Waiting
Login-Verarbeitung ...

Trial ends in Request Full Access Tell Your Colleague About Jove
JoVE Journal Cancer Research
Click here for the English version

Cancer Research

Maskinlæringsalgoritmer for tidlig påvisning av beinmetastaser i en eksperimentell rottemodell

Published: August 16, 2020 doi: 10.3791/61235
Automatic Translation
1, 1, 2, 1, 1, 3, 1, 1
1Department of Radiology, University Hospital Erlangen, Friedrich-Alexander Universität Erlangen-Nürnberg, 2Department of Medical Physics in Radiation Oncology, German Cancer Research Center, 3Department of Internal Medicine 3, University Hospital Erlangen, Friedrich-Alexander Universität Erlangen-Nürnberg

Summary

Denne protokollen ble utviklet for å trene en maskinlæringsalgoritme for å bruke en kombinasjon av bildeparametere avledet fra magnetisk resonansavbildning (MR) og positronutslipptomografi / computertomografi (PET / CT) i en rottemodell av brystkreftbenmetastaser for å oppdage tidlig metastatisk sykdom og forutsi påfølgende progresjon til makrometastaser.

Abstract

Maskinlæringsalgoritmer (ML) gjør det mulig å integrering av ulike funksjoner i en modell for å utføre klassifiserings- eller regresjonsoppgaver med en nøyaktighet som overskrider bestanddelene. Denne protokollen beskriver utviklingen av en ML-algoritme for å forutsi veksten av brystkreftbenmakrometastaser i en rottemodell før noen abnormiteter observeres med standard bildemetoder. En slik algoritme kan lette påvisning av tidlig metastatisk sykdom (det vil si mikrometastase) som regelmessig går glipp av under iscenesettelsesundersøkelser.

Den påførte metastasemodellen er stedsspesifikk, noe som betyr at rottene utvikler metastaser utelukkende i høyre bakben. Modellens tumor-take rate er 60%-80%, med makrometastaser blir synlige i magnetisk resonans imaging (MR) og positron utslipp tomografi / computertomografi (PET / CT) i en undergruppe av dyr 30 dager etter induksjon, mens en andre undergruppe av dyr viser ingen tumorvekst.

Fra bildeundersøkelser ervervet på et tidligere tidspunkt, beskriver denne protokollen utvinning av funksjoner som indikerer vevvaskularisering oppdaget av MR, glukosemetabolisme ved PET / CT, og den påfølgende bestemmelse av de mest relevante funksjonene for prediksjon av makrometastatisk sykdom. Disse funksjonene blir deretter matet inn i et modellgjennomsnitt nevrale nettverk (avNNet) for å klassifisere dyrene i en av to grupper: en som vil utvikle metastaser og den andre som ikke vil utvikle noen svulster. Protokollen beskriver også beregningen av standard diagnostiske parametere, for eksempel generell nøyaktighet, følsomhet, spesifisitet, negative/ positive prediktive verdier, sannsynlighetsforhold og utvikling av en mottakers driftskarakteristikk. En fordel med den foreslåtte protokollen er fleksibiliteten, da den enkelt kan tilpasses for å trene en mengde forskjellige ML-algoritmer med justerbare kombinasjoner av et ubegrenset antall funksjoner. Videre kan den brukes til å analysere ulike problemer i onkologi, infeksjon og betennelse.

Introduction

Formålet med denne protokollen er å integrere flere funksjonelle bildeparametere fra MR og PET / CT i en modellgjennomsnitt nevrale nettverk (avNNet) ML algoritme. Denne algoritmen forutsier veksten av makrometastaser i en rottemodell av brystkreftbenmetastaser på et tidlig tidspunkt, når makroskopiske endringer i beinet ennå ikke er synlige.

