за высвобождение 2001

Должности и участие

  • Директор отделения хирургии молочной железы и хирургической онкологии — Центр здоровья Остина и Центра здравоохранения Оливии Ньютон Джон 
  • Медицинский комитет высокого риска рака молочной железы — Ep5 Консультативный комитет по генетике Austin Health

    4

  • Клинический лектор — Университеты Melbourne и Monash
  • Уичтовим Фонд — Хирурги молочной железы ANZ
  • Викторианский Региональный комитет — Королевский Австралийский колледж Хирургов

Предыдущий

  • Консультант Больница груди и Адденброоке, Кембридж CB2 0QQ 9001 5
  • Эндокринный хирург 
  • Клинический супервайзер и лектор Кембриджского университета

Публикации и мероприятия

Су-Вэнь имеет обширный список публикаций – обновленный список можно найти в его связанной учетной записи.

Исследовательские проекты

Су-Вэнь активно участвует в руководстве, исследованиях и надзоре как в отделении хирургии Университета Мелба (Austin Health), так и в онкологическом и оздоровительном центре ONJ. Текущие проекты включают в себя изучение неоадъювантного лечения подмышечной впадины, предоставление точной индивидуальной терапии и наблюдение за стажерами-хирургами.

Исследование метаболических изменений при раке молочной железы в ответ на молекулярные ингибиторы с помощью спектроскопии комбинационного рассеяния и подтверждено с помощью масс-спектрометрии

Быстрый и точный ответ на таргетную терапию имеет решающее значение для дифференциации опухолей, резистентных к лечению, на ранних этапах лечения.В этой работе мы демонстрируем быстрый, неинвазивный и немаркированный подход к оценке ответа на лечение молекулярными ингибиторами в клетках рака молочной железы (РМЖ) с помощью рамановской спектроскопии (РС). Метаболическое перепрограммирование в BC исследовали с помощью RS, и применяли многофакторный анализ для классификации клеток на реагирующие или не реагирующие группы в зависимости от дозировки лекарственного средства, типа лекарственного средства и типа клеток. Метаболиты, идентифицированные с помощью РС, затем подтверждали с помощью масс-спектрометрии (МС). Мы лечили трижды негативные клетки РМЖ траметинибом, ингибитором пути киназы, регулируемой внеклеточными сигналами (ERK).Изменения, измеренные как с RS, так и с MS, соответствующие мембранным фосфолипидам, аминокислотам, липидам и жирным кислотам, показали, что эти клетки BC реагировали на лечение. Для сравнения, минимальные метаболические изменения наблюдались после лечения алпелисибом, ингибитором пути мишени рапамицина у млекопитающих (mTOR), что указывает на резистентность к лечению. Эти результаты были подтверждены анализом жизнеспособности клеток и иммуноблоттингом. Мы также показали, что клетки MCF-7, положительные по рецептору эстрогена, не реагировали на траметиниб с минимальными изменениями метаболизма и жизнеспособности.Наши результаты подтверждают, что онкометаболиты, выявленные при РС, в конечном итоге позволят проводить быстрый скрининг лекарств у пациентов, гарантируя, что пациенты получат наиболее эффективное лечение в самый ранний момент времени.

Эта статья находится в открытом доступе

Подождите, пока мы загрузим ваш контент… Что-то пошло не так. Попробуй снова?

Прогнозирование реакции рака молочной железы на неоадъювантное лечение с помощью многофункциональной МРТ: результаты исследования I-SPY 2 TRIAL

Популяция пациентов

Женщины в возрасте 18 лет и старше с диагнозом местно-распространенный рак молочной железы (стадия II или III, опухоль ≥ 2.5 см) имеют право на участие в исследовании I-SPY2 (номер клинического исследования: NCT01042379; дата регистрации: 5 января 2010 г.) 24,25 . В этом ретроспективном исследовании было рассмотрено в общей сложности 990 пациентов, включенных в I-SPY 2 с мая 2010 г. по ноябрь 2016 г. и рандомизированных в одну из девяти завершенных групп экспериментальных препаратов или стандартного лечения. Участники получали 12 недельных циклов паклитаксела отдельно (стандарт лечения) или в комбинации с одним из девяти экспериментальных препаратов, а затем четыре цикла антрациклин-циклофосфамид (АЦ) каждые 2-3 недели перед окончательной операцией (рис.4) 10 . Пациенты с HER2-положительным раком также получали трастузумаб в течение первых 12 циклов. В некоторых группах экспериментальных препаратов экспериментальный агент может заменить один из стандартных методов лечения (паклитаксел или трастузумаб). Все участвующие сайты получили одобрение от своего институционального наблюдательного совета. Все пациенты дали письменное информированное согласие на участие в исследовании. Подмножества когорты пациентов были включены в предыдущие исследования 10,26,27 .

Рис.4: Схема исследования I-SPY 2 и адаптивная рандомизация.

Пациенты были рандомизированы в группы, получавшие стандарт (паклитаксел для людей с отрицательным эпидермальным фактором роста 2 [HER2] или паклитаксел плюс трастузумаб для HER2-положительных) или одну из групп экспериментального препарата. Участники получали еженедельную дозу паклитаксела отдельно (стандарт) или в комбинации с экспериментальным агентом в течение 12 недельных циклов, за которыми следовали четыре (каждые 2–3 недели) циклы антрациклин-циклофосфамид (AC) перед операцией. МРТ-исследования проводились до неоадъювантной химиотерапии (НАХ) (Т0), ранней НАХ (Т1), в середине НАХ (Т2) и после НАХ (Т3).

Получение МРТ и анализ признаков

Для каждого участника исследования МРТ проводились в четырех последовательных временных точках: до лечения (T 0 , до NAC), после 3 циклов (T 1 , ранний NAC), после 12 циклов и между схемами лечения (T 2 , середина NAC) и перед операцией (T 3 , пост-NAC). Во всех МРТ-исследованиях использовалась DCE-MRI, выполненная в соответствии с предопределенным протоколом I-SPY 2 MRI (описанным в дополнительной таблице 2).

Для каждого исследования DCE-MRI оценивались четыре характеристики: функциональный объем опухоли (FTV), сферичность (SPH), контралатеральное фоновое паренхиматозное усиление (BPE) и наибольший диаметр (LD).FTV, SPH и BPE рассчитывались с использованием собственных программных инструментов, разработанных в программной среде IDL (Exelis Visual Information Solutions, Боулдер, Колорадо). Впоследствии метод FTV был воспроизведен на коммерческой платформе, получившей одобрение FDA IDE в 2010 году для использования в I-SPY 2 9,28 . LD измерялся рентгенологом учреждения и выводился из клинических отчетов МРТ координаторами исследования в каждом центре. Координаторы исследования, рентгенологи и специалисты по визуализации, которые работали над созданием этих признаков, не замечали патологических результатов.

FTV и SPH были рассчитаны в пределах трехмерного исследуемого объема (VOI), определенного рентгенологом или обученным координатором визуализации. Карты раннего процента усиления (PE) и коэффициента усиления сигнала (SER) были получены с помощью \(PE = \frac{{S_1 — S_0}}{{S_0}} \times 100\%\) и \(SER = \frac{ {S_1 — S_0}}{{S_2 — S_0}}\), где S 0 , S 1 и S 2 — интенсивность сигнала на предконтрастном, раннем (приблизительно) уровне. минут) и поздние (примерно 7.5 минут) после контрастирования соответственно. FTV был рассчитан путем суммирования объемов вокселов с PE ≥   70% и SER   ≥   0. Как описано ранее, порог, отличный от 70%, применялся для небольшого числа пациентов, когда это необходимо для учета вариабельности систем МРТ и характера усиления опухоли 9 . В этих случаях скорректированные пороги, определенные на исходном уровне, оставались постоянными для всех последующих МРТ-исследований. SPH был определен как \(\frac{{SA_0}}{{SA_{опухоль}}}\), где SA опухоль — это площадь поверхности маски опухоли 3D FTV, а SA 0 — это площадь поверхности опухоли. совершенная сфера того же объема.Площадь поверхности опухоли рассчитывали с использованием анализа поверхностной сетки. Значения SPH варьируются от 0 до 1,0, где 1,0 соответствует идеальной сфере.

BPE определяли как среднее значение PE фиброзно-железистой ткани в контралатеральной молочной железе. Алгоритм автоматизированной сегментации использовался для определения границ ткани молочной железы, а алгоритм кластеризации нечетких средних значений применялся для классификации фиброжелезистой ткани из сегментированной молочной железы 29 . BPE рассчитывали путем автоматического усреднения по ткани в пяти непрерывных осевых срезах, геометрически центрированных в направлении вверх-вниз, чтобы охарактеризовать ткань в центре молочной железы.Иллюстрации измерения FTV, LD, SPH и BPE показаны на дополнительном рисунке 1.

