مقالة منهجية

التنبؤ بالاستجابة للمعالجة للعلاجات الموجهة بصورة باستخدام آلة التعلم: مثال لمعاملة ترانس-الشرياني سرطانه الخلية الكبدية

DOI:

10.3791/58382

⸱

أكتوبر 10, 2018

 ,  ,  ,  ,  ,  ,  ,  ,  , 
1Department of Radiology and Biomedical Imaging, Yale School of Medicine, 2Department of Diagnostic and Interventional Radiology, Universitätsmedizin Charité Berlin, 3Department of Biomedical Engineering, Yale School of Engineering and Applied Science, 4Philips Research North America, 5Prescience Labs

في هذه المقالة

ملخص

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

العلاج داخل الشرايين هي معيار الرعاية للمرضى المصابين بسرطانه الخلية الكبدية الذين لا يمكن الخضوع للاستئصال الجراحي. ويقترح طريقة للتنبؤ بالاستجابة لهذه العلاجات. يستخدم التقنية المعلومات الإجرائية قبل السريرية والديموغرافية، والتصوير لتدريب نماذج التعلم آلة قادرة على التنبؤ باستجابة قبل المعالجة.

الملخص

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

العلاج داخل الشرايين هي معيار الرعاية للمرضى المصابين بسرطانه الخلية الكبدية الذين لا يمكن الخضوع للاستئصال الجراحي. وكان الهدف من هذه الدراسة لتطوير طريقة للتنبؤ باستجابة للعلاج داخل الشرايين قبل التدخل.

الأسلوب الذي يوفر إطارا عاماً للتنبؤ بنتائج قبل العلاج داخل الشرايين. أنها تنطوي على تجميع البيانات السريرية والديموغرافية والتصوير عبر مجموعة مرضى واستخدام هذه البيانات لتدريب نموذج تعلم آلة. يتم تطبيق نموذج تدريب للمرضى الجدد بغية التنبؤ باحتمال استجابة للعلاج داخل الشرايين.

الأسلوب الذي ينطوي على اقتناء وتحليل البيانات السريرية والديموغرافية والتصوير من ن المرضى الذين خضعوا للعلاج الشرياني عبر الفعل. هذه البيانات يتم تحليل السمات المنفصلة (العمر، الجنس، تليف الكبد، ودرجة تعزيز الورم، و ما إلى ذلك) وبيناريزيد إلى القيم true/false (مثلاً العمر على مدى 60، الجنس، تعزيز الورم يتجاوز عتبة مجموعة، إلخ). تتم إزالة الميزات منخفضة-الفرق والميزات مع رابطات وحيد المتغير المنخفض مع النتائج. تتم تسمية كل مريض المعالجة وفقا لما إذا كانت استجابت أو لم تستجب للعلاج. وهكذا يمثل كل مريض التدريب مجموعة من ميزات ثنائي وتسمية نتائج. ويتم تدريب نماذج التعلم آلة استخدام N -1 المرضى المصابين بالفحص على المريض من اليسار. يتم تكرار هذه العملية لكل من المرضى N . يتم حساب متوسط نماذج ن التوصل إلى نموذج نهائي.

التقنية قابلة للتوسعة، ويمكن إدراج ميزات إضافية في المستقبل. كما أنها عملية التعميم التي يمكن تطبيقها على أسئلة البحث السريري خارج الأشعة التداخلية. القيد الرئيسي هو الحاجة إلى استخلاص السمات يدوياً من كل مريض. نموذج شعبية حديثة للتعلم آلة تسمى العميق التعلم لا يعانون من هذا القيد، لكنها تتطلب مجموعات البيانات الكبيرة.

المقدمة

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

وتقدم المرضى المصابين بسرطانه الخلية الكبدية الذين ليسوا مرشحين الجراحية العلاج داخل الشرياني1،،من23. لا يوجد أي متري واحد أن يحدد ما إذا كان مريض سيستجيب لعلاج داخل الشرايين قبل أن تتولى العلاج. وكان الهدف من هذه الدراسة لبيان أسلوب الذي تتوقع الاستجابة للمعالجة بتطبيق أساليب من آلة التعلم. هذه النماذج توفر التوجيه للممارسين والمرضى عند اختيار ما إذا كنت تريد المتابعة مع علاج.