Før veksten av makrometastaser oppstår en benmargsinvasjon av spredte tumorceller, ofte referert til som mikrometastatisk sykdom1,2. Denne første invasjonen kan betraktes som et tidlig skritt i metastatisk sykdom, men er vanligvis savnet under konvensjonelle iscenesettelsesundersøkelser3,4. Selv om de tilgjengelige bildemodalitetene ikke kan oppdage benmargsmikroinvasion når den brukes alene, har en kombinasjon av bildeparametere som gir informasjon om vaskularisering og metabolsk aktivitet vist seg åyte bedre 5. Denne komplementære fordelen oppnås ved å kombinere forskjellige bildeparametere i et avNNet, som er en ML-algoritme. En slik avNNet gir mulighet for pålitelig prediksjon av bein makrometastaser dannelse før noen synlige metastaser er til stede. Derfor kan integrering av bildebiomarkører i et avNNet tjene som en surrogatparameter for benmargsmikroinvasion og tidlig metastatisk sykdom.

For å utvikle protokollen ble en tidligere beskrevet modell av brystkreftbenmetastaser hos nakne rotterbrukt 6,7,8. Fordelen med denne modellen er dens stedsspesifisitet, noe som betyr at dyrene utvikler benete metastaser utelukkende i høyre bakben. Imidlertid er tumor-take rate av denne tilnærmingen 60%-80%, så et betydelig antall av dyrene utvikler ikke noen metastaser under studien. Ved hjelp av bildemodaliteter som MR og PET/CT kan tilstedeværelsen av metastaser oppdages fra dag 30 etterinjeksjon (PI). På tidligere tidspunkter (f.eks. 10 PI) bildebehandling skiller ikke mellom dyr som vil utvikle metastatisk sykdom og de vil ikke (Figur 1).

En avNNet opplært på funksjonelle bildeparametere ervervet på dag 10 PI, som beskrevet i følgende protokoll, pålitelig forutsier eller utelukker veksten av makrometastaser i løpet av følgende ~ 3 uker. Nevrale nettverk kombinerer kunstige noder i forskjellige lag. I studieprotokollen representerer de funksjonelle bildeparametrene for benmargsblodtilførsel og metabolsk aktivitet det nederste laget, mens prediksjonen av malignitet representerer det øverste laget. Et ekstra mellomliggende lag inneholder skjulte noder som er koblet til både det øverste og det nederste laget. Styrken på forbindelsene mellom de ulike nodene oppdateres under opplæring av nettverket for å utføre den respektive klassifiseringsoppgaven med høy nøyaktighet9. Nøyaktigheten av et slikt nevrale nettverk kan økes ytterligere ved å gjennomsnittlig utganger av flere modeller, noe som resulterer i en avNNet10.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

Alle omsorgs- og eksperimentelle prosedyrer ble utført i samsvar med nasjonal og regional lovgivning om dyrevern, og alle dyreprosedyrer ble godkjent av staten i Franken, Tyskland (referansenummer 55.2 DMS-2532-2-228).

1. Induksjon av brystkreft beinmetastaser i høyre bakben av nakne rotter

MERK: En detaljert beskrivelse av induksjon av brystkreft beinmetastaser hos nakne rotter har blitt publisert andre steder6,8. De mest relevante trinnene presenteres nedenfor.