Патологический исход

pCR определяли как отсутствие остаточного инвазивного заболевания в молочной железе и подмышечных лимфатических узлах после NAC, измеренное во время операции. Гистопатологический анализ был выполнен патологоанатомами.

Статистический анализ

Исходные значения и процентные изменения по сравнению с исходным уровнем были рассчитаны для каждого признака и обработаны как независимые переменные в модели логистической регрессии с использованием бинарного результата pCR (1: pCR; 0: не-pCR) в качестве зависимой переменной.Площадь под кривой (AUC) для рабочей характеристики приемника (ROC) использовалась для оценки прогностической эффективности с применением 100-кратной 5-кратной перекрестной проверки, чтобы избежать предвзятых оценок точности классификации. 95% доверительный интервал (ДИ) перекрестной проверки AUC оценивался с использованием 1000 повторных выборок начальной загрузки. P -значения переменных в модели логистической регрессии были оценены критерием отношения правдоподобия хи-квадрат для вложенных моделей — с тестируемой переменной и без нее.Этот ретроспективный анализ был ограничен пациентами со всеми четырьмя функциями МРТ, доступными во все моменты времени лечения.

Модели логистической регрессии были построены с использованием одиночных и комбинированных функций МРТ. Для анализа одного признака (т. е. FTV, SPH, BPE или LD) были построены оптимизированные модели путем выбора переменных — из исходного показателя и процентного изменения на T1, T2, T3 по сравнению с исходным — в качестве независимых переменных в логистической регрессии. анализа, а также путем достижения наивысших перекрестных подтверждений AUC, как указано выше.Для комбинированного метода выбору переменных подвергались все переменные из четырех характеристик МРТ, доступных во все моменты времени лечения до Т3. Для одиночного и комбинированного анализов оптимизированные модели были созданы отдельно для полной когорты пациентов и для каждого из четырех подтипов рака молочной железы, определяемых статусом HR/HER2. Подтип был добавлен в качестве дополнительной независимой категориальной переменной в регрессионной модели для всей когорты.

Ранг Уилкоксона и точный критерий Фишера использовались для оценки различий по возрасту, подтипу HR/HER2, расе, состоянию менопаузы в начале NAC и лечению (экспериментальная химиотерапия по сравнению со стандартной химиотерапией).AUC кривых ROC сравнивали путем начальной загрузки с 2000 повторов с использованием двустороннего теста.

Статистический анализ выполнялся с использованием R версии 3.4.1 (R Foundation for Statistical Computing, Вена, Австрия), где для анализа логистической регрессии использовался пакет «caret» 30 , пакет «pROC» для анализа ROC 31 и «загрузочный» пакет для расчета 95% CI для перекрестной проверки AUC 32,33 . Все тесты считались номинально статистически значимыми, когда p  < 0.05.

Сводка отчета

Дополнительная информация о дизайне исследования доступна в Сводке отчета об исследовании природы, связанной с этой статьей.

Заболеваемость раком молочной железы, связанная с плотностью молочной железы, модифицируемыми и немодифицируемыми факторами риска рака молочной железы в Сингапуре

  • 1.

    Ferlay, J. et al . Заболеваемость раком и смертность во всем мире: источники, методы и основные закономерности в GLOBOCAN 2012. Int. J. Рак 136 , E359–386, https://doi.org/10.1002/ijc.29210 (2015 г.).

    КАС Статья пабмед ПабМед Центральный Google Scholar

  • 2.

    Yip, C. H. Рак молочной железы в Азии. Методы Мол. биол. 471 , 51–64, https://doi.org/10.1007/978-1-59745-416-2_3 (2009).

    Артикул пабмед Google Scholar

  • 3.

    Jara-Lazaro, A.R., Thilagaratnam, S. & Tan, P.H. Рак молочной железы в Сингапуре: некоторые перспективы. Рак молочной железы 17 , 23–28, https://doi.org/10.1007/s12282-009-0155-3 (2010).

    Артикул пабмед Google Scholar

  • 4.

    Совместная группа по гормональным факторам в молочной железе, C. Менархе, менопаузе и риску рака молочной железы: метаанализ отдельных участников, включая 118 964 женщин с раком молочной железы из 117 эпидемиологических исследований. Ланцет. Онкол. 13 , 1141–1151, https://doi.org/10.1016/S1470-2045(12)70425-4 (2012).

    Артикул Google Scholar

  • 5.

    Бойд, Н. Ф. и др. . Маммографическая плотность и риск и обнаружение рака молочной железы. Н. англ. Дж. Мед. 356 , 227–236, https://doi.org/10.1056/NEJMoa062790 (2007).

    КАС Статья пабмед Google Scholar

  • 6.

    Хамадзима, Н. и др. .Алкоголь, табак и рак молочной железы — совместный повторный анализ индивидуальных данных 53 эпидемиологических исследований, включающих 58 515 женщин с раком молочной железы и 95 067 женщин без заболевания. Бр. J. Рак 87 , 1234–1245, https://doi.org/10.1038/sj.bjc.6600596 (2002).

    КАС Статья пабмед Google Scholar

  • 7.

    Bruzzi, P., Green, S.B., Byar, D.P., Brinton, L.A. & Schairer, C. Оценка популяционного атрибутивного риска для множественных факторов риска с использованием данных случай-контроль. утра. Дж. Эпидемиол. 122 , 904–914 (1985).

    КАС Статья Google Scholar

  • 8.

    Engmann, N.J. и др. . Доля популяционно-приписываемого риска клинических факторов риска рака молочной железы. JAMA Oncol. 3 , 1228–1236, https://doi.org/10.1001/jamaoncol.2016.6326 (2017).

    Артикул пабмед ПабМед Центральный Google Scholar

  • 9.

    Тамими, Р. М. и др. . Популяционный атрибутивный риск модифицируемых и немодифицируемых факторов риска рака молочной железы при раке молочной железы в постменопаузе. утра. Дж. Эпидемиол. 184 , 884–893, https://doi.org/10.1093/aje/kww145 (2016).

    Артикул пабмед ПабМед Центральный Google Scholar

  • 10.

    Кларк, С. А., Пурди, Д. М. и Глейзер, С. Л. Популяционный атрибутивный риск рака молочной железы у белых женщин, связанный с факторами риска, поддающимися немедленному изменению. BMC Cancer 6 , 170, https://doi.org/10.1186/1471-2407-6-170 (2006).

    Артикул пабмед ПабМед Центральный Google Scholar

  • 11.

    Sprague, B.L. и др. . Доля инвазивного рака молочной железы, связанная с факторами риска, поддающимися изменению после менопаузы. утра. Дж. Эпидемиол. 168 , 404–411, https://doi.org/10.1093/aje/kwn143 (2008 г.).

    Артикул пабмед ПабМед Центральный Google Scholar

  • 12.

    Маас, П. и др. . Риск рака молочной железы от модифицируемых и немодифицируемых факторов риска среди белых женщин в Соединенных Штатах. JAMA Oncol. 2 , 1295–1302, https://doi.org/10.1001/jamaoncol.2016.1025 (2016).

    Артикул пабмед ПабМед Центральный Google Scholar

  • 13.

    Barnes, BB, Steindorf, K., Hein, R., Flesch-Janys, D. & Chang-Claude, J. Популяционный атрибутивный риск инвазивного постменопаузального рака молочной железы и подтипов рака молочной железы для модифицируемых и немодифицируемых модифицируемые факторы риска. Рак Эпидемиол. 35 , 345–352, https://doi.org/10.1016/j.canep.2010.11.003 (2011).

    Артикул пабмед Google Scholar

  • 14.

    Меззетти, М. и др. . Популяционный риск рака молочной железы: диета, питание и физические упражнения. Дж. Натл. Рак инст. 90 , 389–394 (1998).

    КАС Статья Google Scholar

  • 15.

    Паркин, Д. М., Бойд, Л. и Уокер, Л. К. 16. Доля рака, связанная с образом жизни и факторами окружающей среды в Великобритании в 2010 г. Br. J. Рак 105 (Приложение 2), S77–81, https://doi.org/10.1038/bjc.2011.489 (2011).

    Артикул пабмед ПабМед Центральный Google Scholar

  • 16.

    Wilson, L. F. et al . Популяционный атрибутивный риск модифицируемых факторов риска, связанных с инвазивным раком молочной железы, у женщин в возрасте 45-69 лет в Квинсленде, Австралия. Maturitas 76 , 370–376, https://doi.org/10.1016/j.maturitas.2013.09.002 (2013).

    Артикул пабмед Google Scholar

  • 17.

    Юго-Восточная Азия Население , http://www.worldometers.info/world-population/south-east-asia-population/ (2018).

  • 18.

    Парк, Б. и др. . Популяционные риски модифицируемых репродуктивных факторов для рака молочной железы и яичников в Корее. BMC Cancer 16 , 5, https://doi.org/10.1186/s12885-015-2040-0 (2016).