البروتوكول يستلزم عملية استنساخه لتدريب وتحديث نموذج بدءاً من بيانات المريض الأساسية (الملاحظات السريرية والديموغرافية والبيانات المختبرية والتصوير). في البداية يتم تحليل البيانات لميزات معينة، مع كل مريض ممثلة بمجموعة من الميزات ثنائي وتسمية هدف نتائج ثنائي. تحدد التسمية نتائج باستخدام معيار استجابة المنشأة على أساس تصوير كبدية العلاج4،5،،من67. الميزات والتسميات الهدف يتم تمريرها إلى برامج تعلم آلة أن يتعلم التعيين بين الميزات ونتائج في إطار محدد التعلم نموذج (الانحدار اللوجستي أو الغابات العشوائية)8،،من910. جرى تطبيق تقنيات مماثلة في الأشعة ومجالات أخرى لأبحاث السرطان للتشخيص والعلاج التنبؤ11،،من1213.

الطريقة تكيف التقنيات من علوم الكمبيوتر إلى مجال الأشعة التداخلية. الدراسات أهمية التقليدية في الأشعة التداخلية، والطب بشكل عام، تعتمد على تحليلات ميزة أحادية أو اليغو. على سبيل المثال، يتضمن نموذجا لنهاية مرحلة "مرض الكبد" خمسة مقاييس السريرية لتقييم مدى انتشار مرض الكبد. الاستفادة الطريقة المقترحة هو القدرة على إضافة ميزات تحرر؛ وتعتبر ميزات خمسة وعشرون في تحليل المثال. ويمكن إضافة ميزات إضافية حسب المطلوب.

يمكن تطبيق التقنية للتدخلات الشعاعية الأخرى التي تتوفر فيها بيانات التصوير قبل وبعد التدخل. على سبيل المثال، يمكن التنبؤ بالنتائج بعد العلاج عن طريق الجلد بطريقة مماثلة. القيد الرئيسي من الدراسة هو الحاجة إلى ميزات كاهن اليدوي لإدراجها في النموذج. استخراج البيانات curation وميزة تستغرق وقتاً طويلاً للممارسين وقد تعوق اعتماد السريرية للجهاز مثل نماذج التعلم.

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

البروتوكول

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

1. إعداد محطة العمل للتعلم آلة

  1. استخدام نظام بما يلي:
    إنتل كور 2 ديو أو أعلى وحدة المعالجة المركزية سرعة 2.0 جيجاهرتز
    4 غيغابايت أو أكثر من ذاكرة النظام
    متوافقة مع POSIX نظام التشغيل (لينكس أو نظام التشغيل Mac OS) أو Microsoft Windows 7
    أذونات المستخدم من أجل تنفيذ البرامج وحفظ الملفات
  2. تثبيت الأدوات التالية:
    Python3 أناكوندا: https://www.anaconda.com/download
    DICOM لتحويل نيفتي (dcm2niix)-https://github.com/rordenlab/dcm2niix
    محرر نصوص سامية: https://www.sublimetext.com/
    itk-الأدوات الإضافية (اختيارية): http://www.itksnap.org
    1. تثبيت Python3 أناكوندا، dcm2nii ونص سامية، قم بزيارة مواقعها على شبكة الإنترنت الخاصة بكل منها لخطوات التثبيت المحددة في نظام التشغيل.
    2. إنشاء وتفعيل بيئة أناكوندا.
      إنشاء كوندا-ملينف الاسم
      تنشيط ملينف من كندا
    3. قم بتثبيت حزم أناكوندا لالة التعلم.
      تثبيت كوندا نومبي سسيبي سسيكيت-تعلم نيبابيل نلتك
      ملاحظة: الحزمة نلتك مفيد لتحليل الملاحظات السريرية نص عادي، بينما حزمة نيبابيل يوفر وظائف مفيدة لمعالجة الصور الطبية. قد تكون مثبتة itk-المفاجئة لتجزئة الأجهزة والأورام من الصور الطبية. أنها مفيدة للسمات المعوقة لمناطق محددة.