  1. Kultur MDA-MB-231 humane brystkreftceller i RPMI-1640, supplert med 10% fosterkalv serum (FCS). Hold cellene under standardforhold (37 °C, 5 % CO2) ogpass cellene 2–3 ganger i uken.
  2. Vask nær-confluent MDA-MB-231 celler med 2 mM EDTA i fosfatbufret saltvann (PBS), og koble deretter cellene med 0,25% trypsin. Bestem cellekonsentrasjonen med et Neubauers kammer og resuspend dem i 200 μL av RPMI-1640 med en konsentrasjon på 1,5 x 105 celler / 200 μL.
  3. Bruk 6–8 uker gamle nakne rotter og hold dem under patogenfrie, kontrollerte forhold (21 °C ± 2 °C romtemperatur, 60 % fuktighet og 12 timer lysmørk rytme). Tilbyr autoklavet feed og vann annonse libitum.
  4. Før operasjonen utfører operasjonen, injiser et smertestillende legemiddel (f.eks. Carprofen 4 mg/kg) subkutant. Bedøve rotter med isofluran (1–1,5 vol. %)/oksygenblanding med en strømningshastighet på 2 l/min. Kontroller bedøvelsesdybden ved å klemme tå.
  5. For kirurgi, bruk et driftsmikroskop med en 16x forstørrelse.
  6. Utfør et 2–3 cm kutt i rottens høyre inngangsregion. Dissekere alle arterier i høyre inngangsregion, inkludert lårarterien (FA), den overfladiske epigastriske arterien (SEA), den synkende genicular arterien (DGA), den popliteale arterien (PA) og den saphenøse arterien (SA). Plasser to flyttbare klipp på FA: en proksimal til begynnelsen av HAVET, og en annen direkte proksimal til begynnelsen av DGA.
  7. Ligate den distale delen av HAVET. Utfør et kutt av SEA-veggen og sett en kanyle med 0,3 mm diameter inn i SEA. Koble en sprøyte som inneholder cellefjæringen fra trinn 1.2 til nålen. Fjern det distale klippet fra FA og klipp SA i stedet.
  8. Injiser sakte MDA-MB-231 cellefjæringen fra trinn 1,2 (1,5 x 105 celler/200 μL) i SJØEN. Fjern nålen, ligate SEA, og fjern arterieklipsene. Lukk såret ved hjelp av kirurgiske klips og avslutt anestesi. Overvåk dyrene daglig for å vurdere tumorstørrelse og eventuelle tegn på smerte.

2. Magnetisk resonansavbildning (MR)

MERK: For en detaljert beskrivelse av MR-prosedyrer, vennligst se Bäuerle et al.11.

  1. Utfør MR 10 dager PI ved hjelp av en dedikert eksperimentell skanner (se Materialsekk) eller et menneskelig MR-system med en passende dyrespole.
  2. Bedøve rotten med isofluran (1–1,5 vol. %)/oksygenblanding som beskrevet ovenfor. Plasser et kateter i rottens halevene og teip det til halen. Koble til en sprøyte som inneholder kontrastmiddelet (0,1 mmol/kg Gd-DTPA i ca. 0,5 ml).
  3. Plasser den bedøvede rotten i MR-systemet. Finn den distale lårbenet og proksimale tibia av høyre bakben i en anatomisk sekvens (f.eks T2-vektet turbo spin ekkosekvens; TR = 8654 ms; TE = 37 ms; matrise 320 x 272; FOV = 65 mm x 55 mm; skive tykkelse = 1 mm; skannetiden 11:24 min).
  4. Bestem skivene som dekker den distale lårbenet og proksimale tibia av høyre bakben og start DCE-MR-sekvensen (f.eks. rask lavvinkelskuddsekvens; TR = 3,9 ms; TE = 0,88 ms; matrise = 256 x 216; FOV = 65 x 54 mm2; skive tykkelse = 1 mm; 8 skiver; 100 tidspoeng; skannetid = 8:25 min). Etter 30 s, begynne å injisere kontrastmiddel over en tidsperiode på 10 s.
    MERK: Den totale tiden for å utføre en MR-undersøkelse er ca. 20 min per dyr.

3. Positron-utslippstomografi/computertomografi (PET/CT)

MERK: For en detaljert beskrivelse av PET-prosedyrene, vennligst se Cheng på al.12.

  1. Utfør PET/CT-bildebehandling 10 dagers PI ved hjelp av en dedikert eksperimentell skanner (se Materialse tabell).
  2. Hold dyrene fast før avbildning. Bedøve rotten som beskrevet i trinn 2.2 og sett inn et kateter i halevenen som beskrevet ovenfor.
  3. Injiser 6 MBq av 18F-Fluorodeoxyglucose(18F-FDG) i halevenen og vent ~ 30 min for å la tracer distribuere riktig.
  4. Utfør et CT-oppkjøp (rørspenning = 80 kV, rørstrøm = 500 μA, isotropisk oppløsning = 48,9 μm, varighet = 10 min).
  5. Utfør et statisk PET-oppkjøp (nedre/øvre diskriminerende nivå = 350/650 keV; tidsvindu = 3,438 ns; varighet = 15 min).