    КАС Статья пабмед ПабМед Центральный Google Scholar

  • 19.

    Hu, X. F. и др. . Популяционные оценки риска рака молочной железы у китайских женщин. Чжунхуа Чжун Лю За Чжи 35 , 796–800 (2013).

    ПабМед Google Scholar

  • 20.

    Li, L. и др. . Атрибутивные причины рака молочной железы и рака яичников в Китае: репродуктивные факторы, оральные контрацептивы и заместительная гормональная терапия. Подбородок. Дж. Рак Рез. 24 , 9–17, https://doi.org/10.1007/s11670-012-0009-y (2012).

    ОБЪЯВЛЕНИЕ КАС Статья пабмед ПабМед Центральный Google Scholar

  • 21.

    Демографический профиль Сингапура, 2018 г., https://www.indexmundi.com/singapore/demographics_profile.html (2018 г.).

  • 22.

    Ng, E.H. и др. . Результаты промежуточных показателей популяционного рандомизированного исследования распространенности маммографического скрининга и выявления карциномы молочной железы среди азиатских женщин: Сингапурский проект скрининга молочной железы. Рак 82 , 1521–1528 (1998).

    КАС Статья Google Scholar

  • 23.

    Фунг, Дж. В. и др. . Качество данных в Сингапурском онкологическом регистре: обзор сопоставимости, полноты, достоверности и своевременности. Рак Эпидемиол. 43 , 76–86, https://doi.org/10.1016/j.canep.2016.06.006 (2016).

    Артикул пабмед Google Scholar

  • 24.

    Организация, WH Индекс массы тела – ИМТ , http://www.euro.who.int/en/health-topics/disease-prevention/nutrition/a-healthy-lifestyle/body-mass -индекс-ИМТ (2018).

  • 25.

    Lee, C.P. и др. . Маммографическая плотность груди и распространенные генетические варианты в прогнозировании риска рака молочной железы. PLoS One 10 , e0136650, https://doi.org/10.1371/journal.pone.0136650 (2015).

    КАС Статья пабмед ПабМед Центральный Google Scholar

  • 26.

    Ли, Дж. и др. . Высокопроизводительное маммографическое измерение плотности: инструмент для прогнозирования риска рака молочной железы. Рак молочной железы Res. 14 , R114, https://doi.org/10.1186/bcr3238 (2012).

    ОБЪЯВЛЕНИЕ Статья пабмед ПабМед Центральный Google Scholar

  • 27.

    Рокхилл, Б., Ньюман, Б. и Вайнберг, К. Использование и неправильное использование относительных фракций населения. утра. Дж. Общественный. Health 88 , 15–19 (1998).

    КАС Статья Google Scholar

  • 28.

    Роу, А. К., Пауэлл, К. Э. и Фландерс, В. Д. Почему относительные доли населения могут в сумме давать более единицы. утра. Ж. превентивный мед. 26 , 243–249, https://doi.org/10.1016/j.amepre.2003.12.007 (2004).

    Артикул Google Scholar

  • 29.

    Маваддат, Н. и др. . Прогнозирование риска рака молочной железы на основе профилирования с распространенными генетическими вариантами. Дж. Натл. Рак Институт . 107 , https://doi.org/10.1093/jnci/djv036 (2015 г.).

  • 30.

    Глобальная обсерватория рака , http://ci5.iarc.fr/CI5plus/old/Table 4r.asp? 2000&sex=2&window=1&text=1&stat=0&submit=Execute (2018).

  • 31.

    Повозрастные коэффициенты смертности, годовой , https://data.gov.sg/dataset/age-specific-death-rates-annual?view_id=930b4b69-24ce-476a-99b4-415a44418d09&resource_id= 0024df14-70c1-47f3-90e1-51e1a2628bf0 (2018 г.).

  • 32.

    Робин, X. и др. . pROC: пакет с открытым исходным кодом для R и S+ для анализа и сравнения кривых ROC. БМС Биоинформа. 12 , 77 (2011).

    Артикул Google Scholar

  • 33.

    Ноун, А. М. и др. . (редакторы). Обзор онкологической статистики SEER, 1975–2015 гг. . Таблица 4.17 ., http://seer.cancer.gov/csr/1975 (2015).

  • 34.

    Кузик, Дж. и др. . Тамоксифен-индуцированное снижение маммографической плотности и снижение риска рака молочной железы: вложенное исследование случай-контроль. Дж. Натл. Рак инст. 103 , 744–752, https://doi.org/10.1093/jnci/djr079 (2011).

    КАС Статья пабмед Google Scholar

  • 35.

    Cuzick, J., Warwick, J., Pinney, E., Warren, R.M. & Duffy, S.W. Тамоксифен и плотность молочной железы у женщин с повышенным риском рака молочной железы. Дж. Натл. Рак инст. 96 , 621–628 (2004).

    КАС Статья Google Scholar

  • 36.

    Нельсон, Х. Д., Смит, М. Э., Гриффин, Дж. К. и Фу, Р. Использование лекарств для снижения риска первичного рака молочной железы: систематический обзор для Целевой группы профилактических служб США. Энн. Стажер Мед. 158 , 604–614, https://doi.org/10.7326/0003-4819-158-8-201304160-00005 (2013).

    Артикул пабмед Google Scholar

  • 37.

    Булун, С.Э., Чен, Д., Мой, И., Брукс, Д.К. и Чжао, Х. Ароматаза, рак молочной железы и ожирение: сложное взаимодействие. Тенденции Эндокринол. Метаб. 23 , 83–89, https://doi.org/10.1016/j.tem.2011.10.003 (2012).

    КАС Статья пабмед Google Scholar

  • 38.

    Suzuki, R., Orsini, N., Saji, S., Key, T.J. & Wolk, A. Масса тела и заболеваемость раком молочной железы, определяемые статусом рецепторов эстрогена и прогестерона – мета-анализ. Междунар. J. Рак 124 , 698–712, https://doi.org/10.1002/ijc.23943 (2009).

    КАС Статья пабмед Google Scholar

  • 39.

    Берстад, П. и др. . Исследование случай-контроль индекса массы тела и риска рака молочной железы у белых и афроамериканских женщин. Рак Эпидемиол. Биомаркеры Пред. 19 , 1532–1544, https://doi.org/10.1158/1055-9965.EPI-10-0025 (2010).

    Артикул пабмед ПабМед Центральный Google Scholar

  • 40.

    Манселл, М. Ф., Спраг, Б. Л., Берри, Д. А., Чизхолм, Г. и Трентам-Дитц, А. Индекс массы тела и риск рака молочной железы в зависимости от использования эстрогена-прогестина в постменопаузе и статуса гормональных рецепторов. Эпидемиол. 36 , 114–136, https://doi.org/10.1093/epirev/mxt010 (2014).

    Артикул пабмед ПабМед Центральный Google Scholar

  • 41.

    Пикон-Руис, М., Мората-Тарифа, К., Валье-Гоффен, Дж.Дж., Фридман, Э. Р. и Слингерланд, Дж. М. Ожирение и неблагоприятный риск и исход рака молочной железы: механистическое понимание и стратегии вмешательства. CA Cancer J. Clin. 67 , 378–397, https://doi.org/10.3322/caac.21405 (2017).

    Артикул пабмед ПабМед Центральный Google Scholar

  • 42.

    Ренехан, А. Г., Тайсон, М., Эггер, М., Хеллер, Р. Ф. и Цвален, М. Индекс массы тела и заболеваемость раком: систематический обзор и метаанализ проспективных обсервационных исследований. Lancet 371 , 569–578, https://doi.org/10.1016/S0140-6736(08)60269-X (2008).

    Артикул пабмед Google Scholar

  • 43.

    Wang, H., Seow, A. & Lee, H. P. Тенденции заболеваемости раком среди сингапурских малайцев: население с низким уровнем риска. Энн. акад. Мед. Сингапур. 33 , 57–62 (2004).

    ПабМед Google Scholar

  • 44.

    Йип, Ч. Х., Тайб, Н. А. и Мохамед, И. Эпидемиология рака молочной железы в Малайзии. Азиатский пакет. J. Рак Prev. 7 , 369–374 (2006).

    ПабМед Google Scholar

  • 45.

    Apter, D., Reinila, M. & Vihko, R. Некоторые эндокринные характеристики раннего менархе, фактора риска рака молочной железы, сохраняются во взрослом возрасте. Междунар. J. Рак 44 , 783–787 (1989).

    КАС Статья Google Scholar

  • 46.

    Перес, Дж. Понимание плотности груди и риска рака молочной железы. J. Natl Cancer Inst. 104 , 1345–1346, https://doi.org/10.1093/jnci/djs403 (2012).

    Артикул пабмед Google Scholar

  • 47.

    Wolfe, J. N. Модели груди как показатель риска развития рака молочной железы. AJR Am. Дж. Рентгенол. 126 , 1130–1137, https://doi.org/10.2214/ajr.126.6.1130 (1976).

