对于无法接受手术切除的肝细胞癌患者，经动脉治疗是标准护理方案。本文提出了一种预测此类治疗反应的方法。该技术利用治疗前的临床、人口统计学和影像学信息，训练机器学习模型，以在治疗前预测治疗反应。
需要JoVE订阅才能观看此内容。 请登录或开始免费试用
本文内容
摘要
摘要
对于无法接受手术切除的肝细胞癌患者，动脉内治疗是标准护理方案。本研究的目的是在干预前建立一种预测动脉内治疗反应的方法。
该方法为动脉内治疗前的疗效预测提供了一个通用框架。该框架包括汇总一组患者的临床、人口统计学和影像学数据，并利用这些数据训练机器学习模型。训练好的模型可用于新患者，以预测其对动脉内治疗产生应答的可能性。
该方法包括从临床、人口统计学和影像学数据中进行采集与解析 N 已接受经动脉治疗的患者。这些数据被解析为离散特征（年龄、性别、肝硬化、肿瘤强化程度， 等等。）并二值化为真/假值（例如， 年龄超过60岁、男性、肿瘤强化程度超过设定阈值 等等。）。去除方差较低的特征以及与结局单变量关联性较弱的特征。根据每位接受治疗的患者是否对治疗产生应答，对其进行标注。因此，每位训练集患者均以一组二元特征及一个结局标签表示。采用以下方式训练机器学习模型： N - 1 名患者，对剩余的那名患者进行测试。此过程对每位患者均重复一次。 N 患者。 N 将模型进行平均以得到最终模型。
该技术具有可扩展性，能够在未来纳入更多特征。它也是一种可推广的流程，可应用于介入放射学以外的临床研究问题。主要局限在于需要手动从每位患者中提取特征。一种流行的现代机器学习方法——深度学习——不受此限制，但需要更大的数据集。
引言
对于不适合手术的肝细胞癌患者，可采用经动脉治疗1,2,3。目前尚无单一指标可在治疗实施前确定患者是否会对经动脉治疗产生应答。本研究的目的是展示一种通过机器学习方法预测治疗应答的模型。此类模型可为临床医生和患者在决定是否进行治疗时提供指导。
该方案包含一个可重复的流程，用于从患者原始数据（临床记录、人口统计学信息、实验室数据和影像数据）出发，训练并更新模型。首先对数据进行解析以提取特定特征，每位患者由一组二元特征和一个二元结果目标标签表示。结果标签根据既定的基于影像的肝细胞癌治疗反应标准确定4,5,6,7。这些特征与目标标签被输入机器学习软件，在特定学习模型（逻辑回归或随机森林）下学习特征与结果之间的映射关系8,9,10。类似的技术已应用于放射学及癌症研究....
访问受限。请登录或开始试用以查看此内容。
方案
1 . 机器学习工作站设置
- 使用满足以下条件的系统：
2.0 GHz 或更高主频的 Intel Core 2 Duo 及以上 CPU
4 GB 或更大的系统内存
符合 POSIX 标准的操作系统（Linux 或 Mac OS）或 Microsoft Windows 7
具备运行程序和保存文件的用户权限 - 安装以下工具：
Anaconda Python3：https://www.anaconda.com/download
DICOM 转 NIfTI 转换器（dcm2niix） - https://github.com/rordenlab/dcm2niix
Sublime Text 编辑器：https://www.sublimetext.com/
itk-SNAP（可选）：http://www.itksnap.org- 安装 Anaconda Python3、dcm2nii 和 Sublime Text，请访问其各自官网以获取针对特定操作系统的安装步骤。
- 创建并激活 Anaconda 环境。
conda create --name mlenv
conda activate mlenv - 安装用于机器学习的 Anaconda 软件包。
conda install n....
