本方案旨在训练一种机器学习算法，在乳腺癌骨转移的大鼠模型中，利用磁共振成像（MRI）和正电子发射断层扫描/计算机断层扫描（PET/CT）获得的多种成像参数组合，以检测早期转移性疾病，并预测其后续进展为大转移灶的情况。
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
机器学习（ML）算法能够将不同特征整合到一个模型中，以执行分类或回归任务，并实现超过其各组成部分的准确度。本方案描述了一种机器学习算法的开发过程，用于在标准成像方法尚无法观察到任何异常之前，预测大鼠模型中乳腺癌骨大转移灶的生长情况。此类算法有助于检测常规分期检查中经常被遗漏的早期转移性疾病（即微转移灶）。
所采用的转移模型具有部位特异性，即大鼠仅在其右后肢发生转移。该模型的成瘤率为60%–80%，在诱导后30天，部分动物通过磁共振成像（MRI）和正电子发射断层扫描/计算机断层扫描（PET/CT）可观察到明显转移灶，而另一部分动物则未出现肿瘤生长。
本方案从早期获取的影像检查数据出发，描述了提取反映组织血管化的MRI特征和反映葡萄糖代谢的PET/CT特征的方法，并进一步确定用于预测大转移性疾病最关键的特征。随后，将这些特征输入模型平均神经网络（avNNet），以将动物分为两类：一类将发生转移，另一类则不会产生任何肿瘤。本方案还描述了标准诊断参数的计算方法，包括总体准确率、敏感性、特异性、阴性/阳性预测值、似然比以及受试者工作特征曲线的构建。该方案的一个优势在于其灵活性，可轻松适应训练多种不同的机器学习算法，并可任意组合无限数量的特征。此外，该方案还可用于分析肿瘤学、感染及炎症领域的不同问题。
引言
本实验方案的目的是将来自MRI和PET/CT的多个功能成像参数整合到一种模型平均神经网络（avNNet）机器学习算法中。该算法可在早期时间点预测乳腺癌骨转移大鼠模型中大转移灶的生长情况，此时骨内尚无肉眼可见的宏观变化。
在大转移灶形成之前，播散性肿瘤细胞通常会侵入骨髓，这种情况常被称为微转移性疾病1,2。这种初始侵袭可视为转移性疾病的早期阶段，但在常规分期检查中通常被遗漏3,4。尽管目前可用的影像学手段单独使用时无法检测到骨髓微侵袭，但联合反映血管化和代谢活性的多种影像参数已被证明具有更优的检测性能5。通过将不同的影像参数整合为一种机器学习算法——即 avNNet，可实现上述互补优势。此类 avNNet 能够在尚未出现可见转移灶之前，可靠地预测骨大转移灶的形成。因此，将影像生物标志物整合至 avNNet 中，可作为骨髓微侵袭及早期转移性疾病的替代参数。
为建立该实验方案，采用了一种先前报道过的裸鼠乳腺癌骨转移模型6,7
访问受限。请登录或开始试用以查看此内容。
方案
所有护理和实验操作均遵循国家和地区的动物保护法律法规，所有动物实验程序均已获得德国弗兰肯地区政府批准（参考编号：55.2 DMS-2532-2-228）。
1. 在裸鼠右侧后肢诱导乳腺癌骨转移
注意：关于在裸鼠中诱导乳腺癌骨转移的详细描述已在其他文献中发表6,8。最相关的步骤如下所述。
- 在 RPMI-1640 培养基中培养 MDA-MB-231 人乳腺癌细胞，添加 10% 胎牛血清（FCS）。将细胞置于标准条件下（37 °C，5% CO2）培养，每周传代 2–3 次。
- 用含 2 mM EDTA 的磷酸盐缓冲液（PBS）洗涤接近汇合的 MDA-MB-231 细胞，随后用 0.25% 胰蛋白酶消化使细胞脱落。使用血细胞计数板（Neubauer 计数室）测定细胞浓度，并将细胞重悬于 200 µL RPMI-1640 培养基中，浓度为 1.5 × 105 个细胞/200 µL。
- 使用 6–8 周龄的裸鼠，在无病原体、环境受控的条件下饲养（室温 21 °C ± 2 °C，湿度 60%，12 小时光照-黑暗循环）。自由提供经高压灭菌的饲料和饮水。
- 手术前，皮下注射镇痛药物（例如卡洛芬 4 m....
访问受限。请登录或开始试用以查看此内容。
结果
大鼠在手术及注射 MDA-MB-231 乳腺癌细胞后迅速恢复，并于接种后第 10 天和第 30 天接受 MR 及 PET/CT 成像（图 1）。图 2A 展示了一只大鼠右侧近端胫骨的代表性 DCE 分析结果。通过点击“导出”按钮并选择“DCEraw.txt”作为文件名，保存 DCE 原始测量数据。
动态参数 AUC、PE 和清除率的后续计算在 RStudio 中通过相应脚本完成。DCE 测量结果需保存为“Downloads”文件夹中的“DCEraw.txt”文件，以便脚本无需额外配置即可直接运行，生成如图 2B所示的数据表。这些数据被复制到提供的电子表格中（图 2C）。同样，肌肉组织的 DCE 参数也被测定并转入电子表格（图 2D、E
访问受限。请登录或开始试用以查看此内容。
讨论
机器学习算法是强大的工具，可用于将多个预测特征整合到一个综合模型中，从而获得比单独使用任一特征时更高的准确性。然而，实际结果取决于若干关键步骤。首先，所使用的机器学习算法是一个关键因素，因为不同的机器学习算法会产生不同的结果。本方案中使用的算法是 avNNet，但其他有前景的算法包括极端梯度提升21或随机森林。RStudio 的 caret 包20提供了大量不同的算法（目前>175 种），本方案在从一种算法切换到另一种算法方面具有高度灵活性，只需更改代码中的单行即可（例如，将 method = “avNNet” 更改为 method =“rf”），并相应调整 TunedGrid 设置以适配所选的机器学习算法。详细信息请参见 caret github 仓库22。Fernández-Delgado 等人23发表了一篇关于不同算法及其在不同分类问题中表现的出色综述，可作为其他实验的起点。
另.......
访问受限。请登录或开始试用以查看此内容。
披露
作者声明不存在利益冲突。资助方在研究设计、数据收集、分析或解释、论文撰写，以及决定发表结果等方面均未发挥作用。
致谢
本工作由德国研究基金会（DFG，协作研究中心 CRC 1181，子项目 Z02；重点计划 μBone，项目编号 BA 4027/10-1 和 BO 3811）资助，其中包括对扫描设备的额外支持（INST 410/77-1 FUGG 和 INST 410/93-1 FUGG），以及由埃尔朗根-纽伦堡弗里德里希-亚历山大大学新兴领域计划（EFI）“Big Thera”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 |
|---|---|---|---|
| 双目手术显微镜 | Leica | NA | |
| ClinScan MR 系统 | Bruker | NA | |
| DICOM 查看器 | Horos | NA | www.horosproject.org |
| Excel：电子表格 | Microsoft | NA | |
| FCS | Sigma | F2442-500ML | |
| Gadovist | 拜耳-先灵 | NA | |
| Inveon PET/CT | 西门子 | NA | |
| Inveon Research Workplace 软件 | 西门子医疗有限公司 | NA | |
| IVIS Spectrum | PerkinElmer | NA | |
| MDA-MB-231 人乳腺癌细胞 | 美国典型培养物保藏中心 | N/A | |
| 开源数据可视化、机器学习与数据挖掘工具包 | Orange3，卢布尔雅那大学 | NA | https://orange.biolab.si/ |
| RPMI-1640 | Invitrogen/ThermoFisher | 11875093 | |
| 胰蛋白酶 | Sigma | 9002-07-7 | |
| Vevo 3100 | VisualSonics | NA |
参考文献
- D'Oronzo, S., Brown, J., Coleman, R. The role of biomarkers in the management of bone-homing malignancies. Journal of Bone Oncology. 9, 1-9 (2017).
- Ellmann, S., Beck, M., Kuwert, T., Uder, M., Bäuerle, T. Multimodal imaging of bone m....
访问受限。请登录或开始试用以查看此内容。
重印与许可
