PLoS ONE: Forudsigelse af Patologisk Stage i patienter med prostatakræft: En Neuro-Fuzzy Model

Abstrakt

Forudsigelsen af ​​kræft iscenesættelse i prostatakræft er en proces til at estimere sandsynligheden for, at kræften har spredt sig, før behandling gives til patienten. Selvom vigtig for at bestemme den mest passende behandling og optimal forvaltning strategi for patienter, iscenesættelse fortsætter med at præsentere væsentlige udfordringer for klinikere. Kliniske testresultater såsom forbehandlingen Prostata-specifikt antigen (PSA) niveau, den biopsi mest almindelige tumor mønster (Primary Gleason mønster) og den anden mest almindelige tumor mønster (Secondary Gleason mønster) i vævsbiopsier, og den kliniske T scenen kan bruges af klinikere til at forudsige den patologiske stadium af cancer. Dog vil ikke alle patienter returnere unormale resultater i alle tests. Dette påvirker evnen til effektivt at forudsige stadium af prostatakræft betydeligt. Heri har vi udviklet en neuro-fuzzy beregningsmæssige intelligens model til klassificering og forudsige sandsynligheden for en patient, der har Organ-indesluttede sygdom (OCD) eller Extra-prostata sygdom (ED) ved hjælp af en prostatakræft patient datasæt opnået fra The Cancer Genome Atlas (TCGA ) Research Network. Systemet input bestod af følgende variabler: Primær og sekundær Gleason biopsi mønstre, PSA niveauer, alder ved diagnose, og klinisk T scenen. Udførelsen af ​​Fuzzy-system blev sammenlignet med andre beregningsmæssige intelligens tilgange, nemlig kunstigt neuralt netværk, Fuzzy C-Midler, Support Vector Machine, de Naive Bayes klassificører, og også AJCC pTNM Iscenesættelse Nomogram som er almindeligt anvendt af klinikere . En sammenligning af de optimale Receiver Operating Characteristic (ROC) punkter, som blev identificeret ved hjælp af disse metoder, afslørede, at Fuzzy-system på sit optimale punkt, returnerer den største areal under ROC kurven (AUC), med et lavt antal falske positiver (FPR = 0,274, TPR = 0,789, AUC = 0,812). Den foreslåede tilgang er også en forbedring i forhold til AJCC pTNM Staging Nomogram (

FPR

= 0,032,

TPR

= 0,197,

AUC

= 0,582).

Henvisning: Cosma G, Acampora G, Brown D, Rees RC, Khan M, Pockley AG (2016) Forudsigelse af Patologisk Stage i patienter med prostatakræft: En Neuro-Fuzzy model. PLoS ONE 11 (6): e0155856. doi: 10,1371 /journal.pone.0155856

Redaktør: Daotai Nie, Southern Illinois University School of Medicine, UNITED STATES

Modtaget: Juli 14, 2015; Accepteret: 5 maj 2016; Udgivet: 3 juni 2016

Copyright: © 2016 Cosma et al. Dette er en åben adgang artiklen distribueres under betingelserne i Creative Commons Attribution License, som tillader ubegrænset brug, distribution og reproduktion i ethvert medie, forudsat den oprindelige forfatter og kilde krediteres

Data Tilgængelighed:. Datasættet og kode er offentligt tilgængelige i Figshare: https://figshare.com/account/articles/3369901 DOI: 10,6084 /m9.figshare.3369901

Finansiering:. Denne undersøgelse blev finansieret fra NHS Nottingham Klinisk Idriftsættelse Gruppens tildeling af NIHR forskningskapacitet Funding (kontrakt nummer: CCG /NTU /02 /RCF /13-14). Forfatterne vil også gerne anerkende den økonomiske støtte til John og Lucille van Geest Foundation og Healthcare og -sundhed iNet, et EFRU finansierede initiativ administreres af Medilink East Midlands. De finansieringskilder havde ingen rolle i studie design, indsamling og analyse af data, beslutning om at offentliggøre, eller forberedelse af manuskriptet

Konkurrerende interesser:. Undersøgelsen blev delvist finansieret af Healthcare og -sundhed iNet, et EFRU finansierede initiativ lykkedes af den erhvervsmæssige kilde Medilink East Midlands. Der er ingen patenter, produkter i udvikling, eller markedsførte produkter at erklære. Dette ændrer ikke forfatternes tilslutning til alle PLoS ONE politikker om datadeling og materialer, som beskrevet online i vejledningen for forfattere.