访问受限。请登录或开始试用以查看此内容。
结果
该方法应用于36例接受经动脉治疗的肝细胞癌患者。通过步骤1-5确定并二值化了25个特征。其中5个特征同时满足方差和单变量关联性筛选条件（见步骤5.1和5.2），用于模型训练。根据qEASL疗效评价标准，每例患者被标记为治疗应答者或非应答者。因此，特征矩阵为36 × 5的数组，目标标签向量为36 × 1。
采用逻辑回归和随机森林分类器进行模型拟合。使用留一法交叉验证评估所得到模型的性能。另外训练了两个模型，仅使用排名前两位的特征（肝硬化的存在以及经导管动脉化疗栓塞术前肿瘤信号强度大于27.0）。图1展示了随着特征增加，模型性能的变化情况。逻辑回归和随机森林模型对经导管动脉化疗栓塞治疗反应的预测总体准确率为78%（敏感性62.5%，特异性82.1%，阳性预测值50.0%，阴性预测值88.5%）。
访问受限。请登录或开始试用以查看此内容。
讨论
对于不适合手术切除的肝细胞癌患者，可采用经动脉治疗。目前很少有方法能够在治疗前确定患者是否会产生应答。治疗后的评估技术依赖于肿瘤大小或肿瘤对比剂摄取的变化。这些评估标准被称为应答标准，其中最准确的是定量欧洲肝脏研究学会标准（qEASL）。qEASL通过治疗后肿瘤体积和强化程度的变化来预测应答可能性。尽管qEASL具有优势，但它仍是一种治疗后的评估标准，无法用于指导治疗方案的制定。
在实施介入治疗前，有必要评估哪些患者可能对经动脉治疗产生应答。本方案中展示的方法结合了临床、实验室和影像学特征，利用计算机科学和统计学领域的技术构建预测模型。通过机器学习模型，将接受过经动脉治疗患者的这些特征与其qEASL治疗结果进行映射。随后，该模型可用于即将接受治疗的新患者，仅根据其治疗前的特征来预测其qEASL应答情况。
步骤1描述了机器学习工作站的设置。它提供了关于如何配置具备必要工具的工作站的简要说明。步骤2至4详细介绍了如何解析临床和影像数据以获取感兴趣的特征。这些步骤至关重要，因为适当特征的选择将决定模型的有效性。为便.......
访问受限。请登录或开始试用以查看此内容。
披露
A.A. 在 Health Fidelity, Inc. 担任软件顾问，该公司在临床记录上应用类似的机器学习技术，以优化医疗报销。
J.F.G. 收到来自Guerbet Healthcare、BTG、Threshold Pharmaceuticals（美国加利福尼亚州旧金山）、Boston Scientific和Terumo（美国马里兰州埃尔克顿）的个人报酬；并担任Prescience Labs（美国康涅狄格州韦斯特波特）的有偿顾问。
其他所有作者均声明不存在利益冲突。
致谢
A.A. 获得了耶鲁医学院学生研究办公室的经费支持。
L.J.S. 获得美国国立卫生研究院（NIH/NCI R01CA206180）、Leopoldina 博士后奖学金以及放射科学 Rolf W. Guenther 基金会（德国亚琛）的资助。
J.C. 获得美国国立卫生研究院（NIH/NCI R01CA206180）、飞利浦医疗以及德以科学与开发基金会（耶路撒冷，以色列和诺伊赫贝格，德国）的资助；同时获得放射科学Rolf W. Guenther基金会和柏林夏里特医学院健康研究所临床科学家项目（柏林，德国）的奖学金。
J.S.D. 和 M.L. 获得美国国立卫生研究院（NIH/NCI R01CA206180）和飞利浦医疗（荷兰 Best）的资助。
J.F.G. 收到美国国立卫生研究院（NIH/NCI R01CA206180）、飞利浦医疗、BTG（英国伦敦）、波士顿科学（美国马萨诸塞州马尔伯勒）和加伯医疗（法国维勒潘特）的资助。
....访问受限。请登录或开始试用以查看此内容。
材料
| 姓名 | 公司 | 目录编号 | 评论 |
|---|---|---|---|
| 计算机工作站 | N/A | N/A | Intel Core 2 Duo 或更高 CPU，主频 2.0 GHz；4 GB 或更大系统内存；符合 POSIX 标准的操作系统（Linux 或 Mac OS）或 Microsoft Windows 7；具备运行程序和保存文件的用户权限 |
| Anaconda Python 3 | Anaconda, Inc. | 版本 3.6 | 面向科研人员和研究人员打包的 Python 3 系统及库 |
| DICOM 转 NIfTI | NeuroImaging Tools & Resources Collaboratory | 版本 1.0（2018 年 4 月 4 日发布） | 用于将 DICOM 影像文件转换为 NIfTI 格式的独立程序 |
| Sublime 文本编辑器 | Sublime HQ Pty Ltd | 版本 3（构建版本 3143） | 用于编写 Python 代码的文本编辑器 |
| 必需的 Python 库 | N/A | 版本 3.2.25（nltk） 版本 0.19.1（scikit-learn） | 自然语言工具包（nltk） Scikit-learn |
| ITK-SNAP | N/A | 版本 3.6.0 | 可选工具包，用于对医学影像中的器官系统进行分割 |
参考文献
- Benson, A., et al. NCCN clinical practice guidelines in oncology: hepatobiliary cancers. J National Comprehensive Cancer Network. 7 (4), 350-391 (2009).
- Siegel, R., Miller, K., Jemal, A. Cancer statistics, 2016. CA Cancer J Clin. 66 (1), 7-30 (2016).
访问受限。请登录或开始试用以查看此内容。
重印与许可
标签
