خوارزميات التعلم الآلي للكشف المبكر عن الانبثاث العظام في نموذج الفئران التجريبية
August 16th, 2020
وقد صُمِّم هذا البروتوكول لتدريب خوارزمية للتعلم الآلي لاستخدام مزيج من بارامترات التصوير المستمدة من التصوير بالرنين المغناطيسي (MRI) والتصوير المقطعي /التصوير المقطعي للانبعاثات البوزيترونية (PET/CT) في نموذج فأر من أنبثاث عظام سرطان الثدي للكشف المبكر عن الأمراض النقيالة والتنبؤ بالتقدم اللاحق إلى الماكروميتاستاسات.
يسهل هذا البروتوكول تطوير خوارزمية التعلم الآلي للتنبؤ بنمو نقائل العظام في نموذج تجريبي في مرحلة استعمار الجهاز المبكر. والميزة الرئيسية لهذه التقنية هي أنها تجمع بين العديد من معلمات التصوير في خوارزمية التعلم الآلي التي تتفوق بشكل كبير على القدرة الإنتاجية لكل معلمة على حدة. على الرغم من أن هذا البروتوكول يهدف إلى التشخيص المبكر للنقائل في العظام ، يمكن تكييفه مع مختلف الأعضاء أو مجالات أبحاث التصوير متعدد الوسائط ومتعددة الأبعاد.
10 أيام بعد الجراحة والحقن في عارض DICOM مع البرنامج المساعد DCE. اختر استيراد لتحميل تسلسل DCE في وضع 4D وحدد المجلد DICOM الذي يحتوي على صور الرنين المغناطيسي. وضع دائري 1.5 ملليمتر مربع إلى منطقة الأبعاد من الفائدة في نخاع عظم رمح التصبي القريب من الساق الخلفية اليمنى ضمن الصورة التصوير بالرنين المغناطيسي الرابع أو الخامس وحدد تعزيز نسبي في نوع المؤامرة.
أدخل نطاق الأساس من نقاط زمنية، واحد إلى خمسة في الحقول المعنية وتصدير التحليل كملف نقطة TXT يسمى DCE نقطة خام TXT. فتح RStudio وتحميل الملف R DCE النصي DCE المتوفرة. حدد التعليمات البرمجية وتشغيل المنطقة وتشغيل الكل لتشغيل البرنامج النصي بأكمله ونسخ الإخراج إلى ملف قالب ميزات التصوير المتوفرة.
في عارض DICOM، ضع منطقة ثانية من الاهتمام داخل العضلة الخلفية للحيوان وكرر قياسات DCE كما هو موضح. في جدول بيانات ميزة التصوير سيتم تقسيم قياسات العظام المعنية تلقائيًا من خلال قياسات العضلات الخاصة بتطبيع البيانات. لتحليل الصور PET / CT فتح برنامج تحليل PET / CT واستيراد الصور PET / CT.
انقر فوق التحليل العام وحدد منطقة ذات أهمية كمية، إنشاء وإنشاء منطقة ذات فائدة من قالب. وضع أربعة في ستة ملليمترات، إلى منطقة ذات أهمية الأبعاد داخل نخاع العظم من رمح التصبيال القريب من الساق الخلفية اليمنى وحدد المناطق ذات الاهتمام استهداف تراكب واحد. لاحظ القيم الوسط والحد الأدنى والحد الأقصى في becquerels لكل ملليلتر.
ثم، تقسيم القيمة القصوى على النشاط المحقون وضرب النتيجة من وزن الحيوان في غرام لحساب قيمة امتصاص موحدة. لتشخيص معدل نمو الورم في الساق الخلفية المحقونة. بعد الحصول على التصوير بالرنين المغناطيسي وPET / CT الصور في اليوم 30 بعد الحقن، وتحليل الصور كما أظهرت وإضافة عمود الورم إلى جدول بيانات ميزات التصوير.
ثم أدخل واحد أو صفر للحيوانات مع الانبثاث أو دون عبء الورم مرئية على التوالي. لتحديد الميزات الأكثر صلة للتنبؤ بنمو الورم في المستقبل، قم باستيراد جدول البيانات إلى مجموعة أدوات التعلم الآلي لتصور البيانات مفتوحة المصدر ومجموعة أدوات التعدين. اسحب روتين الملف الفرعي من قائمة البيانات إلى مساحة العمل وانقر نقراً مزدوجاً فوق الملف.
انقر فوق رمز المجلد لتحميل جدول البيانات وتحديد جدول بيانات ميزات التصوير. حدد ورقة عمل التصدير وتعيين السمة الهدف إلى الورم المتغير. تعيين الدالة تخطي إلى رقم الحيوان.