Introduktion

Kræft staging forudsigelse er en proces til at estimere sandsynligheden for, at sygdommen har spredt sig inden behandling gives til patienten. Cancer staging evaluering sker før (dvs. ved prognosen stadium) og efter (dvs. ved diagnosestadiet) tumoren fjernes-kliniske og patologiske stadier hhv. Evalueringen kliniske fase er baseret på data indsamlet fra kliniske tests, der er tilgængelige før behandling eller kirurgisk fjernelse af tumoren. Der er tre primære test kliniske fase for prostatakræft: prostata specifikt antigen (PSA) test, som måler niveauet af PSA i blodet; en biopsi, som anvendes til at påvise tilstedeværelsen af ​​cancer i prostata og vurdere graden af ​​cancer aggressivitet (resultater er normalt gives i form af den primære og sekundære Gleason mønstre); og en fysisk undersøgelse, nemlig digital rektal undersøgelse (DRE), som kan fastslå, at sygdom og muligvis give tilstrækkelig information til at forudsige den fase af kræft. En begrænsning af PSA testen er, at abnormt høje PSA niveauer ikke nødvendigvis kan indikere tilstedeværelsen af ​​prostatacancer, er sandsynligvis heller normale PSA niveauer afspejler fraværet af prostatacancer. Patologisk iscenesættelse kan bestemmes følgende kirurgi og undersøgelse af den fjernede tumor væv, og vil sandsynligvis være mere præcis end klinisk iscenesættelse, da det giver mulighed for en direkte indsigt i omfanget og arten af ​​sygdommen. Flere oplysninger om de kliniske forsøg er fastsat i næste underafsnit

Medicinsk Baggrund

.

I betragtning af den potentielle prognostiske effekt af de kliniske forsøg, en række prostatakræft mellemstationer forudsigelse er blevet udviklet. Evnen til at forudsige den patologiske stadium af en patient med prostatakræft er vigtig, da det giver klinikere til bedre at bestemme den optimale behandling og ledelsesstrategier. Dette er for at patientens betydelig fordel, da mange af de behandlingsmuligheder kan være forbundet med betydelige kort- og langsigtede bivirkninger. For eksempel, radikal prostatektomi (RP) -den kirurgisk fjernelse af prostata-giver den bedste chance for at kurere sygdommen, når prostatakræft er lokaliseret, og præcis forudsigelse af patologisk stadium er grundlæggende for at bestemme, hvilke patienter vil drage størst fordel af denne tilgang [1-3]. I øjeblikket klinikere bruger nomogrammer til at forudsige en prognostisk klinisk resultat for prostatakræft, og disse er baseret på statistiske metoder såsom logistisk regression [4]. Men kræft iscenesættelse fortsætter med at præsentere væsentlige udfordringer for den kliniske samfund.

De prostata kræft mellemstationer nomogrammer, som anvendes til at forudsige den patologiske stadium af kræft er baseret på resultater fra de kliniske forsøg. Men nøjagtigheden af ​​nomogrammerne kan diskuteres [5, 6]. Briganti et al. [5] hævder, at nomogrammer er præcise værktøjer og at “Personlig medicin erkender behovet for justeringer efter sygdom og vært egenskaber. Det er på tide at omfavne den samme holdning i andre discipliner medicin. Dette omfatter urologiske onkologi hvor nomogrammer, regression-træer, opslagstabeller og neurale netværk repræsenterer de vigtigste værktøjer, der kan levere individualiserede forudsigelser “. Dr. Joniau i [5] hævder, at de data, der bruges til at udtænke nomogrammerne er subjektive og, til en vis grad, påvirket af institutionelle protokoller, som patienterne er udvalgt til en given behandling. Dr. Joniau anfører, at en af ​​ulemperne ved nomogrammerne er, at forskellige nomogrammer er blevet udtænkt for risikovurdering og det er vanskeligt at afgøre, hvilken nomogram vil give den mest pålidelige risikoestimering for en bestemt patient. Han understreger, at selv om nomogrammer muliggør vurdering mere præcis risiko, denne risikoberegning er en “snapshot i en risiko kontinuum”. Selv om dette kan give personlige forudsigelser, det gør også behandling beslutninger vanskelig [5].

