Vorhersage der Behandlungserfolg für bildgestützte Therapien mit maschinellem lernen: ein Beispiel für eine Trans-arterielle Behandlung des hepatozellulären Karzinoms

Zusammenfassung

Intra-arterielle Therapien sind der Standard der Versorgung von Patienten mit Leberzellkarzinom, die chirurgische Resektion unterziehen kann nicht. Eine Methode für die Vorhersage der Reaktion zu diesen Therapien wird vorgeschlagen. Die Technik nutzt Pre Verfahrensinformationen klinische, demographischen und bildgebenden Maschine Lernmodelle zur Vorhersage der Reaktion vor der Behandlung zu trainieren.

Zusammenfassung

Intra-arterielle Therapien sind der Standard der Versorgung von Patienten mit Leberzellkarzinom, die chirurgische Resektion unterziehen kann nicht. Das Ziel dieser Studie war es, eine Methode zur Vorhersage der Reaktion auf die Intra-arterielle Behandlung vor dem Eingriff zu entwickeln.

Die Methode bietet einen allgemeinen Rahmen für die Vorhersage der Ergebnisse vor der Intra-arterielle Therapie. Es geht um Bündelung einer Kohorte von Patienten klinische, demographische und bildgebende Daten und verwenden diese Daten, um eine Machine-Learning-Modell zu trainieren. Das trainierte Modell wird auf neue Patienten angewendet, um die Wahrscheinlichkeit des Ansprechens auf die Intra-arterielle Therapie abschätzen zu können.

Die Methode umfasst die Akquisition und Analyse von klinischen, demographischen und bildgebenden Daten aus N -Patienten, die bereits Trans-arterielle Therapien unterzogen haben. Diese Daten sind in diskrete Merkmale (Alter, Geschlecht, Leberzirrhose, Tumor-Enhancement usw.) analysiert und binarisiert in True/False-Werten (z.B. Alter über 60, Männliches Geschlecht, Tumor-Erweiterung über eine Schwelle, etc.). Low-Varianz und Features mit niedrigen Univariate Assoziationen mit dem Ergebnis werden entfernt. Jeden behandelten Patienten ist beschriftet, nach ob sie reagiert oder nicht auf Behandlung reagieren. Jeder Patient Training ist somit durch eine Reihe von binären Funktionen und ein Ergebnis-Label vertreten. Machine Learning Modelle sind mit N - 1 Patienten mit Tests auf der linken Seite-Out Patient trainiert. Dieser Prozess wird für jedes der N Patienten wiederholt. Die N -Modelle werden gemittelt, um eine endgültige Modell zu erreichen.

Die Technik ist erweiterbar und ermöglicht die Aufnahme von zusätzlichen Funktionen in der Zukunft. Es ist auch eine verallgemeinerbare Prozess, der die klinische Forschungsfragen außerhalb der interventionellen Radiologie angewendet werden kann. Die Haupteinschränkung besteht die Notwendigkeit Funktionen manuell jeden Patienten abgeleitet. Eine beliebte moderne Form des maschinellen Lernens genannt Tiefe erfordert lernen, nicht unter diese Beschränkung leidet sondern größeren Datasets.

Einleitung

Patienten mit Leberzellkarzinom, die nicht chirurgische Kandidaten werden Intra-arterielle Therapien^1,2,3angeboten. Es gibt keine einzige Metrik, die bestimmt, ob ein Patient auf eine Intra-arterielle Therapie ansprechen wird, bevor die Behandlung verabreicht wird. Das Ziel dieser Studie war es, eine Methode zu demonstrieren, mit dem Behandlungserfolg vorhergesagt durch die Anwendung von Methoden aus maschinellem lernen. Solche Modelle betreuen Ärzte und Patienten bei der Wahl ob Sie mit einer Behandlung fortfahren möchten.

Das Protokoll beinhaltet....

Protokoll

1. Workstation-Setup für Maschinelles Lernen

1. Verwenden Sie ein System mit den folgenden:
   Intel Core 2 Duo oder höher CPU mit 2,0 GHz
   4 GB oder mehr Systemspeicher
   POSIX-kompatiblen Betriebssystem (Linux oder Mac OS) oder Microsoft Windows 7
   Benutzerberechtigungen zum Ausführen von Programmen und Dateien speichern
2. Installieren Sie die folgenden Tools:
   Anaconda Python3: https://www.anaconda.com/download
   DICOM NIfTI Konverter (dcm2niix) - https://github.com/rordenlab/dcm2niix
   Sublime Text-Editor: https://www.sublimetext.com/
   ITK-SNAP (optional): http://www.itksnap.org
   1. Installieren Sie Anaconda Python3, dcm2nii und Subli....

Ergebnisse

Die vorgeschlagene Methode wurde an 36 Patienten angewendet, die Trans-arterielle Therapien für das Leberzellkarzinom unterzogen hatte. 25 Funktionen wurden identifiziert und binarisierten mit den Schritten 1-5. Fünf Funktionen erfüllt, die Varianz und die Univariate Verband Filter (siehe Schritte 5.1 und 5.2) und dienten für Modelltraining. Jeder Patient wurde als Responder oder non-Responder unter die qEASL ansprechkriterien beschriftet. Die Funktionen Matrix war somit ein 36 x 5-Array .......

Diskussion

Patienten mit Leberzellkarzinom, die nicht Kandidaten für chirurgische Resektion werden Intra-arterielle Therapien angeboten. Gibt es einige Methoden um festzustellen, ob ein Patient Pre reagiert-Behandlung. Nach der Behandlung Evaluierungstechniken stützen sich auf Veränderungen in der Größe des Tumors oder Tumor Kontrast Aufnahme. Diese nennt man ansprechkriterien mit der genauesten wird die Quantitative Europäische Vereinigung für die Studie des Kriteriums der Leber (qEASL). qEASL stützt sich auf beide Volume.......

Materialien

Liste der in diesem Artikel verwendeten Materialien

Name	Unternehmen	Katalognummer	Kommentare
Computer-Workstation	N/A	N/A	Intel Core 2 Duo oder höher CPU mit 2,0 GHz; 4 GB oder mehr Arbeitsspeicher; POSIX-kompatibles Betriebssystem (Linux oder Mac OS) oder Microsoft Windows 7; Benutzerberechtigungen zum Ausführen von Programmen und Speichern von Dateien
Anaconda Python 3	Anaconda, Inc.	Version 3.6	Python 3 System und Bibliotheken für Wissenschaftler und Forscher
DICOM zu NIfTI	NeuroImaging Tools & Ressourcen Collaboratory	Version 1.0 (Version 4.4.2018)	Eigenständiges Programm zum Konvertieren von DICOM-Bilddateien in das NIfTI-Format
Sublime Text Editor	Sublime HQ Pty Ltd	Version 3 (Build 3143)	Texteditor zum Schreiben von Python-Code
Benötigte Python-Bibliotheken N	/A	Version 3.2.25 (nltk) Version 0.19.1 (scikit-learn)	Natural Language Toolkit (nltk) Scikit-learn
ITK-SNAP	N/A	Version 3.6.0	Optionales Toolkit zur Durchführung der Segmentierung von Organsystemen in medizinischen Bildern.