    КАС Статья пабмед Google Scholar

  • 48.

    Бойд, Н. Ф. и др. . Маммографическая плотность и риск рака молочной железы. груди Дис. 10 , 113–126 (1998).

    КАС Статья Google Scholar

  • 49.

    Бирн, К. и др. . Маммографические особенности и риск рака молочной железы: влияние времени, возраста и состояния менопаузы. Дж. Натл. Рак инст. 87 , 1622–1629 (1995).

    КАС Статья Google Scholar

  • 50.

    Nyberg, S.T. и др. . Ожирение и потеря лет без болезней из-за основных неинфекционных заболеваний: многогрупповое исследование. Ланцет. Общественный . здоровье , https://doi.org/10.1016/s2468-2667(18)30139-7 (2018).

    Артикул Google Scholar

  • 51.

    Вин, А. М. и др. . Модели физической активности и малоподвижного поведения в репрезентативной выборке многонационального населения Юго-Восточной Азии: поперечное исследование. BMC общедоступный. здоровье 15 , 318, https://doi.org/10.1186/s12889-015-1668-7 (2015).

    Артикул пабмед ПабМед Центральный Google Scholar

  • 52.

    Клинические практические рекомендации МЗ 6/2003 75-93 (Министерство здравоохранения, Министерство здравоохранения, 2003 г.).

  • 53.

    Millikan, R.C. и др. . Эпидемиология базальноподобного рака молочной железы. Рак молочной железы Res. Обращаться. 109 , 123–139, https://doi.org/10.1007/s10549-007-9632-6 (2008 г.).

    Артикул пабмед Google Scholar

  • SVM и ансамбли SVM в прогнозировании рака молочной железы

    Abstract

    Рак молочной железы является слишком распространенным заболеванием среди женщин, поэтому его эффективное прогнозирование является активной исследовательской проблемой. Для разработки различных моделей прогнозирования рака молочной железы использовался ряд статистических методов и методов машинного обучения. Было показано, что среди них машины опорных векторов (SVM) превосходят многие связанные методы.Чтобы построить классификатор SVM, сначала необходимо определить функцию ядра, а разные функции ядра могут привести к разным результатам прогнозирования. Однако было проведено очень мало исследований, посвященных изучению характеристик прогнозирования SVM на основе различных функций ядра. Кроме того, неизвестно, могут ли ансамбли SVM-классификаторов, которые были предложены для повышения производительности отдельных классификаторов, превзойти одиночные SVM-классификаторы с точки зрения прогнозирования рака молочной железы.Таким образом, цель этой статьи состоит в том, чтобы полностью оценить эффективность прогнозирования ансамблей SVM и SVM для небольших и крупных наборов данных о раке молочной железы. Сравниваются точность классификации, ROC, F-мера и время вычислений обучения SVM и ансамблей SVM. Экспериментальные результаты показывают, что ансамбли SVM на основе линейного ядра, основанные на методе мешков, и ансамбли SVM на основе ядра RBF с методом бустинга могут быть лучшим выбором для небольшого набора данных, где выбор признаков должен выполняться на этапе предварительной обработки данных.Для крупномасштабного набора данных ансамбли SVM на основе ядра RBF, основанные на бустинге, работают лучше, чем другие классификаторы.

    Образец цитирования: Huang M-W, Chen C-W, Lin WC, Ke S-W, Tsai CF (2017) Ансамбли SVM и SVM в прогнозировании рака молочной железы. ПЛОС ОДИН 12(1): е0161501. https://doi.org/10.1371/journal.pone.0161501

    Редактор: Enrique Hernandez-Lemus, Instituto Nacional de Medicina Genomica, MEXICO

    Получено: 11 марта 2016 г.; Принято: 5 августа 2016 г .; Опубликовано: 6 января 2017 г.

    Авторское право: © 2017 Huang et al.Это статья с открытым доступом, распространяемая в соответствии с условиями лицензии Creative Commons Attribution License, которая разрешает неограниченное использование, распространение и воспроизведение на любом носителе при условии указания автора и источника.

    Доступность данных: Наборы данных доступны по адресу: http://archive.ics.uci.edu/ml/, http://www.sigkdd.org/kddcup/index.php.

    Финансирование: Авторы не получали финансирования для этого исследования.

    Конкурирующие интересы: Авторы заявили об отсутствии конкурирующих интересов.

    Введение

    Предсказание рака молочной железы долгое время считалось важной исследовательской проблемой в медицинских учреждениях. Этот рак развивается в ткани молочной железы [1]. Существует несколько факторов риска развития рака молочной железы, включая женский пол, ожирение, отсутствие физических упражнений, употребление алкоголя, заместительную гормональную терапию в период менопаузы, ионизирующее излучение, ранний возраст первой менструации, позднее рождение детей или их отсутствие, а также пожилой возраст.

    Существуют различные типы рака молочной железы, с различными стадиями или распространением, агрессивностью и генетическим строением.Поэтому было бы очень полезно иметь систему, позволяющую раннее выявление и профилактику, что увеличило бы показатели выживаемости при раке молочной железы.

    В литературе обсуждается ряд различных статистических методов и методов машинного обучения, которые применялись для разработки моделей прогнозирования рака молочной железы, таких как логистическая регрессия, линейный дискриминантный анализ, наивный байесовский метод, деревья решений, искусственные нейронные сети, метод k-ближайшего соседа и метод поддержки. векторные машинные методы [2–9].

    В частности, исследования, сравнивающие некоторые из вышеупомянутых методов, показали, что SVM работает лучше, чем многие другие родственные методы [10–15].

    При построении классификатора SVM необходимо определить конкретную функцию ядра, такую ​​как полиномиальная или радиальная базисная функция (RBF), которая является важным параметром обучения. Однако было проведено очень мало исследований, посвященных оценке эффективности прогнозирования классификаторов SVM, построенных с использованием различных функций ядра.Кроме того, известно, что объединение нескольких классификаторов или ансамблей классификаторов, еще одна активная область исследований в области классификации образов, часто дает лучшую производительность, чем отдельные классификаторы [16]. Однако, за исключением Lavanya и Rani [17], которые показали, что ансамбли деревьев решений, построенные с помощью мешков, работают лучше, чем модель с одним деревом решений, эффективность ансамблей классификаторов в прогнозировании рака молочной железы часто не изучалась. Таким образом, неизвестно, могут ли ансамбли SVM превзойти одиночные классификаторы SVM в прогнозировании рака молочной железы.

    Другим осложняющим фактором является то, что набор данных для прогнозирования рака молочной железы обычно несбалансирован по классам, при этом класс меньшинства содержит небольшое количество пациентов с раком, а класс большинства содержит большое количество пациентов без рака. Это означает, что использование только точности прогнозирования или точности классификации для оценки моделей прогнозирования недостаточно [18]. Другие метрики оценки, которые используют различные типы ошибок классификации, такие как площадь под кривой (AUC) или кривая рабочих характеристик приемника (ROC) [19], также должны быть изучены, чтобы полностью понять производительность модели прогнозирования.

    Таким образом, цель нашего исследования состоит в том, чтобы сравнить ансамбли SVM и SVM с использованием различных функций ядра (т. е. линейных, полиномиальных и RBF-функций ядра) и комбинированных методов (т. Их производительность будет оцениваться с помощью различных показателей оценки, включая точность классификации, ROC, F-меру и время обучения классификатора. Следовательно, результаты этой статьи должны позволить будущим исследователям легко выбрать наиболее эффективную базовую технику, которая может обеспечить оптимальную производительность прогнозирования для будущего сравнения.

    Остальная часть этого документа организована следующим образом. Раздел 2 содержит обзор связанных исследований, в том числе по машинам опорных векторов и ансамблям классификаторов, и сравнивает связанные работы с точки зрения используемой функции ядра, используемого набора данных и рассматриваемой метрики оценки. Раздел 3 описывает экспериментальную методологию, включая экспериментальную процедуру, процесс вменения и экспериментальную установку. В разделе 4 представлены экспериментальные результаты. Наконец, Раздел 5 завершает статью.

    Обзор литературы

    Машины опорных векторов

    Машины опорных векторов (SVM), впервые представленные Вапником [20], показали свою эффективность во многих задачах распознавания образов [21] и могут обеспечить лучшую производительность классификации, чем многие другие методы классификации.

    СВМ классификатор выполняет бинарную классификацию, т. Е. Он разделяет набор векторов обучения для двух разных классов ( x 9079 1 , y 1 ), ( x 2 , y y 2 2 ), …, ( x м , y м ), где x 9079 I R D обозначает векторы в пространстве признаков d , а y i ∈ {-1, +1} является меткой класса.Модель SVM генерируется путем отображения входных векторов в новое многомерное пространство признаков, обозначаемое как Φ: R d H f , где d Затем оптимальная разделяющая гиперплоскость в новом пространстве признаков строится с помощью функции ядра K ( x i , x j ), которая является произведением входных векторов 92 x 9079 I I и x J и где K ( x I , x J ) = φ ( x I ) · Φ( x j ).