Kræft forudsigelse systemer, som anser forskellige variabler til forudsigelse af et resultat kræver beregningsmæssige intelligente metoder til effektive forudsigelse resultater [7]. Selvom beregningsmæssige intelligence fremgangsmåder er blevet anvendt til at forudsige prostatakræft resultater, meget få modeller til forudsigelse af patologiske stadium af prostatakræft eksisterer. I det væsentlige, er klassificering modeller baseret på beregningsmæssige intelligens anvendes til forudsigelse opgaver. Klassifikation er en form for dataanalyse som udvinder klassificeringen modeller, der beskriver data klasser, og bruger disse modeller til at forudsige kategoriske etiketter (klasser) eller numeriske værdier [8]. Når der anvendes sorteringsenheden at forudsige en numerisk værdi, i modsætning til en klasse etiket, er det nævnt som en prædiktor. Klassificering og numerisk forudsigelse er begge typer af forudsigelse problemer [8], og klassifikationsmodeller er almindeligt vedtaget at analysere patientdata og udtrække en forudsigelse model i medicinsk indstilling.

Computational intelligence tilgange, navnlig fuzzy-baserede tilgange, er baseret på matematiske modeller, der er specielt udviklet til at håndtere den usikkerhed og unøjagtighed, som typisk findes i den kliniske data, som anvendes til prognose og diagnose af sygdomme hos patienter. Disse egenskaber gør disse algoritmer en egnet platform til at basere nye strategier for at diagnosticere og iscenesættelse prostatakræft. For eksempel vil ikke alle diagnosticeret med prostatakræft udviser unormale resultater i alle tests, som en konsekvens heraf, forskellige test resultat kombinationer kan føre til samme resultat.

Kapaciteten af ​​fuzzy, og især neuro-fuzzy tilgange, at forudsige den patologiske stadium af prostatakræft er ikke så bredt vurderet som mere almindeligt anvendt Artificial Neural Network (ANN) og andre tilgange. Imidlertid har fuzzy fremgangsmåder blevet anvendt på andre prostatakræft scenarier. Benechi et al. [9] har anvendt Co-Active Neuro-Fuzzy Inferens System (CANFIS) til at forudsige forekomsten af ​​prostatakræft; Keles et al. [10] et Fuzzy-systemet til forudsigelse om et individ har cancer eller benign prostatahyperplasi (BPH, en godartet forstørret prostata). Cinar [11] udviklet en klassificeringen baseret ekspertsystem til tidlig diagnosticering af prostatakræft, og dermed medvirken beslutningsprocessen og informere behovet for en biopsi. Castanho et al. [12] udviklet en genetisk-fuzzy ekspertsystem som kombinerer præoperative serum PSA, klinisk fase, og Gleason kvalitet af en biopsi til at forudsige den patologiske stadium af prostatakræft (dvs. om det var begrænset eller ikke-indesluttede).

Saritas et al. [13] udtænkt en ANN tilgang til prognosen af ​​cancer, som kan anvendes til at bistå kliniske beslutninger vedrørende nødvendigheden af ​​en biopsi. Shariat et al. [14] har foretaget en kritisk gennemgang af prostatakræft forudsigelsesværktøjer og konkluderede, at prædiktive værktøjer kan hjælpe i de komplekse beslutningsprocesser, og at de kan give individualiserede, evidensbaserede estimater af sygdomsstatus hos patienter med prostatakræft.

Endelig Tsao et al. [15] udviklet en ANN-model til at forudsige prostatakræft patologisk iscenesættelse i 299 patienter forud for radikal prostatektomi, og fandt, at ANN modellen var overlegne til at forudsige Organ Begrænset sygdom i prostatakræft end en logistisk regressionsmodel. Tsao et al. [15] også sammenlignet deres ANN-model med Partin Tables, og fandt, at ANN-model mere forudsiges nøjagtigt den patologiske stadium af prostatakræft.

Heri foreslår vi en Fuzzy-model til forudsigelse af patologiske stadium af prostatakræft . Systemet indgange omfatter følgende variabler: den mest almindelige tumor mønster (Primary Gleason mønster), den anden mest almindelige mønster (Secondary Gleason mønster), PSA niveauer, alder ved diagnose, og klinisk T stage. Fuzzy-model konstruerer automatisk fuzzy regler via en uddannelse proces, der anvendes på eksisterende og kendte patientjournaler og status. Disse regler er derefter anvendt til at forudsige prostatacancer stadium patienter på validering sæt. Modellen gør brug af Adaptive Neuro-Fuzzy inferenssystemet som også anvendes til at optimere den prædiktive ydeevne. Resultatet for hver patient record er en numerisk forudsigelse af “graden af ​​tilhørsforhold ‘for hver patient i Organ-indesluttede sygdom og Ekstra-prostata sygdom klasser.