اسحب روتين الرتبة الفرعي إلى مساحة العمل وارسم خطًا للاتصال بالملف وترتيب الإجراءات الفرعية. ثم انقر نقراً مزدوجاً لفتح روتين فرعي رتبة وحدد خوارزمية كسب المعلومات. لتحليل التعلم الآلي، افتح RStudio 3.4.1 ثم قم بتحميل نموذج القطار المتوفر R النصي.
حدد الأسطر من ثلاثة إلى ستة داخل البرنامج النصي لتحميل المكتبات المطلوبة. انقر فوق التعليمات البرمجية لتشغيل التعليمات البرمجية المحددة وانقر فوق تشغيل الأسطر المحددة لتشغيل البنود المحددة. لتدريب متوسط نموذج إلى خوارزمية الشبكة العصبية، حدد الخطوط من 8 إلى 39 من برنامج نصي طراز القطار R وانقر فوق التعليمات البرمجية وتشغيل خطوط مختارة.
ثم لتقييم المعلمات القياسية للدقة التشخيصية ، حدد خطوط 41 إلى 50 من القطار نموذج R النصي وانقر على رمز وتشغيل خطوط مختارة. في اليوم 10 بعد الجراحة وحقن الخلايا السرطانية، يمكن الحصول على التصوير بالرنين المغناطيسي و PET/ CT الصور. تحليل DCE يسمح بقياس مناطق الأنسجة العضلية والعظام ذات الاهتمام.
يمكن تطبيع هذه القيم عن طريق تقسيم قياسات العظام من خلال قياسات العضلات. في اليوم 30 بعد الحقن، يتم تقييم جميع الحيوانات لتحديد ما إذا كانت قد وضعت metasticies مع واحد يشير إلى عبء الورم الإيجابي وصفر يشير إلى الحيوانات السليمة دون أورام مرئية. تشغيل القطار نموذج R النصي يسمح مزيج المعلمة فرط الأمثل لتحديد والنموذج النهائي أن تحسب باستخدام مزيج المعلمة فرط الأمثل.
تسمح هذه البيانات بمجموعة من معلمات التشخيص القياسية التي سيتم حسابها ومنحنى خصائص التشغيل الخاصة بالمستقبِل للنموذج ليتم رسمها. على سبيل المثال، في هذا التحليل من 28 عينات النموذج أداء أفضل بكثير من جميع مكوناته الثلاثة. تميل خوارزميات التعلم الآلي العديدة إلى أداء أفضل عند تسوية بيانات الإدخال.
في هذا البروتوكول يتم تحقيق التطبيع باستخدام وظيفة كوكس مربع. يستخدم هذا البروتوكول متوسط طراز أثناء شبكة الاتصال خوارزمية تعلم الجهاز. ومع ذلك، يمكن بسهولة تكييف الإطار المقدم مع خوارزميات أخرى مثل الغابات العشوائية أو دعم الآلات المتجهة.
وقد أصبح استخراج المعلومات الرقمية من مواد الصورة أمراً أساسياً. قد تسهل خوارزميات مثل هذه دمج كميات كبيرة من البيانات للسماح بالتقسيم الطبقي للمرضى.
View the full transcript and gain access to thousands of scientific videos
نظرة عامة
يسهل هذا البروتوكول تطوير خوارزمية للتعلم الآلي للتنبؤ بنمو النقائل العظمية في نموذج تجريبي في مرحلة الاستعمار المبكر للأعضاء. تجمع التقنية بين عدة معلمات تصويرية في خوارزمية للتعلم الآلي تفوق بشكل كبير القدرة الإنتاجية لكل معلمة على حدة.
مكونات الدراسة الرئيسية
مجال العلم
- علم الأعصاب
- علم الأورام
- التعلم الآلي
الخلفية
- التشخيص المبكر للنقائل أمر بالغ الأهمية للعلاج الفعال.
- تشكل النقائل العظمية تحديات فريدة في التصوير والتشخيص.
- يمكن لدمج طرائق التصوير تعزيز قدرات الكشف.
- هذا البروتوكول قابل للتكيف مع أعضاء أو مناطق مختلفة من أبحاث التصوير المتعدد الوسائط.
غرض الدراسة
- تدريب خوارزمية للتعلم الآلي للكشف المبكر عن المرض النقيلي.
- التنبؤ بالتقدم إلى النقائل الكبيرة في نموذج الجرذ.
- تحسين دقة التشخيص باستخدام معلمات التصوير المدمجة.
الطرق المستخدمة
- استخدام معلمات التصوير بالرنين المغناطيسي والتصوير المقطعي بالإصدار البوزيتروني/التصوير المقطعي المحوسب.
- تطبيق تقنيات التعلم الآلي لتحليل بيانات التصوير.