4. Alternative bildestrategier

  1. For en tidlig vurdering av MDA-MB-231 celler i bakbenet, inokulere 1,5 x 105 merkede celler /200 μL for bioluminescens (det vil vil vil at celler som uttrykker luciferin, MDA-MB-231-LUC13) eller fluorescensavbildning (det vil vil vil at celler som uttrykker grønt eller rødt fluorescerende protein, MDA-MB-231-GFP/RFP13). Bruk systemet for preklinisk optisk avbildning for å oppdage intravenøse MDA-MB-231-celler etter tumorcelleinokulasjon14.
  2. Utfør eksperimentell ultralyd ved hjelp av en dedikert skanner etter intravenøs injeksjon av mikrobobler for å utlede morfologiske og funksjonelle parametere for vaskularisering som kan sammenlignes med MR7.

5. MR-analyse

  1. Bruk en DICOM viewer15 med en DCE Plugin16 og laste DCE sekvensen i 4D-modus ved å klikke på "Import" knappen i toppmenyen, velge DICOM mappen som inneholder MR-bildene fra trinn 2.4, og klikke "4D Viewer" i toppmenyen.
  2. Plasser en sirkulær 2-dimensjonal interesseregion (ROI), med en målstørrelse på 1,5 mm2, i den proksimale tibiale akselens benmarg i høyre bakben, helst ved hjelp av bildenummer 4 eller 5 fra sekvensen bestående av 8 bilder, da disse senterbildene gir mer stabile resultater.
  3. Start DCE plugin fra toppmenyen, velg "Relativ forbedring" i feltet "Plot Type" , og definer grunnlinjeområdet fra tidspunkt 1 til 5 ved å skrive disse tallene inn i de respektive feltene. Eksporter analysen som en TXT-fil med den respektive knappen og velg "DCEraw.txt" som filnavn.
  4. Åpne RStudio17 og last den medfølgende DCE-Script.R-filen via"Fil"-menyen ved å velge "Åpne fil". Kjør hele skriptet ved å velge "Kode", deretter "Kjør region" og deretter "Kjør alle" fra menyen. Kopier utdataene til den medfølgende malfilen med navnet "ImagingFeatures.xlsx" (Figur 2).
  5. I DICOM-betrakteren plasserer du en ny avkastning i dyrets ryggmuskel og gjentar trinn 5.2–5.4 for å oppnå muskel-DCE-målingene for normaliseringsformål. I regnearket "ImagingFeatures.xlsx", blir de respektive beinmålingene automatisk delt på de respektive muskelmålingene for normaliseringsformål.
  6. Gjenta trinn 5.1–5.5 for alle dyr, og fyll ut regnearket.

6. PET/CT-analyse

  1. Åpne PET / CT analyse programvare og importere data innhentet i trinn 3 ved å klikke "File", etterfulgt av "Manuell import". Merk ct.img.hd og pet.img.hdr-filene. Klikk "Åpne" og velg "Importer alle".
  2. Åpne datasettene ved å velge " Generellanalyse ",etterfulgt av "OK".
  3. Velg "ROI Quantification", etterfulgt av "Opprett", og deretter "Opprett en avkastning fra en mal". Plasser en 2-dimensjonal avkastning ca. 4 mm x 6 mm i den proksimale tibiale akselens benmarg i høyre bakben.
  4. Velg "ROIer (mål 1 overlegg)" og skriv ned gjennomsnitts-, minimums- og maksimumsverdier i Bq/ml.
  5. Beregn den maksimale standardiserte opptaksverdien (SUVmaks):Del maksimumsverdien (Bq/ml) etter den injiserte aktiviteten og multipliser resultatet av dyrets vekt i gram. Skriv inn resultatet i regnearket (figur 2).