    Рис. 1 иллюстрирует эту процедуру SVM на основе линейного ядра, которая отображает нелинейное входное пространство в новое линейно разделимое пространство. В частности, все векторы, лежащие по одну сторону от гиперплоскости, помечаются как -1, а все векторы, лежащие по другую сторону, помечаются как +1. Обучающие экземпляры, лежащие ближе всего к гиперплоскости в преобразованном пространстве, называются опорными векторами. Количество этих опорных векторов обычно невелико по сравнению с размером обучающей выборки, и они определяют границу гиперплоскости и, следовательно, поверхность принятия решений.

    Два широко используемые функции ядра являются полиномиальными и гауссовыми радиальными функциями (RBF) функции ядра, которые являются K POLY x I , x , J ) = ( x I I · x 9

    Связанные работы показали, что не существует формального способа определить наилучшую функцию ядра для конкретной проблемы предметной области. Однако среди различных ядерных функций ядра линейных, полиномиальных и радиальных базисных функций наиболее широко используются и сравниваются в различных предметных задачах, таких как классификация сельскохозяйственных культур [22], классификация экспрессии генов [23], локализация белка [24], динамик идентификация [25] и идентификация сайта сплайсинга [26].

    Ансамбли классификатора

    Ансамбли классификаторов, объединяющие несколько классификаторов, стали рассматриваться как важный метод классификации образов [27–29], предлагающий улучшенную эффективность классификации одного классификатора [16].

    Концепция ансамблей классификаторов основана на природе обработки информации в мозге, которая является модульной. То есть отдельные функции могут быть подразделены на функционально разные подпроцессы или подзадачи без взаимного вмешательства [30]. Это принцип «разделяй и властвуй», который позволяет разделить сложную проблему на более простые подзадачи (то есть более простые задачи), которые затем можно решить с помощью различных методов или алгоритмов обучения.

    Двумя широко используемыми методами объединения нескольких классификаторов являются бэггинг и бустинг.При бэггинге несколько классификаторов обучаются независимо друг от друга с помощью разных обучающих наборов с помощью метода начальной загрузки [31]. Начальная загрузка создает тыс. реплицированных наборов обучающих данных для создания тыс. независимых классификаторов путем случайной повторной выборки исходного заданного обучающего набора данных, но с заменой. То есть каждый обучающий пример может казаться повторяющимся в любом конкретном повторяющемся наборе обучающих данных из k или вообще не повторяться. Затем 90 791 тыс. 90 792 классификаторов объединяются с помощью соответствующего комбинированного метода, такого как мажоритарное голосование [32].

    При бустинге, как и при бэггинге, каждый классификатор обучается с использованием разных обучающих наборов. Однако к классификаторов обучаются не параллельно и независимо, а последовательно. Оригинальный подход к бустингу, бустинг путем фильтрации , был предложен Шапиром [33]. В настоящее время AdaBoost (или Adaptive Boosting) является наиболее распространенным алгоритмом обучения, используемым для распознавания образов.

    Изначально каждый пример данной обучающей выборки имеет одинаковый вес.Для обучения k -го классификатора как слабообучаемой модели , n наборов обучающих выборок ( n < m ) из S используются для обучения k -го классификатора. Затем обученный классификатор оценивается с помощью S для определения тех обучающих примеров, которые не могут быть правильно классифицированы. Затем классификатор k + 1 обучается с помощью модифицированного обучающего набора, который повышает важность этих неправильно классифицированных примеров.Эта процедура выборки будет повторяться до тех пор, пока не будет построено К обучающих выборок для построения К--го классификатора. Окончательное решение основывается на взвешенном голосовании отдельных классификаторов [34].

    Сравнение связанных работ с использованием SVM

    В таблице 1 сравниваются несколько недавних связанных работ по прогнозированию рака молочной железы с использованием SVM с точки зрения используемой функции ядра, используемого набора данных и рассматриваемой метрики оценки. Обратите внимание, что в некоторых исследованиях используется программное обеспечение для интеллектуального анализа данных Weka (доступно по адресу: http://www.cs.waikato.ac.nz/ml/weka/) для построения классификатора SVM, и они не указывают используемую функцию ядра. В этом случае мы предполагаем, что они учитывают параметры SVM по умолчанию, т. е. функцию ядра RBF.

    Из таблицы 1 можно определить несколько ограничений этих недавних исследований. За исключением You и Rumbe [15], большинство связанных работ по созданию классификатора SVM для прогнозирования рака молочной железы основаны только на функции ядра RBF. Хотя RBF является наиболее широко используемой функцией ядра в SVM, эффективность предсказания, полученная с использованием других популярных функций ядра, еще не полностью изучена.Во-вторых, в большинстве исследований в своих экспериментах использовался только набор данных по раку молочной железы, штат Висконсин. Хотя это общедоступный набор данных (доступен по адресу: https://archive.ics.uci.edu/ml/datasets/Breast+Cancer+Wisconsin+(Original)), размер его набора данных слишком мал для эффективной проверки производительности SVM. для предсказания рака молочной железы. Поэтому в этой статье для дальнейшего сравнения будет использоваться другой крупномасштабный набор данных по раку молочной железы.

    Наконец, точность предсказания (или классификации) обычно является основной оценочной метрикой, используемой для оценки производительности моделей предсказания.Однако собранный набор данных для прогнозирования рака молочной железы обычно классифицируется как проблема дисбаланса классов. То есть класс для пациентов с раком содержит очень небольшое количество выборок данных, тогда как класс для здоровых пациентов без рака содержит очень большое количество выборок данных. Это вызывает проблему при проверке точности прогностической модели, поскольку ошибка неправильной классификации нормального пациента без рака как части класса рака и ошибка неправильной классификации пациента с раком как части нормального класса не оцениваются.Только в половине родственных работ, показанных в таблице 1, рассматриваются как индексы чувствительности (т. е. частота истинных положительных результатов), так и индексы специфичности (т. е. частота ложных срабатываний) или кривая рабочих характеристик приемника (ROC), которая основана на чувствительности и специфичности. вместе. Таким образом, в дополнение к точности классификации в этом исследовании также будут рассмотрены ROC-кривая, частота F-меры или оценка F-1 [37]. F-мера учитывает как точность (количество правильных положительных результатов, деленное на количество всех положительных результатов), так и полноту (количество правильных положительных результатов, деленное на количество положительных результатов, которые должны были быть возвращены) при вычислении оценки. .Другими словами, это средневзвешенное значение точности и полноты.

    Экспериментальная методология

    Экспериментальная процедура

    Экспериментальная процедура основана на следующих шагах. Прежде всего, данный набор данных разделен на 90% обучающих и 10% тестовых наборов на основе стратегии 10-кратной перекрестной проверки [38]. На втором этапе основное внимание уделяется построению классификаторов SVM с использованием различных функций ядра (т. е. линейных, полиномиальных и RBF) по отдельности.Кроме того, ансамбли классификаторов SVM также будут создаваться путем объединения в пакеты и повышения для создания ансамблей линейных, полиномиальных и RBF SVM. Наконец, тестовый набор подается в построенные классификаторы перед проверкой их точности классификации, ROC и скоростей F-мер. Кроме того, время обучения классификатора также сравнивается для анализа вычислительной сложности обучения различных классификаторов.

    Мы также проверяем, может ли выбор признаков для фильтрации нерепрезентативных признаков из выбранного набора данных повысить эффективность классификаторов по сравнению с классификаторами без выбора признаков.В этом случае используется генетический алгоритм (ГА) [39].

    Экспериментальная установка

    Наборы данных.

    В этой статье используются два набора данных по раку молочной железы, которые доступны в репозитории машинного обучения UCI (доступно по адресу: http://archive.ics.uci.edu/ml/) и ACM SIGKDD Cup 2008 (доступно по адресу: http://www.sigkdd.org/kddcup/index.php). Первый представляет собой относительно небольшой набор данных, который состоит из 699 выборок данных, и каждая выборка данных имеет 11 различных функций.С другой стороны, последний набор данных содержит 102 294 выборки данных, и каждая выборка данных представлена ​​117 различными функциями, что в этой статье рассматривается как крупномасштабный набор данных.

    Дизайн классификатора.

    Для построения различных классификаторов SVM используется программное обеспечение Weka для интеллектуального анализа данных. Помимо функций ядра, которые выбираются для разработки конкретных классификаторов SVM, другие связанные параметры основаны на значениях Weka по умолчанию. Тот же подход используется для построения ансамблей SVM на основе бэггинга и бустинга.