- تنفيذ عارض DICOM مع مكون إضافي DCE لتحليل الصور.
- اختيار مناطق الاهتمام في نخاع العظام لتحسين التصوير.
النتائج الرئيسية
- أظهرت خوارزمية التعلم الآلي قدرات تنبؤية محسنة.
- تم تحقيق الكشف المبكر عن النقائل بدقة أعلى.
- تشير النتائج إلى إمكانية التكيف مع أعضاء أخرى.
- يظهر البروتوكول وعدًا للأبحاث المستقبلية في مجال التصوير المتعدد الوسائط.
الاستنتاجات
- يقدم هذا البروتوكول نهجًا جديدًا للتشخيص المبكر للنقائل العظمية.
- يعزز دمج طرائق التصوير من الكشف والتنبؤ.
- قد تمتد التطبيقات المستقبلية إلى أنظمة الأعضاء المختلفة.
الأسئلة الشائعة
Executive Industry Relevance
Early detection of bone metastases remains a critical challenge in oncology drug development, where current imaging often misses micrometastatic disease during preclinical staging. This machine learning approach integrates multimodal imaging features to improve predictive accuracy for metastatic progression, enabling earlier intervention and better model selection in preclinical studies. By identifying animals likely to develop metastases before standard imaging detection, the method supports mechanistic de-risking and improves confidence in target validation efforts.
Strategic Applications in Biopharma R&D
Early Discovery & Target Validation
- Scientific Value: Enables interrogation of therapeutic hypotheses by predicting metastatic outcome from early imaging biomarkers.
- Operational Value: Supports biological de-risking through stratification of models based on predicted metastatic potential.
- Predictive Value: Improves confidence in target selection by identifying models most likely to progress to macrometastasis.
Screening & Assay Development
- Assay Readiness: Prepares validated imaging-derived features for standardized compound screening in metastasis models.
- Quantitative Output: Generates normalized MRI and PET/CT metrics suitable for high-throughput feature extraction.
- Scalability: Framework adapts to unlimited features and multiple ML algorithms for assay optimization.
Translational & Preclinical Research
- Disease Relevance: Uses a site-specific rat model of breast cancer bone metastases with defined tumor-take rate.
- Translational Continuity: Links early imaging biomarkers to macrometastatic outcomes validated by MRI/PET/CT at day 30.
- Risk-Adjusted Decisions: Enables prioritization of compounds based on predicted metastasis suppression in high-risk models.
Pipeline & Workflow Integration
The method fits within the discovery continuum from early target validation through lead identification to preclinical efficacy testing, particularly in bone metastasis models where early prediction informs study design.
- Discovery Biology: Supports hypothesis testing by classifying animals into metastatic and non-metastatic groups using early imaging features.
- Screening: Enables assay standardization through normalized feature extraction from DCE-MRI and SUV-PET/CT measurements.
- Analytics: Provides diagnostic accuracy metrics including sensitivity, specificity, and ROC analysis for model evaluation.
- Translational Research: Connects early organ colonization signals to late-stage macrometastatic disease in a clinically relevant model.
- Enterprise Reuse: Framework can be adapted across oncology, infection, and inflammation studies using multimodal imaging.
Operational & Enterprise Impact
- Scientific Value: Increases predictive confidence in metastasis models by outperforming individual imaging parameters.
- Operational Value: Standardizes feature extraction and normalization across imaging modalities for reproducible results.
- Strategic Value: Improves go/no-go decisions by identifying non-progressing models early, reducing wasted resources.
- Portfolio Impact: Enables risk-adjusted advancement by focusing on compounds effective in high-risk metastatic models.
Implementation Considerations
- Requires expertise in MRI/PET/CT image analysis and feature extraction using DICOM tools.
- Needs RStudio and ML toolkits for model training, validation, and diagnostic metric calculation.
- Demands standardization of ROI placement and normalization procedures (e.g., bone-to-muscle ratios, Box-Cox).
- Involves adaptation considerations when applying the framework to different organs or imaging protocols.
- Limited by the need for longitudinal imaging at defined time points (day 10 and day 30) in the rat model.
Biopharma FAQs
Chapters in this video
0:04
Introduction
0:46
Magnetic Resonance Imaging (MRI) Analysis
2:11
Positron Emission Tomography/Computed Tomography (PET/CT) Analysis
3:03
Tumor-Take Rate Calculation
3:30
Feature Selection
4:23
Machine Learning (ML) Analysis, Model-Averaged Neural Network (avNNet) ML Algorithm Training, and ML Algorithm Data Analysis
5:12
Results: Representative Machine Learning Algorithm Rat Bone Metastasis Detection
6:19
Conclusion