7. Bestemme tumor-take rate

  1. For å diagnostisere tumorvekst i høyre bakben, gjenta MR og PET / CT imaging på dag 30 PI, som beskrevet ovenfor.
    MERK: Svulster vil være tydelig synlige på dag 30 PI og har T2w-hyperintense lesjoner og klar kontrast ekstrautstyr i MR, sammen med en klart forhøyet SUVmax i PET / CT. Ifølge tidligere eksperimenter vil 60%-80% av dyrene utvikle metastaser i høyre bakben.
  2. Fullfør regnearket ved å legge til en ekstra "Tumor" kolonne og skriv inn "1" for hvert dyr som presenterer metastaser, og "0" for hvert dyr uten synlig tumorbyrde (figur 2). Lagre regnearket som "ImagingFeatures.xlsx" i Nedlastinger-mappen.

8. Valg av funksjoner

  1. For å finne de mest relevante funksjonene for prediksjon av fremtidig tumorvekst, importer regnearket til en åpen kildekode-datavisualisering, maskinlæring og datautvinningsverktøykasse18.
  2. Tegn fil-delrutinen fra Data-menyen til arbeidsområdet til høyre, og dobbeltklikk den. Last inn regnearket ved å klikke på"Mappe"-ikonet og velge filen "ImagingFeatures.xlsx". Velg"Eksporter"-regnearket og tilordne målattributtet til variabelen "Tumor". Tilordne funksjonen "Hoppover" til dyrenummeret (figur 3).
  3. Tegnunderrutinen "Rangering"fra Data-menyen til arbeidsområdet og koble til underrutinene "Fil"og"Rangering"ved å tegne en linje mellom dem.
  4. Åpne"Rank" subroutine ved å dobbeltklikke på ikonet, og velg"Information Gain"algoritme19.
  5. Fra de fem ervervede parametrene, bruk de tre beste for videre analyser (SUVmax,PE og AUC).
    Merk: Disse parametrene gjenspeiler metabolsk aktivitet (SUVmaks) og vevvaskularisering (PE og AUC).

9. ML analyse

  1. Åpne RStudio 3.4.117 og laste den medfølgende TrainModel.R-Script via"File"-menyen.
  2. Installer de nødvendige bibliotekene (dette trenger bare å gjøres én gang) ved å skrive: install.packages(c("caret", "readxl", "pROC", "RcmdrPlugin.EZR", "ggplot2"))
  3. Hvis du vil laste inn de nødvendige bibliotekene og angi Nedlastinger-mappen som arbeidsmappe, velger du linjene 3–5 i TrainModel.R-skriptet.
  4. Kjør den valgte koden ved å klikke på"Kode"i menyen, og velg deretter" Kjør valgte linje(er)".

10. Opplæring av en avNNet ML-algoritme

  1. Hvis du vil trene en avNNet-algoritme, velger du linjene 8–39 fra TrainModel.R-Script (se trinn 9.1).
  2. Kjør den valgte koden ved å klikke på"Kode"i menyen, og velg deretter" Kjør valgte linje(er)".

11. Analysere ML-algoritmens resultater

  1. Hvis du vil vurdere standardparametere for diagnostisk nøyaktighet (følsomhet, spesifisitet, positive og negative prediktive verdier og sannsynlighetsforhold), velger du linjene 41–50 fra TrainModel.R-Script.
  2. Kjør den valgte koden ved å klikke på"Kode"i menyen, og velg deretter" Kjør valgte linje(er)".

12. Sammenligning av den endelige modellens receiver Operating Characteristic (ROC) kurve med ROC-kurvene til sine bestanddeler

  1. Hvis du vil utføre DeLongs tester for å sammenligne modellens ROC-kurve med ROC-kurvene i bestanddelene, velger du linjene 52–62 fra TrainModel.R-Script (se trinn 9.1).
  2. Kjør den valgte koden ved å klikke på"Kode"i menyen, og velg deretter" Kjør valgte linje(er)".

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

Rottene kom seg raskt etter operasjonen og injeksjonen av MDA-MB-231 brystkreftcellene og ble deretter utsatt for MR- og PET/CT-bildebehandling på dag 10 og 30 PI (figur 1). En representativ DCE-analyse av en rottes høyre proksimale tibia presenteres i figur 2A. DCE raw-målingene ble lagret ved å velge"Eksporter"-knappen og velge "DCEraw.txt" som filnavn.