2. استخراج ميزة من نص عادي السريرية الملاحظات والبيانات السريرية المنظمة

  1. قم بإنشاء دليل أصل للمشروع وقم بإنشاء مجلد لكل مريض داخل المجلد الأصل. يجب أن تشبه بنية الدليل:
    المشروع/
    المشروع/Patient_1/
    المشروع/Patient_2/
    المشروع/Patient_3/
    ...
  2. الحصول على نص عادي الملاحظات السريرية من السجل الطبي الإلكتروني (إقليم شرق المتوسط). استرداد الملاحظات يدوياً عن طريق في إقليم شرق المتوسط، أو عن طريق مكتب مستشفى لتكنولوجيا المعلومات عن طريق تفريغ بيانات. تخزين الملاحظات كل مريض في المجلدات الخاصة بكل منها.
    Project/Patient_1/History_and_Physical.txt
    Project/Patient_1/Procedure_Note.txt
    1. وقرر فيه المظاهر السريرية تضمينها في النموذج. تحليل نص عادي وتلاحظ عيادة لهذه الميزات. توفر مكتبة "بيثون اللغة الطبيعية مجموعة الأدوات" (نلتك) أوامر مفيدة لتقسيم الوثائق في الجمل. قد بحثت كل جملة لشروط مناسبة مثل اليرقان. تخزين ميزات كل مريض في ملف مع ميزة واحدة في كل سطر.
      Project/Patient_1/Features.txt:
      العمر 67
      الجنس أنثى
      ألبومين 3.1
      لا cirrhotic
      hepatitis_c لا
      ...
    2. ميزات غير ثنائي، تأخذ القيمة الوسطية لكل ميزة عبر جميع المرضى. بيناريزي كل ميزة كقيمة true(1) أو false(0) على أساس القيمة الوسطية.
      Project/Patient_1/Binary_Features.txt:
      age_over_60 0
      male_sex 1
      albumin_less_than_3.5 1
      presence_of_cirrhosis 0
      hepatitis_c 0
      ...

3. استخراج ميزة من الصور الطبية

ملاحظة: راجع الخطوة 3 مواد تكميلية للحصول على أمثلة التعليمات البرمجية.