    Следовательно, существует три одиночных классификатора SVM, а именно линейный SVM, полиномиальный SVM и RBF SVM, и шесть ансамблей SVM, а именно ансамбли линейных/полиномиальных/RBF SVM, построенных с помощью бэггинга и бустинга соответственно. Кроме того, для оценки производительности различных классификаторов SVM, помимо точности классификации, ROC и скорости F-меры, также сравнивается время, затрачиваемое на обучение каждого классификатора. Обратите внимание, что вычислительная среда основана на ПК с процессором Intel ® Core i7-2600 @ 3.40 ГГц, 4 ГБ оперативной памяти.

    Мы также используем Weka для выполнения задачи выбора признаков с использованием генетического алгоритма, и его параметры основаны на значениях по умолчанию.

    Экспериментальные результаты

    Одиночные классификаторы SVM

    На рис. 2 и 3 показаны характеристики SVM-классификаторов, полученные с линейными, полиномиальными и RBF-функциями ядра с выбором признаков и без него с точки зрения точности классификации, ROC, F-меры и времени вычислений (в секундах) в течение два набора данных соответственно.Обратите внимание, что после выполнения выбора признаков с использованием генетического алгоритма количество признаков, выбранных из мелкомасштабных и крупномасштабных наборов данных, составляет 10 и 36 соответственно.

    Как мы видим, выбор признаков перед обучением SVM-классификаторов позволяет им значительно повысить производительность (то есть точность классификации, ROC и F-меру). В частности, наилучшие показатели дает GA + linear SVM для точности классификации (96,85%), GA + linear SVM для ROC (0.967) и GA + RBF SVM для F-меры (0,988). Более того, нет большой разницы в производительности между GA + linear SVM и GA + RBF SVM.

    Кроме того, значительно сокращается время вычислений для обучения классификаторов SVM после выбора признаков по сравнению с базовыми классификаторами SVM без выбора признаков. Сравнение времени обучения показывает, что обучение RBF SVM требует наименьшего времени, а поли SVM требует второго наименьшего времени. Наибольшее вычислительное время требуется для линейного классификатора SVM.

    При работе с крупномасштабным набором данных выполнение выбора признаков не обязательно приводит к тому, что классификаторы SVM работают лучше, чем классификаторы без выбора признаков. В частности, наилучшие результаты достигаются с помощью поли SVM и GA + поли SVM для точности классификации (99,50%) и поли SVM для ROC (0,614) и F-меры (0,994). Подобно результатам, полученным с набором данных малого масштаба, классификаторы SVM с выбором признаков и без него на основе полиномиальных и ядерных функций RBF работают одинаково с точки зрения точности классификации и F-меры, в частности, различия в производительности равны 0.02% для точности классификации и 0,001 для F-меры. Однако, когда ROC рассматривается в качестве оценочной метрики, поли SVM значительно превосходит другие классификаторы SVM.

    Сравнение времени вычислений для обучения классификаторов SVM показывает, что самое большое вычислительное время требуется для линейного классификатора SVM без выбора признаков. После выбора признаков время обучения для других классификаторов, т. е. поли SVM и RBF SVM, примерно в два раза меньше, чем без выбора признаков.Однако, с нашей точки зрения, нет большой разницы между 11 минутами, затраченными на GA + poly SVM, и 20 минутами, затраченными на poly SVM, особенно когда последняя модель прогнозирования дает наилучшие результаты с точки зрения точности классификации, ROC и F. -мера.

    Короче говоря, GA + RBF SVM и poly SVM являются лучшим выбором для малых и больших наборов данных соответственно, поскольку они могут обеспечить лучшую производительность с точки зрения точности классификации, ROC и F-меры, и они не требуют большого классификатора. время обучения.

    Ансамбли классификаторов SVM

    На рисунках с 4 по 7 показаны характеристики ансамблей линейных, поли- и RBF SVM-классификаторов, полученные с помощью мешков и бустингов с выбором признаков и без него, с точки зрения точности классификации, ROC, F-меры и времени вычислений для двух наборов данных. , соответственно.

    Для набора данных небольшого масштаба, аналогичного одиночным классификаторам SVM (см. рис. 2(a)–2(c)), сочетание GA с ансамблями SVM превосходит ансамбли SVM без выбора признаков, независимо от того, какая функция ядра и метод ансамбля используются.В частности, ансамбли GA + RBF SVM с использованием метода бустинга показывают лучшие результаты с точки зрения точности классификации (98,28%), тогда как ансамбли GA + linear SVM и ансамбли GA + poly SVM с использованием метода мешков превосходят другие ансамбли классификаторов (0,98). ), а GA + linear SVM с использованием как методов мешков, так и бустинга может обеспечить самую высокую скорость F-меры (0,966).

    Обучение ансамблей SVM на основе сокращенного набора данных после выполнения GA приводит к значительному сокращению времени вычислений.В частности, ансамбли RBF SVM требуют меньше времени на обучение, чем ансамбли линейных и поли-SVM, когда используется исходный набор данных. Этот результат аналогичен предыдущему (см. рис. 2(d)).

    При работе с крупномасштабным набором данных выполнение выбора признаков не приводит к повышению производительности ансамблей SVM по сравнению с отсутствием выбора признаков. В частности, наилучшая производительность достигается при использовании ансамблей RBF SVM и метода бустинга, ансамблей GA + linear SVM и метода бустинга, а также ансамблей RBF SVM и метода бустинга с точки зрения точности классификации (99.52%), ROC (0,876) и F-мера (0,995).

    Ансамбли SVM, использующие метод бустинга, требуют большего времени обучения, чем ансамбли, использующие метод мешков. Однако ансамбли RBF SVM требуют меньше времени, чем другие ансамбли SVM.

    Обсуждение

    Не существует единого классификатора, который лучше всего подходит для всех показателей оценки. В таблице 2 перечислены 3 лучших классификатора на основе точности классификации, ROC и F-меры для дальнейшего сравнения.

    Мы можем заметить, что ансамбли SVM в основном обеспечивают лучшую производительность, чем отдельные классификаторы SVM.Этот вывод согласуется с результатами родственных исследований (Kittler et al., 1998). Кроме того, для набора данных небольшого масштаба ансамбли GA + linear SVM с помощью мешков и ансамбли GA + RBF SVM с бустингом можно рассматривать как лучшие классификаторы для различных показателей оценки. С другой стороны, для крупномасштабного набора данных только ансамбли RBF + SVM с бустингом входят в первые 3 списка трех различных показателей оценки.

    Когда также сравнивается время вычислений, время обучения GA + linear SVM с бэггингом аналогично времени обучения для ансамблей GA + RBF SVM с бустингом, когда используется небольшой набор данных (т.е., 0,57 против 0,5). Для лучшего классификатора крупномасштабного набора данных ансамблям RBF SVM с бустингом требуется около 301 часа, что меньше, чем в среднем требуется для ансамблей SVM с бустингом (724 часа), но больше, чем в среднем для ансамблей SVM с пакетированием (65 часов). часы).

    Поэтому, когда используется больший набор данных и одновременно учитываются характеристики прогнозирования и время обучения классификатора, мы рекомендуем ансамбли GA + RBF SVM на основе повышения.Это связано с тем, что они обеспечивают точность классификации, ROC и F-меру 99,41%, 0,875 и 0,994 соответственно. Кроме того, для них требуется около 186 часов, что значительно меньше, чем для ансамблей RBF SVM с бустингом. Однако, если используется облачная платформа, например, с вычислениями MapReduce, реализованными с помощью Hadoop (доступно по адресу: https://hadoop.apache.org/), вычислительная нагрузка, безусловно, может быть уменьшена. В этом случае ансамбли RBF SVM с бустингом являются оптимальным выбором для модели прогнозирования рака молочной железы.

    Следует отметить, что эти результаты подходят только для наборов данных прогнозирования рака молочной железы. То есть эти два набора данных содержат небольшое количество признаков и большое количество выборок данных, то есть 11 против 699 для мелкомасштабного набора данных и 117 против 102 294 для крупномасштабного набора данных. Здесь для дальнейшего анализа используются два дополнительных набора данных, которые содержат очень большое количество признаков, но меньшее количество выборок данных, т. е. количество признаков больше, чем количество выборок данных.Это Arcene (доступно по адресу: https://archive.ics.uci.edu/ml/datasets/Arcene) и MicroMass (доступно по адресу: https://archive.ics.uci.edu/ml/datasets/MicroMass). наборы данных, которые содержат 10 000 признаков против 900 выборок данных и 1300 признаков против 931 выборки данных соответственно.

    В таблице 3 показаны результаты различных классификаторов SVM с использованием двух наборов данных. Как мы видим, классификаторы RBF SVM работают хуже всего с наборами данных такого типа. С другой стороны, для линейных классификаторов SVM и поли SVM построение ансамблей классификаторов методами бэггинга и бустинга не всегда превосходит одиночные классификаторы.В частности, эти результаты показывают, что использование одного линейного классификатора SVM является хорошим базовым классификатором для наборов данных, содержащих очень большое количество признаков, превышающее количество выборок данных.