Etterfølgende beregninger av de dynamiske parameterne, AUC, PE og utvasking ble utført i RStudio med det respektive skriptet. Utdataene fra DCE-målingene måtte lagres som "DCEraw.txt" i mappen "Nedlastinger", slik at skriptet kunne kjøres direkte uten flere konfigurasjoner for å gi en datatabell, som avbildet i figur 2B. Disse dataene ble kopiert til det angitte regnearket (figur 2C). På samme måte ble DCE-parametrene for muskelvev bestemt og overført til regnearket (figur 2D,E). Disse verdiene ble normalisert ved å dele beinmålingene ved muskelmålingene; dette ble utført automatisk i regnearket. Fra PET/CT ble de beregnedemaksimale SUV-verdiene senere overført til tabellen (figur 2F).

På dag 30 PI ble alle dyr evaluert for å avgjøre om de utviklet metastaser eller ikke, og tabellen ble fullført ved å kode positiv tumorbyrde som "1" og friske dyr som "0" innenfor den høyre kolonnen i regnearket (Figur 2C).

Regnearket ble importert til åpen kildekode datavisualisering, maskinlæring og datautvinning verktøykasse, og funksjonen rangering avslørte SUVmax,PE, og AUC som de tre beste funksjonene for prediksjon av metastatisk sykdom (Figur 3). Disse parametrene gjenspeiler metabolsk aktivitet (SUVmaks) og vev vaskularisering (PE og AUC).

Kjører TrainModel.R Script importerte automatisk regnearket og beregnet et avNNet. Den optimale hyperparameterkombinasjonen ble bestemt (figur 4A) og den endelige modellen ble deretter beregnet ved hjelp av den optimale hyperparameterkombinasjonen (figur 4B). Deretter ble det beregnet et sett med standard diagnostiske parametere (figur 4C) og en ROC-kurve av modellen ble plottet (figur 4D).

Det positive resultatet er vist i figur 4B–D. En sammenligning av modellens ROC kurve med ROC kurven av sine tre bestanddeler (det vil si AUC, PE, og SUVmax) viste at modellen presterte betydelig bedre enn alle sine tre bestanddeler (p = 0,01 for AUC, p = 0,003 for PE, og p = 0,007 for SUVmax). Kombinasjonen av de tre valgte parametrene til et avNNet var mer følsomt, og dermed tillate prediksjon av makroskopisk sykdom med en samlet nøyaktighet på 85,7% (95% konfidensintervall = 67,3%-96,0%). Disse resultatene ble hentet fra en analyse av 28 prøver. Konfidensintervallene kan begrenses ytterligere ved å øke antall dyr.

De negative resultatene kan oppnås som beskrevet her. Nøyaktighetsmålene var svært følsomme for bestemte typer maskinlæringsalgoritmer og til trinn for forhåndsbehandling av data. Nevrale nettverk hadde særlig en tendens til å yte bedre når inndata ble normalisert. Dette ble oppnådd ved "BoxCox"-funksjonen i avsnitt 10 i protokollen (linje 22 og 36 i det medfølgende TrainModel.R-Script). Avstå fra normalisering og bruk av en annen algoritme (f.eks. et nevrale nettverk som ikke er gjennomsnittet), ved å endre metoden til "nnet" (linje 21 og 35 i det medfølgende TrainModel.R-Script), resulterte i et område på 0,594 under ROC-kurven (Supplerende figur 1). En slik modell klarte ikke å overgå sine tre bestanddeler betydelig (alle p > 0,15).

Fordi skriptet ble optimalisert for RStudio 3.4.1 og caret pakke versjon 6.0-84, ved hjelp av forskjellige programvareversjoner kan gi forskjellige resultater. Kjører de medfølgende skriptene med programvareversjonene som brukes i dette manuskriptet vil gi lignende resultater. Hvis leserne imidlertid tar sikte på å endre skriptet, legge til flere variabler, endre dokumentmapper eller filnavn eller endre maskinlæringsalgoritmene i større detalj, vil det være nødvendig med respektive justeringer av koden. For disse tilfellene gir håndboken for caret-pakken grundige forklaringer20.