  1. تحميل صور DICOM الرنين المغناطيسي قبل وبعد العلاج من المستشفى الدوريات. تخزين الصور في المجلدات المريض المقابلة.
    المشروع/
    Project/Patient_1/Pre_TACE_MRI_Pre-Contrast.dcm
    Project/Patient_1/Pre_TACE_MRI_Arterial.dcm
    Project/Patient_1/Post_TACE_MRI_Pre-Constrast.dcm
    Project/Patient_1/Post_TACE_MRI_Arterial.dcm
  2. تحويل صور DICOM الشكل نيفتي باستخدام برنامج dcm2niix. الأوامر التالية تحويل جميع.dcm الصور في المجلد المحدد. تكرار لجميع المرضى.
    dcm2niix المشروع/Patient_1/
    dcm2niix المشروع/Patient_2/
  3. تحميل كل ملف نيفتي في بيثون.
    استيراد نيبابيل
    الصورة = nibabel.load('Project/Patient_1/Pre_TACE_MRI_Pre-Contrast.dcm')
    1. كانونيكاليزي التوجه لكل صورة. وهذا ما يضمن أن محاور x و y، و z متطابقة، بغض النظر عن الإله المستخدمة للحصول على الصور.
      cImage = nibabel.as_closest_canonical(image)
  4. استخدام itk-الأداة (أو حزمة برامج مماثلة) لتجزئة أقنعة الكبد وورم ثنائي لكل صورة.
    Project/Patient_1/Pre_TACE_MRI_Pre-Contrast_Liver_Mask.bin
    Project/Patient_1/Pre_TACE_MRI_Pre-Contrast_Tumor_Mask.bin
  5. قراءة أقنعة الكبد وورم في بيثون. رمز أدناه يوضح كيفية تصحيح اتجاه القضايا بغية توجيه الأقنعة على طول محاور الكنسي نفسه كصور السيد.
    استيراد نومبي كالتي أرستها
    مع فتح (liver_mask_file، 'العادية') كواو:
    liver_mask = f.read()
    liver_mask = np.fromstring (liver_mask، دتيبي = 'uint8')
    liver_mask = np.reshape (liver_mask، diff.shape، وترتيب = 'و')
    liver_mask = liver_mask [:،::-1،:]
    liver_mask [liver_mask > 0] = 1
    1. استخدام الأقنعة الكبد وورم لعزل فوكسيلس التي تحتوي على الكبد والأورام.
      كبد = np.copy(cImage)
      الكبد [liver_mask < = 0] = 0
  6. حساب ميزة يعني تعزيز الكبد.
    mean_liver_enhancement = mean(liver)
    1. حساب ميزة حجم الكبد.
      بيكسديم = cImage.header['pixdim ']
      وحدات = pre.header['xyzt_units ']
      dx, dy, dz = pre_pixdim [1:4]
      liver_volume = length(liver) * dx * dx * dz
    2. (اختياري) حساب ميزات إضافية كما هو مطلوب.
  7. تحديث ملف السمات الخاصة بالمريض مع ملامح الصورة.
    Project/Patient_1/Features.txt:
    العمر 67
    الجنس أنثى
    ألبومين 3.1
    لا cirrhotic
    hepatitis_c لا
    pre_tace_mean_liver_enhancement 78
    pre_tace_liver_volume 10000
    1. حساب متوسط القيم لكل ميزة التصوير وبيناريزي كما هو الحال في الخطوة 2.2.2.
      Project/Patient_1/Binary_Features.txt:
      age_over_60 0
      male_sex 1
      albumin_less_than_3.5 1
      presence_of_cirrhosis 0
      hepatitis_c 0
      pre_tace_mean_liver_enhancement 1
      pre_tace_liver_volume 0

4-ميزة التجميع والحد

ملاحظة: راجع الخطوة 4 مواد تكميلية للحصول على أمثلة التعليمات البرمجية.

  1. دمج ملفات Binary_Features.txt لكل مريض في جدول بيانات مع ميزات على المحور السيني والمرضى على المحور ص.
    المريضالعمر > 60جنس الذكورألبومين < 3.5وجود تليف الكبدالتهاب الكبد الوبائي الحالييعني تعزيز الكبد > 50حجم الكبد > 20000
    10110010
    21110000
    30110100
    1. إضافة تسميات استجابة نتائج قياسل كالعمود الأخير.
      المريضالعمر > 60جنس الذكورألبومين < 3.5وجود تليف الكبدالتهاب الكبد الوبائي الحالييعني تعزيز الكبد > 50حجم الكبد > 20000قياسل المستجيب
      101100101
      211100001
      301101000
    2. تصدير جدول البيانات كملف المفصول.
      Project/ML_Matrix.tsv:
      باتينتاجي > 60 "الذكور الجنس الزلال" < 3.5 "وجود لتليف الكبد التهاب الكبد الوبائي هذا" يعني تعزيز الكبد > 50 حجم الكبد > 20000 قياسل المستجيب
      1 0 1 1 0 0 1 0 1
      2 1 1 1 0 0 0 0 1
      3 0 1 1 0 1 0 0 0
  2. إزالة ميزات التباين المنخفض من النظر فيها.
    استيراد نومبي كالتي أرستها
    استيراد من sklearn.feature_selection فاريانسيثريشولد

    # قراءة في مصفوفة ثنائية.
    ميزات =]
    تسميات =]
    للأول ول في enumerate(sys.stdin):
    إذا أنا = = 0
    مواصلة
    n_fs_L = L.strip().split('\t')
    features.append([float(_) لمدة _ في n_fs_L[1:-1]])
    labels.append(n_fs_L[-1])
    X = np.array(features)
    y = np.array(labels)

    # حساب السمات التي تظهر في مالا يقل عن 20 في المائة من المستجيبين وغير ريسبنديرس.
    نموذج = فاريانسيثريشولد (عتبة = 0.8 * (1-0.8))
    X_new = model.fit_transform (X, y)
    قد أزيلت الذكور، والزلال < 3.5، وجود تليف الكبد، وحجم الكبد > 2000 الميزات.
    المريضالعمر > 60التهاب الكبد الوبائي الحالييعني تعزيز الكبد > 50قياسل المستجيب
    10011
    21001
    30100
  3. إزالة ميزات مع رابطة وحيد المتغير المنخفض مع النتائج. تصفية فقط تلك الميزات التي تم تمريرها 4.2. الاحتفاظ بسيل ميزات (سجل2(ن))، حيث أن N هو عدد المرضى. سيل (سجل2(3)) = 2.

    استيراد الرياضيات
    استيراد من sklearn.feature_selection سيليكتكبيست
    استيراد من sklearn.feature_selection chi2

    # قراءة في المصفوفة الثنائية كما هو الحال في 4.2.1
    ...

    # حساب ميزات ceil(log2(N)) العلوي برابطة وحيد المتغير.
    k = math.ceil(log2(length(y)))
    نموذج = سيليكتكبيست (chi2, k = k)
    X_new = model.fit_transform (X, y)

    تمت إزالة ميزة > 60 سن الذكور من الميزات الباقية من 4.2.1.
المريضالتهاب الكبد الوبائي الحالييعني تعزيز الكبد > 50قياسل المستجيب
1011
2001
3100

5. نموذج التدريب والاختبار

راجع الخطوة 5 مواد تكميلية للحصول على أمثلة التعليمات البرمجية

  1. تدريب نموذج انحدار اللوجستي باستخدام مصفوفة الميزات ثنائي من 4.3.
    استيراد الرياضيات
    استيراد من sklearn.linear_model لوجيستيكريجريشن

    # قراءة في المصفوفة الثنائية كما هو الحال في 4.2 و 4.3.
    ...

    # لكل مريض، تدريب نموذجا على جميع المرضى الآخرين.
    نقاط = 0.0
    نماذج =]
    للمريض في len(X):
    # تدريب نموذجية في جميع ولكن أحد المرضى.
    train_x = np.array ([_ لانا _ في enumerate(X) إذا كان i! = المريض])
    train_y = np.array ([_ لانا _ في enumerate(y) إذا كان i! = المريض])
    نموذج = LogisticRegression(C=1e15)
    model.fit (train_x، train_y)

    # اختبار على المريض من اليسار.
    y_prediction = model.predict(X[patient])
    إذا كان y_prediction = = y [المريض]:
    نقاط + = 1
    models.append(model)
  2. تدريب نموذج عشوائي للغابات باستخدام المصفوفة ميزات ثنائي من 4-2-2. الخطوات مطابقة ل 5.2.1، إلا ينبغي استكمال إنشاء مثيل النموذج كما يلي:
    استيراد من sklearn.ensemble راندومفوريستكلاسيفير
    ...
    نموذج = RandomForestClassifier(n_estimators=100)
    ...
  3. طباعة نقاط/len (X) ل 5.1 و 5.2. وهذا يمثل متوسط دقة جميع نماذج الانحدار اللوجستي وجميع نماذج عشوائية للغابات، على التوالي. ينبغي أن يطبق جميع ن نماذج للمرضى الجدد مع تصنيف متوسط المتخذة كنتيجة للتنبؤ

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

النتائج

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

تم تطبيق الأسلوب المقترح إلى 36 من المرضى الذين تلقوا العلاج ترانس-الشرياني سرطانه الخلية الكبدية. تم تحديد السمات الخمس والعشرين، وبيناريزيد باستخدام الخطوات 1-5. خمس ميزات استيفاء كل الفرق ومرشحات رابطة وحيد المتغير (انظر الخطوات 5.1 و 5-2)، وكانت تستخدم للتدريب النموذجي. وقد وصفت كل مريض مستجيب أو غير مستجيب تحت معايير الاستجابة قياسل. وهكذا كان المصفوفة ميزات مجموعة 36 × 5 بينما كان ناقل تسميات الهدف 36 × 1.

الانحدار اللوجست...

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

المناقشة

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

وتقدم المرضى المصابين بسرطانه الخلية الكبدية الذين ليسوا مرشحين للاستئصال الجراحي العلاج داخل الشرايين. توجد أساليب عدة لتحديد إذا كان مريض سيستجيب قبل-العلاج. تقنيات التقييم بعد العلاج تعتمد على التغييرات في حجم الورم أو الإقبال على النقيض الورم. وتسمى هذه المعايير الاستجابة، مع كونها الأكثر دقة "الكمية الرابطة الأوروبية" لدراسة الكبد (قياسل) المعيار. قياسل يعتمد على السواء الحجمي وتعزيز التغييرات بعد العلاج للتنبؤ بوجود احتمال للاستجابة. وعلى الرغم من نقاط قوة قياسل، هو مع ذلك معايير تقييم بعد علاج، ولا يمكن ا...

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

الإفصاحات

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

أ. أ. يعمل كالتشاور برمجيات للصحة الإخلاص, Inc. التي توظف آلة مماثلة تعلم تقنيات على الملاحظات السريرية للاستفادة المثلى من تسديد التكاليف الطبية.

J.F.G. يتلقى رسوم شخصية من الرعاية الصحية جربة BTG، عتبة المستحضرات الصيدلانية (سان فرانسيسكو، كاليفورنيا)، وبوسطن وعلمية وتيرومو (Elkton، ماريلاند)؛ واستشارات مدفوعة "الترسانة مختبرات" (يستبورت، كونيتيكت).

لم التعرف على أي من المؤلفين الآخرين وجود تضارب في المصالح.

شكر وتقدير

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

أ. أ. تلقي الدعم التمويلي من "مكتب بحوث الطلاب"، كلية الطب بجامعة ييل.

L.J.S. تتلقى منحا من المعاهد الوطنية للصحة (المعاهد الوطنية للصحة/NCI R01CA206180)، ليوبولدينا زمالات ما بعد الدكتوراه، ومؤسسة غينتر دبليو رولف العلوم الإشعاعية (آخن، ألمانيا).

كيركراده تتلقى منحا من المعاهد الوطنية للصحة (المعاهد الوطنية للصحة/NCI R01CA206180)، فيليبس للرعاية الصحية، والمؤسسة الألمانية-الإسرائيلية للبحث العلمي والتطوير (القدس، إسرائيل ونيوهيربيرج، ألمانيا)؛ ومنح دراسية من مؤسسة غينتر دبليو رولف "العلوم الإشعاعية" و "شاريت برلين معهد للصحة السريرية عالم البرنامج" (برلين، ألمانيا).

دكتوراه، وحركة التحرير تتلقى منحا من المعاهد الوطنية للصحة (المعاهد الوطنية للصحة/NCI R01CA206180) والرعاية الصحية فيليبس (أفضل، هولندا).

J.F.G. وتتلقى منحا من المعاهد الوطنية للصحة (المعاهد الوطنية للصحة/NCI R01CA206180)، فيليبس للرعاية الصحية، BTG (لندن، المملكة المتحدة)، بوسطن العلمية (مارلبورو، ماساتشوستس)، والرعاية الصحية جربة (Villepinte، فرنسا)

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

المواد

قائمة المواد المستخدمة في هذه المقالة
الاسمالشركةرقم فهرسيالتعليقات
محطة عمل الكمبيوترN / AN / AIntel Core 2 Duo أو أعلى وحدة المعالجة المركزية بسرعة 2.0 جيجاهرتز ؛ 4 جيجابايت أو أكثر من ذاكرة النظام ؛ نظام التشغيل المتوافق مع POSIX (Linux أو Mac OS) أو Microsoft Windows 7 ؛ أذونات المستخدم لتنفيذ البرامج وحفظ الملفات
Anaconda Python 3Anaconda، Inc.الإصدار 3.6نظام Python 3 والمكتبات المعبأة للعلماء والباحثين
DICOM إلى NIfTIأدوات التصوير العصبي & الموارد الإصدار التعاوني1.0 (إصدار 4/4/2018)برنامج مستقل لتحويل ملفات تصوير DICOM إلى تنسيق NIfTI
محرر نص ساميSublime HQ Pty Ltdالإصدار 3 (الإصدار 3143)محرر نصوص لكتابة كود Python
مطلوب مكتبات Python N/ Aالإصدار 3.2.25 (nltk)
الإصدار 0.19.1 (scikit-learn)مجموعة		أدوات اللغة الطبيعية (nltk)
Scikit-learn
ITK-SNAPN / Aالإصدار 3.6.0مجموعة أدوات اختيارية لإجراء تجزئة أنظمة الأعضاء في الصور الطبية.

المراجع

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Benson, A., et al. NCCN clinical practice guidelines in oncology: hepatobiliary cancers. J National Comprehensive Cancer Network. 7 (4), 350-391 (2009).
  2. Siegel, R., Miller, K., Jemal, A. Cancer statistics, 2016. CA Cancer J Clin. 66 (1), 7-30 (2016).
  3. Bruix, J., et al. Clinical management of hepatocellular carcinoma. Conclusions of the Barcelona-2000 European Association for the Study of the Liver conference. Journal of Hepatology. 35 (3), 421-430 (2001).
  4. Eisenhauer, E., et al. New response evaluation criteria in solid tumours: revised RECIST guideline (version 1.1). European Journal of Cancer. 45 (2), 228-247 (2009).
  5. Gillmore, R., et al. EASL and mRECIST responses are independent prognostic factors for survival in hepatocellular cancer patients treated with transarterial embolization. Journal of Hepatology. 55 (6), 1309-1316 (2011).
  6. Lin, M., et al. Quantitative and volumetric European Association for the Study of the Liver and Response Evaluation Criteria in Solid Tumors measurements: feasibility of a semiautomated software method to assess tumor response after transcatheter arterial chemoembolization. Journal of Vascular and Interventional Radiology. 23 (12), 1629-1637 (2012).
  7. Tacher, V., et al. Comparison of Existing Response Criteria in Patients with Hepatocellular Carcinoma Treated with Transarterial Chemoembolization Using a 3D Quantitative Approach. Radiology. 278 (1), 275-284 (2016).
  8. Pedregosa, F., et al. Scikit-learn: Machine Learning in Python. Journal of Machine Learning Research. 12, 2825-2830 (2011).
  9. Bishop, C. Pattern recognition and machine learning. , Springer. New York. 738(2006).
  10. Alpaydin, E. Introduction to machine learning. Third edition. , The MIT Press. Cambridge, Massachusetts. 613(2014).
  11. Kim, S., Cho, K., Oh, S. Development of machine learning models for diagnosis of glaucoma. PLoS One. 12 (5), (2017).
  12. Son, Y., Kim, H., Kim, E., Choi, S., Lee, S. Application of support vector machine for prediction of medication adherence in heart failure patients. Healthcare Informatics Research. 16 (4), 253-259 (2010).
  13. Wang, S., Summers, R. Machine learning and radiology. Medical Image Analysis. 16 (5), 933-951 (2012).
  14. Abajian, A., et al. Predicting Treatment Response to Intra-arterial Therapies for Hepatocellular Carcinoma with the Use of Supervised Machine Learning-An Artificial Intelligence Concept. Journal of Vascular and Interventional Radiology. , (2018).

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

إعادة الطباعة والأذونات

طلب إذن لإعادة استخدام النص أو الأشكال في مقالة JoVE هذه

طلب إذن

الوسوم

مقالات ذات صلة