    Заключение

    В этой статье рассматривается производительность одиночных SVM-классификаторов и ансамблей SVM-классификаторов, полученных с использованием различных функций ядра и различных комбинированных методов, с точки зрения прогнозирования рака молочной железы. Кроме того, для сравнения используются два разных масштабированных набора данных.Кроме того, сравниваются точность классификации, ROC, F-мера и вычислительное время обучения разных классификаторов.

    Эти конкретные экспериментальные настройки никогда ранее не демонстрировались, и экспериментальные результаты позволяют нам полностью понять характеристики прогнозирования SVM и ансамблей SVM, а лучшие модели прогнозирования могут быть определены в качестве базового классификатора (ов) для будущих исследований.

    Мы обнаружили, что большинство ансамблей SVM работают немного лучше, чем отдельные классификаторы SVM.В частности, выполнение выбора признаков с использованием генетического алгоритма (ГА) в наборе данных небольшого масштаба может привести к тому, что отдельные классификаторы SVM и ансамбли SVM обеспечат значительно более высокие характеристики, чем те же классификаторы без выбора признаков. Среди них ансамбли GA + linear SVM с бэггингом и ансамбли GA + RBF SVM с бустингом являются двумя лучшими моделями прогнозирования, и их различия в производительности несущественны.

    С другой стороны, для крупномасштабного набора данных лучшим выбором является модель прогнозирования, основанная на ансамблях RBF SVM с бустингом.Однако ансамбли SVM, основанные на бустинге, обычно требуют больше времени для обучения, чем одиночные классификаторы SVM и ансамбли SVM с бэггингом. На практике есть два возможных решения для уменьшения времени вычислений. Первый заключается в том, чтобы сначала выполнить выбор признаков, чтобы уменьшить размерность набора данных. В этом случае ансамбли GA + SVM, основанные на бустинге, по-прежнему обеспечивают лучшую производительность, чем многие другие классификаторы. Второй — непосредственное создание ансамблей SVM за счет использования преимущества облачной платформы.В этом случае нет необходимости выполнять отбор признаков, а время обучения классификатора все же можно значительно сократить.

    Вклад авторов

    1. Задумал и спроектировал эксперименты: МВт.ч.
    2. Проведены эксперименты: КХО.
    3. Проанализированы данные: ЦФТ.
    4. Написал статью: МВтч CWC WCL SWK CFT.

    Каталожные номера

    1. 1. Сондерс С., Джассал С. Рак молочной железы. Издательство Оксфордского университета; 2009.
    2. 2. Али А., Хан У., Ким М. Обзор моделей прогнозирования выживаемости рака молочной железы. Международная конференция по интерактивным наукам: информационные технологии, культура и человек; 2009 г., 24–26 ноября; Сеул, Корея. п. 1259–1262 гг.
    3. 3. Аруна С., Раджагопалан С.П., Нандакишор Л.В. Основанный на знаниях анализ различных статистических инструментов для выявления рака молочной железы. Международная конференция по компьютерным наукам, технике и приложениям; 2011 г. 15–17 июля; Ченнаи, Индия.п. 37–45.
    4. 4. Круз Дж. А., Уишарт Д. С. Применение машинного обучения в прогнозировании и прогнозировании рака. Раковая информатика. 2006 г.; 2: 59–78.
    5. 5. Гаятри Б.М., Сумати К.П., Сантанам Т. Диагностика рака молочной железы с использованием алгоритмов машинного обучения — опрос. Международный журнал распределенных и параллельных систем. 2013; 4(3): 105–112.
    6. 6. Харья С. Использование методов интеллектуального анализа данных для диагностики и прогнозирования онкологических заболеваний.Международный журнал компьютерных наук, инженерии и информационных технологий. 2012 г.; 2(2): 55–66.
    7. 7. Куру К., Экзархос Т.П., Экзархос К.П., Карамузис М.В., Фотиадис Д.И. Применение машинного обучения в прогнозировании и прогнозировании рака. Журнал вычислительной и структурной биотехнологии. 2015 г.; 13: 8–17. пмид:25750696
    8. 8. Шаджахаан С.С., Шанти С., Маночитра В. Применение методов интеллектуального анализа данных для моделирования данных о раке молочной железы. Международный журнал новых технологий и передовой инженерии.2013; 3(11): 362–369.
    9. 9. Шривастава С.С., Сант А., Ахарвал Р.П. Обзор подхода к интеллектуальному анализу данных о раке молочной железы. Международный журнал передовых компьютерных исследований. 2013; 3(4): 256–262.
    10. 10. Абделаал М.М.А., Фарук М.В., Сена Х.А., Салем А.-Б., М. Использование интеллектуального анализа данных для оценки диагноза рака молочной железы. Международная мультиконференция по компьютерным наукам и информационным технологиям; 2010 г. 17–19 марта; Гонконг, Китай. п. 11–17.
    11. 11.Ахмад Л.Г., Эшлаги А.Т., Пооребрахими А., Эбрахими М., Разави А.Р. Использование трех методов машинного обучения для прогнозирования рецидива рака молочной железы. Журнал здравоохранения и медицинской информатики. 2013; 4(2): 124.
    12. 12. Хуан С.-Л., Ляо Х.-С., Чен М.-С. Построение модели прогнозирования и выбор признаков с помощью машин опорных векторов в диагностике рака молочной железы. Экспертные системы с приложениями. 2008 г.; 34: 578–587.
    13. 13. Салама Г.И., Абдельхалим М.Б., Зейд М.А. Экспериментальное сравнение классификаторов для диагностики рака молочной железы. Международная конференция по вычислительной технике и системам; 20–22 декабря 2012 г .; Каир, Египт. п. 180–185.
    14. 14. Сентурк З.К., Кара Р. Диагностика рака молочной железы с помощью интеллектуального анализа данных: анализ производительности семи различных алгоритмов. Компьютерные науки и инженерия: международный журнал. 2014; 4(1): 35–46.
    15. 15. You H., Rumbe G. Сравнительное исследование методов классификации данных биопсии FNA рака молочной железы.Международный журнал искусственного интеллекта и интерактивных мультимедиа. 2010 г.; 1(3): 6–13.
    16. 16. Киттлер Дж., Хатеф М., Дуин Р.П.В., Матас Дж. Об объединении классификаторов. IEEE Transactions по анализу образов и машинному интеллекту. 1998 год; 20(3): 226–239.
    17. 17. Лаванья Д., Рани К.У. Ансамблевый классификатор дерева решений для данных о раке молочной железы. Международный журнал конвергенции информационных технологий и услуг. 2012 г.; 2(1): 17–24.
    18. 18.Хе Х., Гарсия Э.А. Обучение на несбалансированных данных. IEEE Transactions по знаниям и обработке данных. 2009 г.; 21(9): 1263–1284.
    19. 19. Фосетт Т. Введение в ROC-анализ. Письма распознавания образов. 2006 г.; 27: 861–874.
    20. 20. Вапник В. Статистическая теория обучения. Джон Уайли; 1998.
    21. 21. Бьюн Х., Ли С.-В. Обзор приложений распознавания образов машин опорных векторов. Международный журнал распознавания образов и искусственного интеллекта.2003 г.; 17(3): 459–486.
    22. 22. Йеккехани Б., Хомаюни А.С.С., Хасанлоу М. Сравнительное исследование различных функций ядра для классификации мультивременной поляриметрии SAR на основе SVM. Международная конференция по исследованию геопространственной информации; 2014 г., 15–17 ноября; Тегеран, Иран. п. 281–285.
    23. 23. Дас С.Р., Дас К., Мишра Д., Шоу К., Мишра С. Сравнительное эмпирическое исследование машины опорных векторов на основе ядра для классификации набора данных об экспрессии генов.Процедиа Инжиниринг. 2012 г.; 38: 1340–1345.
    24. 24. Buck TAE, Zhang B. Оптимизация ядер SVM: пример предсказания субклеточной локализации дрожжевого белка. 2006 г.; Школа компьютерных наук Университета Карнеги-Меллона.
    25. 25. Мезгани Д.Б.А., Бужелбене С.З., Эллуз Н. Оценка ядер SVM и обычных алгоритмов машинного обучения для идентификации говорящего. Международный журнал гибридных информационных технологий. 2010 г.; 3(3): 23–34.
    26. 26.Baten AKMA, Chang BCH, Halgamge SK, Li J. Идентификация сайта сплайсинга с использованием вероятностных параметров и классификации SVM. Биоинформатика BMC. 2006 г.; 7: 1–15.
    27. 27. Фросиниотис Д., Стафилопатис А., Ликас А. Метод «разделяй и властвуй» для многосетевых классификаторов. Анализ шаблонов и приложения. 2003 г.; 6(1): 32–40.
    28. 28. Рокач Л. Ансамблевые классификаторы. Обзор искусственного интеллекта. 2010 г.; 33: 1–39.
    29. 29. Возняк М., Грана М., Корчадо Э. Обзор систем с несколькими классификаторами как гибридных систем. Информационное слияние. 2014; 16: 3–17.
    30. 30. Хаппель Б.Л.М., Мурре Дж.М.Дж. Дизайн и эволюция модульных архитектур нейронных сетей. Нейронные сети. 1994 год; 7 (6–7): 985–1004.
    31. 31. Брейман Л. Предсказатели бэгинга. Машинное обучение. 1996 год; 24(2): 123–140.
    32. 32. Ким Х.-К., Панг С., Дже Х.-М., Ким Д., Банг С.Ю. Построение ансамбля опорных векторов.Распознавание образов. 2003 г.; 36 (12): 2757–2767.
    33. 33. Шапир Р.Э. Сила слабой обучаемости. Машинное обучение. 1990 г.; 5(2): 197–227.
    34. 34. Фройнд Ю., Шапир Р.Э. Эксперименты с новым алгоритмом бустинга. Международная конференция по машинному обучению; 1996 г., 3–6 июля; Бари, Италия. п. 148–156.
    35. 35. Джоши Дж., Доши Р., Патель Дж. Диагностика и прогноз рака молочной железы с использованием правил классификации. Международный журнал инженерных исследований и общих наук.2014; 2(6): 315–323.
    36. 36. Ронг Л., Юань С. Диагностика опухоли молочной железы с использованием классификатора SVM-KNN. Глобальный конгресс WRI по интеллектуальным системам; 2010 г. 16–17 декабря; Хубэй, Китай. п. 95–97.
    37. 37. Полномочия Д.М.В. Оценка: от точности, отзыва и f-меры до ROC, информативности, маркировки и корреляции. Журнал технологий машинного обучения. 2011 г.; 2(1): 37–63.
    38. 38. Кохави Р. Исследование перекрестной проверки и начальной загрузки для оценки точности и выбора модели.Международная совместная конференция по искусственному интеллекту; 1995 г., 20–25 августа; Квебек, Канада. п. 1137–1143 гг.
    39. 39. О И.С., Ли Дж.С., Мун Б.Р. Гибридные генетические алгоритмы для выбора признаков. IEEE Transactions по анализу образов и машинному интеллекту. 2004 г.; 26(11): 1424 1437. pmid:15521491

    Повышающая регуляция сосудистого эндотелиального фактора роста С в клетках рака молочной железы с помощью херегулина-β1: КРИТИЧЕСКАЯ РОЛЬ СИГНАЛЬНОГО ПУТИ p38/ЯДЕРНОГО ФАКТОРА-κB

    https://doi.org/10.1074/jbc.M204863200Получить права и содержание

    Фактор роста эндотелия сосудов C (VEGF-C) является важным активатором опухолевого лимфангиогенеза, который в последнее время активно участвует в процессе метастазирования опухоли. В этом исследовании мы определили, что HRG-β1 стимулирует повышающую регуляцию мРНК VEGF-C и белка клеток рака молочной железы в зависимости от дозы и времени, и что эта повышающая регуляция зависит от синтеза РНК de novo . . Индуцированное HRG-β1 увеличение экспрессии VEGF-C эффективно уменьшалось при лечении герцептином, антителом, специфичным против HER2.Кроме того, когда HER2 был сверхэкспрессирован в клетках MCF-7, это приводило к явному увеличению уровня VEGF-C, что свидетельствует о существенной роли HER2 в опосредовании повышающей регуляции VEGF-C с помощью HRG-β1. Было показано, что NF-κB, вероятно, участвует в экспрессии мРНК VEGF-C, индуцированной интерлейкином-1β или фактором некроза опухоли-α, в фибробластах человека. Здесь мы обнаружили, что HRG-β1 может стимулировать ядерную транслокацию NF-κB и ДНК-связывающую активность посредством механизма фосфорилирования-деградации IκBα. Блокирование каскада активации NF-κB вызывало полное ингибирование HRG-β1-индуцированного повышения уровня VEGF-C.В анализе промотор-репортер люциферазная активность репортерных конструкций, включая предполагаемый удаленный сайт NF-κB и мутантную форму, была значительно снижена после обработки HRG-β1 по сравнению с промотором VEGF-C размером 1,5 т.п.н. Изучая восходящие киназные пути, участвующие в вызванной HRG-β1 активации NF-κB и повышающей регуляции VEGF-C, мы обнаружили, что HRG-β1 может активировать внеклеточную регулируемую сигналом протеинкиназу 1/2, фосфатидилинозитол 3′- киназа и митоген-активируемая протеинкиназа p38 (MAPK) в MCF-7.Однако только SB203580 (специфический ингибитор p38 MAPK), а не PD98059 или LY294002, блокировал активацию VEGF-C с помощью HRG-β1. Аналогичное ингибирование экспрессии VEGF-C было получено при трансфекции клеток доминантно-негативным p38 (p38AF). Интересно, что HRG-β1-индуцированный каскад активации NF-κB также эффективно блокировался обработкой SB203580 или трансфекцией p38AF. Таким образом, наши данные свидетельствуют о том, что HRG-β1 стимулирует NF-κB-зависимую активацию VEGF-C через сигнальный путь p38 MAPK в клетках рака молочной железы человека.

    Рекомендуемые статьиСсылки на статьи (0)

    © 2003 ASBMB. В настоящее время издается Elsevier Inc.; первоначально опубликовано Американским обществом биохимии и молекулярной биологии.

    Рекомендуемые статьи

    Ссылки на статьи

    Sean Wen — Radcliffe Department of Medicine

    Скорее всего, мы лично знаем кого-то, кто страдает от большого C. Cancer Research UK недавно сообщило, что у 1 из 2 человек в Великобритании в какой-то момент жизни разовьется рак – прежние прогнозы, согласно которым примерно у 1 из 3 человек в какой-то момент разовьется рак в их жизни.Поэтому необходимо продолжать поиск новых и усовершенствованных методов лечения рака и профилактических мер.

    Начав свою карьеру в 2013 году в компании Cancer Research Malaysia, я работала с Исследовательской группой рака молочной железы над разработкой генетических скрининговых анализов нового поколения и биоинформатики для характеристики генов предрасположенности к раку у азиатских пациентов с раком молочной железы и яичников. Параллельно и в сотрудничестве с Малайским университетом мы определили делеционный полиморфизм зародышевой линии APOBEC3B в качестве биомаркера иммунной сигнатуры у азиатских пациентов с раком молочной железы.В 2018 году в Международном медицинском университете (IMU) я использовал общедоступные наборы данных для оценки потенциальной полезности BRCA1 и BRCA2 в качестве биомаркера для иммунотерапии у пациентов с раком молочной железы.

    В настоящее время в Совете по медицинским исследованиям (MRC) Института молекулярной медицины Weatherall (WIMM) я работаю с группой биологии гемопоэтических стволовых клеток под руководством профессора доктора Адама Мида и доктора Супат Тонджуа, чтобы оценить потенциальную полезность сплайсосомных мутаций как биомаркеров для иммунотерапии злокачественных новообразований кроветворной системы.

    Я надеюсь объединить аналитику больших данных и технологические достижения в области геномики, транскриптомики и протеомики, чтобы перепрофилировать ранее охарактеризованные или открыть новые и лучшие генетические маркеры для таргетной терапии онкологических больных. Таким образом, можно идентифицировать и увеличить число больных раком, поддающихся таргетной терапии, за счет использования практически повсеместно распространенных и экономически эффективных методов генетического скрининга нового поколения. Таким образом, ускорение научных открытий от кабинета к постели и, в конечном итоге, осуществление трансляционных исследований.

    Шон финансируется Фондом Кларендон и стипендией Оксфорд-Рэдклифф в сочетании со стипендией WIMM Prize PhD.

    .

    Похожие записи

    При гормональном сбое можно ли похудеть: как похудеть при гормональном сбое

    Содержание Как похудеть после гормональных таблетокЧто такое гормональные таблеткиПочему прием гормонов ведет к избыточному весу (adsbygoogle = window.adsbygoogle || []).push({}); […]

    Гипотензивные средства при гиперкалиемии: Гипотензивные средства при гиперкалиемии — Давление и всё о нём

    Содержание Препараты, применяемые для лечения гипертонической болезни | Илларионова Т.С., Стуров Н.В., Чельцов В.В.Основные принципы антигипертензивной терапииКлассификация Агонисты имидазолиновых I1–рецепторов […]

    Прикорм таблица детей до года: Прикорм ребенка — таблица прикорма детей до года на грудном вскармливании и искусственном

    Содержание Прикорм ребенка — таблица прикорма детей до года на грудном вскармливании и искусственномКогда можно и нужно вводить прикорм грудничку?Почему […]

    Добавить комментарий

    Ваш адрес email не будет опубликован. Обязательные поля помечены *