Figure 1
Figur 1: Representative MR- og PET/CT-bilder. MR og PET / CT bilder av høyre bakben av et dyr som ikke utviklet metastaser i løpet av studien (to venstre kolonner, med bilder fra dag 10 og dag 30 PI), og et dyr som utviklet metastaser mellom dag 10 og dag 30 PI (to høyre kolonner, metastaser merket med piler). Legg merke til den høye signalintensiteten til metastaser i T2w-bildene (øvre rad), kontrastforbedringen avbildet av det økte området under kurven (AUC; andre rad), og den økte maksimale standardiserte opptaksverdien i PET / CT (SUVmaks; tredje rad). Merk at det ikke er noen synlige forskjeller i bildene som er anskaffet på dag 10 PI (første og tredje kolonne) mellom dyret med metastaser på dag 30 PI og dyret som ikke utviklet beinmetastaser. Dette tallet ble endret fra Ellmann et al.5. Vennligst klikk her for å se en større versjon av denne figuren.

Figure 2
Figur 2: Vurdering av bildefunksjonene og kompilering i et regneark. (A)Den dynamiske kontrastforbedringen av den proksimale tibia benmargen ble analysert med en freeware DICOM viewer15 ved hjelp av en DCE plugin16. De respektive målingene ble lagret, og (B) ble analysert videre med den medfølgende DCE-Script.R-filen i RStudio17. (C) Utdataene ble kopiert til et regneark (se tilleggsmateriale for en mal). (D)På samme måte ble DCE-målingen utført for tilstøtende muskelvev, analysert ved hjelp av RStudio (E), og deretter kopiert til regnearket. Data ble normalisert ved å dele resultatene av beinmålingene ved resultatene av muskelmålingene (C; lakseskyggeceller). (F)PET/CT-målingene ble utført med leverandørens programvare. Den maksimale standardiserte opptaksverdien ble beregnet ved å dele den respektive målingen ved den injiserte aktiviteten og multiplisere den med dyrets kroppsvekt. Resultatet ble senere kopiert til regnearket. Vennligst klikk her for å se en større versjon av denne figuren.

Figure 3
Figur 3: Funksjonsrangering. Rangeringen av de oppkjøpte bildefunksjonene ble utført i en åpen kildekode-datavisualisering, maskinlæring og datautvinningsverktøykasse18 ved å importere regnearket via "File"-subrutinen, og analysere det via "Rank"-subrutinen. Vennligst klikk her for å se en større versjon av denne figuren.

Figure 4
Figur 4: Representativ RStudio-utgang. Maskinlæringsalgoritmen ble utviklet ved hjelp av RStudio17 med den medfølgende TrainModel.R-Script-filen. (A) Et rutenett søk blant ulike hyperparameter kombinasjoner for modell-gjennomsnittlig nevrale nettverket avslørte en størrelse på tre nevroner og et forfall på 0,0005 som en optimal. (B) Ved hjelp av denne hyperparameterkombinasjonen ble et fullt nettverk trent og kryssvalidert, og nådde en samlet nøyaktighet på 85,7%. (C) Standardparametere for diagnostisk nøyaktighet, inkludert følsomhet, spesifisitet, positive og negative prediktive verdier og sannsynlighetsforhold, ble beregnet ut fra en forvirringsmatrise. (D)En representativ ROC-tomt av den kryssvaliderte modellen avslørte et område under kurven (AUC) på 0,917. Vennligst klikk her for å se en større versjon av denne figuren.

Tilleggstall 1: Negativt resultat. Endring av ML-algoritmen til et neuralt nettverk uten å snitte og avstå fra normalisering av inngangsparametrene førte til en dråpe av området under kurven av ROC-kurven fra 0,917 (figur 4D) til 0,594. Vennligst klikk her for å laste ned denne filen.

Supplerende figur 2: Alternativ funksjonsrangering. I motsetning til standardmetoden som er avbildet i figur 3,ble det også introdusert en tilfeldig variabel ("Tilfeldig"; uthevet i blått), med sin betydning inkludert i rangeringen. