利用机器学习预测影像引导治疗的疗效反应：以肝细胞癌经动脉治疗为例
2018年10月10日
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。
该方法有助于预测对动脉内治疗的反应。机器学习在介入肿瘤学中的应用将改变我们使用影像引导疗法治疗肝癌及其他疾病的方式。该方法有望改进两个重要决策的制定方式。
通常，初学者由于需要生成特征并进行机器学习和编程，会在此方法上遇到困难。该方法的视觉演示至关重要，因为特征生成步骤涉及使用成像掩模提取这些特征。训练模型需要一个标注完善且具有临床代表性的数据集。
需要更多的患者数据和大规模队列来进一步改进此类机器学习算法。在确定模型中要包含哪些临床特征后，使用适当的自然语言工具包将纯文本的临床记录解析为句子，以便搜索感兴趣的术语。然后将每位患者的特征存储在一个文件中，每行存储一个特征。
对于非二元特征，获取所有患者中每个特征的中位数值，并根据该中位数将每个特征二值化为真或假。要从医学图像中计算肝脏强化均值特征，在分离出包含肝脏的体素后，输入肝脏强化均值命令。
为了确定肝脏体积特征，请按照指示输入命令，然后计算每个影像特征的中位数值，并如示例所示对特征进行二值化处理。在对特征进行聚合与降维时，首先剔除低方差特征，随后读取二值矩阵中的特征。
接下来，使用方差阈值模型计算在至少20%的应答者和非应答者中均出现的特征，方法类似于表中所示。去除与结局单变量关联性较低的任何特征，仅保留通过原始低变异筛选的特征，保留n个特征，其中n为患者数量。然后读取每个特征的二元矩阵，方法类似于表中所示。
在特征完成二值化和筛选后，即可开始模型训练。模型训练是一个直接的过程，通过将特征与研究中的结局进行拟合，可用于对新患者进行预测。在此项针对36例接受经动脉治疗的肝细胞癌患者的代表性分析中，共识别出25个特征，并如示例所示对其中5个同时满足变异性和单变量关联筛选条件的特征进行了二值化处理。
根据欧洲肝脏研究学会的定量反应标准，每位患者被标记为有反应者或无反应者。如图所示，逻辑回归和随机森林模型预测经动脉化疗栓塞治疗反应的整体准确率均为78%。采用此方法后，可通过应用训练好的模型对新患者进行预测。这种机器学习技术可普遍应用于任何涉及术前、术中和术后影像的治疗方法。
查看完整文字稿并访问数千部科学视频
概述
本文讨论了一种用于预测肝细胞癌患者对经动脉治疗反应的方法。通过利用治疗前的临床、人口统计学和影像学数据，可以训练机器学习模型以预测治疗效果。
关键研究组成部分
科学领域
- 介入肿瘤学
- 机器学习应用
- 肝细胞癌治疗
背景
- 对于无法接受手术的患者，动脉内治疗是标准疗法。
- 预测治疗反应可提高临床决策水平。
- 从影像数据中提取特征对模型训练至关重要。
- 有效的模型性能需要具有临床代表性的数据集。
研究目的
- 提高对患者对动脉内治疗反应的预测能力。
- 促进肝癌治疗中更优的临床决策。
- 展示机器学习在介入肿瘤学中的重要性。
使用的方法
- 术前数据收集（临床、人口统计学、影像学）。
- 用于反应预测的机器学习模型训练。
- 使用影像学掩膜进行特征提取。
- 利用标注完善的数据集提高模型准确性。
主要结果
- 该方法在预测治疗效果方面显示出良好的应用前景。
- 机器学习有望彻底改变肝癌治疗的策略。
- 可视化演示对于理解特征生成过程至关重要。
- 初学者在实施该方法时仍面临诸多挑战。
结论
- 该方法有望改善肝癌的治疗策略。
- 机器学习的应用可对介入肿瘤学产生重大影响。
- 需要进一步的研究与开发以优化这些预测模型。
常见问题
行业重要性概述
在干预前预测治疗反应，有助于解决肿瘤药物开发中的一项关键挑战：因疗效不足而导致的后期临床试验失败。该机器学习框架通过实现基于数据的患者分层以及决策推进或终止，支持机制层面的风险降低，并提高早期发现阶段的预测可信度。该框架适用于影像引导治疗，可广泛应用于各类肿瘤治疗方式，从而加强在项目组合层面对风险调整后的优先级排序。
生物制药研发中的战略应用
早期发现与靶点验证
- 科学价值：通过将基线特征与治疗反应相关联，支持对治疗假设的验证，明确最有可能获益的患者亚群。
- 操作价值：通过回顾性分析临床和影像学结果，实现功能靶点的验证，降低早期项目中机制的不确定性。
- 预测价值：通过早期识别无应答者，优化项目组合筛选，使资源得以重新分配至成功率更高的适应症。
筛选与检测方法开发
- 科学价值：通过建立可重复的特征-响应关系，为下游工作流程准备经过验证的生物和临床系统。
- 操作价值：通过二值化特征提取和交叉验证方案，促进检测方法的标准化和可扩展性。
- 筛选就绪性：生成定量输出（例如，预测准确率、特征重要性），从而在临床前模型中实现对化合物或干预措施的可靠评估。
转化与临床前研究
- 转化连续性：通过使用临床来源的生物标志物指导模型训练，将发现阶段的特征识别与临床前验证相连接。
- 风险调整型推进：通过量化预测置信度支持决策（推进或终止），在开展成本较高的临床前研究之前降低生物学风险。
- 机制性风险降低：注重预测价值而不仅限于作用机制，与肿瘤学研发管线中的转化生物标志物策略相一致。
流程与工作流整合
该方法适用于从靶点验证到先导化合物筛选，再到临床前药效学测试的整个发现流程，尤其适用于涉及影像引导递送的肿瘤学研究模式。
- 发现生物学：通过识别与治疗反应相关的基线临床和影像学特征，支持假设检验，明确患者筛选标准。
- 筛选：通过标准化的特征提取和二值化处理，实现检测就绪性，提高不同研究机构和模型之间的可重复性。
- 分析：提供定量输出结果，例如预测准确率（本研究中为78%）和特征选择指标，实现对不同干预条件的客观比较。
- 转化研究：利用基于既定标准（如EASL）得出的反应标签，连接临床前研究的连续性，使模型输出与临床相关终点保持一致。
- 企业级复用：将特征工程与模型平均方法构建为可复用的能力，适用于肝细胞癌以外的多种适应症及影像引导治疗领域。
运营与企业影响
- 科学价值：通过减少对经验性响应数据的依赖，并实现以数据为驱动的患者分层，提高靶点验证的预测可信度。
- 操作价值：通过标准化的特征提取、二值化处理和留一交叉验证，增强研究的可重复性和可扩展性。
- 战略价值：提升“推进/终止”决策的质量，从而提高肿瘤学项目组合中的资本使用效率，并降低后期生物学风险。
- 项目组合影响：通过识别预测响应概率更高的适应症或亚组，实现基于风险调整的优先级排序，支持更明智的推进决策。
实施注意事项
- 需要具备临床数据整理、特征工程以及机器学习模型训练与验证方面的专业知识。
- 依赖于可获取的、标注完善且具有临床代表性的数据集，且数据集需包含配对的影像学、人口统计学及结局数据。
- 需要跨团队在特征定义和二值化阈值方面实现标准化，以确保模型的可推广性。
- 在将该框架应用于不同模型系统或成像模态时，需考虑适应性调整问题。
- 由于从影像资料和临床记录中提取特征需要大量人工操作，在缺乏自动化的情况下可能限制其可扩展性。
