Machine Learning-Algorithmen zur Früherkennung von Knochenmetastasen in einem experimentellen Rattenmodell

Zusammenfassung

Dieses Protokoll wurde entwickelt, um einen Machine Learning-Algorithmus zu trainieren, um eine Kombination von bildgebenden Parametern zu verwenden, die aus der Magnetresonanztomographie (MRT) und der Positronenemissionstomographie/Computertomographie (PET/CT) in einem Rattenmodell von Brustkrebsknochenmetastasen abgeleitet wurden, um frühe metastasierende Erkrankungen zu erkennen und das spätere Fortschreiten zu Makrometastasen vorherzusagen.

Zusammenfassung

Machine Learning (ML)-Algorithmen ermöglichen die Integration verschiedener Features in ein Modell, um Klassifizierungs- oder Regressionsaufgaben mit einer Genauigkeit durchzuführen, die ihre Bestandteile überschreitet. Dieses Protokoll beschreibt die Entwicklung eines ML-Algorithmus, um das Wachstum von Brustkrebsknochenmetastasen in einem Rattenmodell vorherzusagen, bevor Anomalien mit Standard-Bildgebungsmethoden beobachtet werden können. Ein solcher Algorithmus kann die Erkennung von frühen metastasierenden Erkrankungen (d. h. Mikrometastasen) erleichtern, die bei Staging-Untersuchungen regelmäßig übersehen werden.

Das angewandte Metastasenmodell ist standortspezifisch, was bedeutet, dass die Ratten Metastasen ausschließlich in ihrem rechten Hinterbein entwickeln. Die Tumoraufnahmerate des Modells liegt bei 60%–80%, wobei Makrometastasen in der Magnetresonanztomographie (MRT) und der Positronenemissionstomographie/Computertomographie (PET/CT) in einer Teilmenge von Tieren 30 Tage nach der Induktion sichtbar werden, während eine zweite Teilmenge von Tieren kein Tumorwachstum aufweist.

Ausgehend von Bilduntersuchungen, die zu einem früheren Zeitpunkt erfasst wurden, beschreibt dieses Protokoll die Extraktion von Merkmalen, die auf eine durch MRT erkannte Gewebevaskularisation, den Glukosestoffwechsel durch PET/CT und die anschließende Bestimmung der relevantesten Merkmale für die Vorhersage makrometastasierender Erkrankungen hinweisen. Diese Merkmale werden dann in ein modellgemitteltes neuronales Netzwerk (avNNet) eingespeist, um die Tiere in eine von zwei Gruppen einzuteilen: eine, die Metastasen entwickelt, und die andere, die keine Tumore entwickelt. Das Protokoll beschreibt auch die Berechnung von Standard-Diagnoseparametern, wie Gesamtgenauigkeit, Empfindlichkeit, Spezifität, negative/positive Vorhersagewerte, Wahrscheinlichkeitsverhältnisse und die Entwicklung eines Empfängerbetriebsmerkmals. Ein Vorteil des vorgeschlagenen Protokolls ist seine Flexibilität, da es leicht angepasst werden kann, um eine Vielzahl von verschiedenen ML-Algorithmen mit einstellbaren Kombinationen einer unbegrenzten Anzahl von Funktionen zu trainieren. Darüber hinaus kann es verwendet werden, um verschiedene Probleme in der Onkologie zu analysieren, Infektion, und Entzündungen.

Einleitung

Der Zweck dieses Protokolls ist es, mehrere funktionale Bildgebungsparameter aus MRT und PET/CT in einen modellgemittelten neuronalen Netzwerk(avNNet) ML-Algorithmus zu integrieren. Dieser Algorithmus sagt das Wachstum von Makrometastasen in einem Rattenmodell von Brustkrebsknochenmetastasen zu einem frühen Zeitpunkt voraus, wenn makroskopische Veränderungen innerhalb des Knochens noch nicht sichtbar sind.

Vor dem Wachstum von Makrometastasen tritt eine Knochenmarkinvasion von disseminierten Tumorzellen auf, die gemeinhin als mikrometastasierende Erkrankung^1,2bezeichnet wird. Diese ....

Protokoll

Alle Pflege- und Versuchsverfahren wurden in Übereinstimmung mit den nationalen und regionalen Tierschutzvorschriften durchgeführt, und alle Tierverfahren wurden von der Landesregierung Von Franken genehmigt (Referenznummer 55,2 DMS-2532-2-228).

1. Induktion von Brustkrebsknochenmetastasen im rechten Hinterbein von nackten Ratten

HINWEIS: Eine detaillierte Beschreibung der Induktion von Brustkrebsknochenmetastasen bei nackten Ratten wurde an anderer Stelle veröffentlicht^6,8. Die wichtigsten Schritte sind unten dargestellt.

1. Kultur MDA-MB-231 mens....

Ergebnisse

Die Ratten erholten sich schnell von der Operation und Injektion der MDA-MB-231 Brustkrebszellen und wurden dann an den Tagen 10 und 30 PI der MR- und PET/CT-Bildgebung unterzogen (Abbildung 1). Eine repräsentative DCE-Analyse der rechten proximalen Tibia einer Ratte ist in Abbildung 2Adargestellt. Die DCE-Rohmessungen wurden gespeichert, indem Sie die Schaltfläche "Exportieren" und "DCEraw.txt" als Dateinamen wählten.

Diskussion

ML-Algorithmen sind leistungsstarke Werkzeuge, die verwendet werden, um mehrere prädiktive Features in ein kombiniertes Modell zu integrieren und eine Genauigkeit zu erhalten, die die ihrer einzelnen Bestandteile übertrifft, wenn sie allein verwendet werden. Dennoch hängt das tatsächliche Ergebnis von mehreren kritischen Schritten ab. Erstens ist der verwendete ML-Algorithmus ein entscheidender Faktor, da verschiedene ML-Algorithmen unterschiedliche Ergebnisse liefern. Der in diesem Protokoll verwendete Algorithmus ist e.......

Materialien

Liste der in diesem Artikel verwendeten Materialien

Name	Unternehmen	Katalognummer	Kommentare
Binokulares Operationsmikroskop	Leica	NA
ClinScan MR System	Bruker	NA
DICOM Viewer	Horos	NA	www.horosproject.org
Excel: Tabellenkalkulation	Microsoft	NA
FCS	Sigma	F2442-500ML
Gadovist	Bayer-Schering	NA
Inveon PET/CT	Siemens	NA
Inveon Research Workplace Software	Siemens Healthcare GmbH	NA
IVIS Spectrum	PerkinElmer	NA
MDA-MB-231 menschliche Brustkrebszellen	American Type Culture Collection	N/A
Open-Source-Toolkit für Datenvisualisierung, maschinelles Lernen und Data Mining.	Orange3, Universität Ljubljana	NA	https://orange.biolab.si/
RPMI-1640	Invitrogen/ThermoFisher	11875093
Trypsin	Sigma	9002-07-7
Vevo 3100	VisualSonics	NA