خوارزميات التعلم الآلي للكشف المبكر عن الانبثاث العظام في نموذج الفئران التجريبية

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.