Medicinsk Baggrund

I dette afsnit beskrives de variabler, der anvendes til diagnosticering.

prostata specifikt antigen (PSA).

prostata specifikt antigen (PSA) test er en blodprøve, der måler niveauet af prostata-specifikt antigen i blodbanen. Selvom have begrænsninger, PSA-testen er i øjeblikket den bedste metode til identifikation af en øget risiko for lokaliseret prostatacancer. PSA-værdierne tendens til at stige med alderen, og de samlede PSA niveauer (ng /ml) anbefalet af prostatakræft Risk Management Programme er som følger [16]: 50-59 år,

PSA

≥ 3,0; 60-69 år,

PSA

≥ 4.0; og 70 og igen,

PSA

5.0. Unormalt høje og rejst PSA niveauer kan, men ikke nødvendigvis, indikere tilstedeværelsen af ​​prostatacancer. Den europæiske undersøgelse af screening for prostatakræft afsløret, at screening reducerer død af prostatakræft, og at en mand, der gennemgår PSA-test vil få sin risiko for at dø af prostatakræft reduceret med 29% [17, 18], og [19]. Imidlertid bør det også bemærkes, at en normal PSA-test ikke nødvendigvis udelukker tilstedeværelsen af ​​prostatacancer.

Primær og sekundær Gleason mønstre.

En vævsprøve (biopsi) anvendes til at detektere tilstedeværelsen af ​​cancer i prostata og til at vurdere dets aggressivitet. Resultaterne fra en prostata biopsi tilvejebringes sædvanligvis i form af Gleason kvalitet score. For hver biopsiprøve, patologer undersøge den mest almindelige tumor mønster (Primary Gleason mønster) og den anden mest almindelige mønster (Secondary Gleason mønster), med hvert mønster bliver givet en karakter på 3 til 5. Disse kvaliteter kombineres derefter for at skabe den Gleason score (et tal fra 6 til 10), som anvendes til at beskrive, hvordan unormal glandulær arkitektur vises under et mikroskop. For eksempel, hvis den mest almindelige tumor mønster er grad 3, og den næste mest almindelige tumor mønster er grad 4, Gleason score er 3 + 4, eller 7. En score på 6 betragtes som sygdom lav risiko, som det udgør lidt fare for at blive aggressiv; og en score på 3 + 4 = 7 indikerer mellemliggende risiko. Fordi det første tal repræsenterer flertallet af abnormt væv i biopsiprøve, er en 3 + 4 betragtes som mindre aggressiv end en 4 + 3. Resultaterne af 4 + 3 = 7, eller 8 til 10 angiver, at glandulær arkitektur er stadig mere unormal og forbundet med høj risiko for sygdom, som sandsynligvis vil være aggressiv.

klinisk og patologisk Stages.

den kliniske fase er et estimat for prostatakræft scenen, og dette er baseret på resultaterne af den digital rektal undersøgelse (DRE). Den patologiske fase kan bestemmes, hvis en patient har haft kirurgi og dermed er baseret på en undersøgelse af den fjernede væv. Patologisk iscenesættelse vil sandsynligvis være mere præcis end klinisk iscenesættelse, da det kan give en direkte indsigt i omfanget af sygdommen. På det kliniske stadium, er der fire kategorier til at beskrive den lokale udstrækning af en prostata tumor (T1 til T4). Klinisk og patologisk iscenesættelse bruge de samme kategorier, bortset fra, at T1 kategori ikke bruges til patologisk iscenesættelse. Sammenfattende iscenesætter T1 og T2 beskrive en kræft, der er nok orgel-begrænset, T3 beskriver kræft, som er begyndt at sprede sig uden for prostata, og T4 beskriver en kræft, der har sandsynligvis begyndt at sprede sig til nærliggende organer. Kategori T1 er, når tumoren ikke kan mærkes under DRE eller ses med billeddannelse såsom transrektal ultralyd (TRUS). Kategori T1 har tre underkategorier: T1A kræft er fundet i øvrigt under en transuretral resektion af prostata (TURP), der vil være blevet udført til behandling af benign prostatahyperplasi, og canceren er til stede i ikke mere end 5% af det væv fjernet; T1B kræft er fundet under en TURP, men er til stede i mere end 5% af det væv fjernet, og t1c kræft er fundet i en nål biopsi, der er blevet udført på grund af en forhøjet PSA-niveau. Kategori T2 er, når tumoren kan mærkes under en DRE eller set med billeddannelse, men synes stadig at være begrænset til prostata. Kategori T2 har tre underkategorier: T2a kræft er i den ene halvdel eller mindre af kun den ene side (venstre eller højre) af prostata; T2b kræft er i mere end halvdelen af ​​kun den ene side (venstre eller højre) af prostata; og T2C kræften er i begge sider af prostata. Klasse T3 har to underkategorier: T3a kræft strækker sig uden for prostata, men ikke til sædblærerne; og T3b kræften har spredt sig til sædblærer. Endelig har kategori T4 kræft vokset til væv ved siden af ​​prostata (bortset sædblærerne), såsom urinrørslukkemusklen, rektum, blære, og /eller væggen af ​​bækkenet.

TNM iscenesættelse er den mest udbredte system til prostatakræft iscenesættelse og har til formål at fastslå omfanget af:

primær tumor (T etape),

fraværet eller tilstedeværelsen af ​​regional lymfeknude involvering (N etape ), og

fraværet eller tilstedeværelsen af ​​fjernmetastaser (M etape)

TNM systemet er blevet accepteret af Union for International Cancer Control (UICC) og det fælles Udvalg amerikanske om kræft (AJCC). De fleste medicinske faciliteter bruger TNM systemet som deres vigtigste metode til rapportering kræft. Den kliniske TNM og patologisk TNM er tilvejebragt i tabel 1 og 2 henholdsvis. Når T, N og M er bestemt, er en fase af I, II, III, eller IV tildelt, med fase I være tidligt og trin IV er fremskreden sygdom. Ved bestemmelse af T, N og M faser, kan en prognose gøres om den anatomiske stadium af cancer ved anvendelse af de grupperinger vist i tabel 3, hvor en fase af I, II, III, eller IV er tildelt til en patient, med trin I være tidligt og trin IV er fremskreden sygdom [20]. Stages I, II, er orgel begrænset kræft stadier mens Stages III og IV er ekstra-prostata etaper. TNM-systemer har været igennem flere forbedringer for at “forbedre ensartetheden af ​​patientens evaluering og til at opretholde en klinisk relevant evaluering” [20]. I den seneste amerikanske fælles udvalg om kræft (AJCC) [21], Gleason score og PSA er blevet indarbejdet i kræft fase /prognostiske grupper 3. Vejviser

Metoder I -Neuro-Fuzzy Model

Fuzzy logik er en udvidelse af flere værdier logik, der beskæftiger sig med omtrentlig, snarere end faste og præcis begrundelse. Fast ræsonnement er den traditionelle binære logik, hvor variabler kan tage på sande eller falske værdier. Fuzzy logik starter med begrebet en fuzzy sæt [22], som er et sæt uden en skarp, klart defineret grænse. En fuzzy sæt kan indeholde elementer med kun en delvis grad af medlemskab, og dermed giver mulighed for grader af sandhed, hvilket gør fuzzy logik gælder for medicinske scenarier, der anses for at involvere kompleksitet, usikkerhed og uklarhed. Fuzzy logik er blevet kombineret med forskellige bløde computing metoder, herunder neuro-computing og dermed fører til kraftige Fuzzy-systemer.

Fuzzy-systemet heri foreslået (en kombination af fuzzy logik-baserede algoritmer, der illustreres i figur 1) forudsiger den patologiske stadium af kræft (dvs. diagnose udfald), ved hjælp af data, der er opnået fra præ-operative kliniske tests, der er udført på prognosen scenen. Som med TNM systemet, vores foreslåede Fuzzy-systemet forudsiger, om en patient har orgel-begrænset sygdom (OCD, patologisk stadium pT2) eller ekstra-prostata sygdom (ED, patologisk stadium

pT

2).

de kliniske data, der anvendes til patologisk kræft fase forudsigelse er typisk påvirket af unøjagtighed, primært som følge af, at ikke alle patienter udviser unormale resultater i alle kliniske forsøg. Dette udgør et problem, når de forsøger at forudsige progression af canceren og derfor træffes beslutning om den bedste strategi behandling til patienter. Derfor fuzzy logik er en egnet fremgangsmåde for denne type af klinisk forudsigelse fordi den kan bruges til at modellere menneskelige ræsonnementer-i faste scenarier klinikeren ville gennemgå data og give et skøn snarere end et endeligt svar. Fuzzy-systemet vil gøre en forudsigelse om en bestemt patient og returnerer en værdi, der repræsenterer “graden af ​​medlemskab” af patientens cancer i den ekstra-prostata sæt. Den foreslåede ramme er illustreret i figur 1 og beskrevet i underafsnit, der følger

Fuzzy-model består af to hovedfaser:. Læring og forudsigelse. På

lære etape

, modellen tog selv ved hjælp af patientjournaler, som patologisk stadium er kendt, og i

forudsigelse etape

modellen forudsiger den patologiske stadium ved hjælp af viden, der er opnået under indlæring scenen. De følgende underafsnit beskriver de processer, der er involveret i de lærings- og forudsigelse etaper.

System Inputs

På

lære etape

, Fuzzy-prædiktor lærer (dvs. tog sig selv) ved anvendelse af eksisterende patient registrere data for at skabe den viden, som vil blive brugt (under

forudsigelse etape

) for at gøre forudsigelser om nye og hidtil usete, data. Under indlæring scenen, tager systemet som input data vedrørende enkelte patients kliniske funktioner (dvs. alder ved diagnose, PSA, biopsi Primary Gleason mønster, biopsi Sekundær Gleason mønster, og klinisk T etape) og kendte fase resultater patologiske (dvs. kendte udgange) der er blevet opnået under diagnose. Systemet repræsenterer indgangene som en matrix

A

af størrelse

n

×

m

, hvor

n

er det samlede antal af patientjournaler, og

m

er det samlede antal af kliniske funktioner (dvs. systemets input,

m

= 5). Systemet repræsenterer målene i form af en

n

× 1 vektor T, hvor hver celle

t

i

holder den patologiske T fase (PT) værdi for hver patientjournal.

på

forudsigelse etape

, systemet kun kræver som input en 1 ×

m

vektor holder resultaterne af en patients kliniske funktioner (dvs. alder ved diagnose, PSA, biopsi Primary Gleason mønster, biopsi Sekundær Gleason mønster, og klinisk T fase), og systemet vil returnere en værdi, der repræsenterer sandsynligheden for at patienten har ekstra prostata sygdom (dvs. etape resultater patologiske).

data Normalisering

den alder, PSA-niveau, klinisk T scenen og patologisk stadium (pT) variabler skal grupperes, før de er input til fuzzy prædiktor. Normaliseringen af ​​de værdier, der er beskrevet i

Resultater

sektion. Normaliseringen processen udføres for at sikre en afbalanceret fordeling mellem dataene og for at fjerne eventuelle outliers fra de oplysninger, som kan påvirke ydeevnen af ​​prædiktor algoritme.

Fuzzy C-Midler

Formelt lad

En

= [

v

1,

v

2

v

3, …,

v

n

] være [patientjournal sager] -by- [kliniske funktioner] matrix og lad 2 ≤

c

n

være et heltal, hvor

c

er antallet af klynger (dvs. klasser) og

n

er det samlede antal af patientjournal sager. I denne særlige prostatakræft ansøgning,

c

= 2, da vi har to klynger: Organ-indesluttede sygdom (OCD) og Ekstra-prostata sygdom (ED). De Fuzzy C-Midler (FCM) algoritme returnerer en liste over klynge centre

X

=

x

1, …,

x

c

og et medlemskab matrix

U

=

μ

I, K

∈ [0, 1];

jeg

= 1, …,

n

;

k

= 1, …,

c

, hvor hvert element

μ

ik

holder samlede medlemskab af et datapunkt

v

k

(dvs. patientjournal), der tilhører klynge

c

jeg

. FCM opdaterer centre klynger Organ-indesluttede Disease og Ekstra prostata sygdom, og medlemskab kvaliteter for hvert datapunkt, der repræsenterer en patientjournal, ved iterativt at flytte klynge centre til den korrekte placering i et datasæt. Væsentlige, er denne iteration proces baseret på at minimere en objektiv funktion, som repræsenterer afstanden fra en given datapunkt til en klynge center vægtet med at datapunkt medlemskab klasse. Målsætningen funktion for FCM er en generalisering af ligning (1) (1), hvor

μ

ik

repræsenterer graden af ​​medlemskab af patientjournal

v

jeg

i

ed

klynge;

x

jeg

er klyngen centrum for fuzzy gruppe

jeg

;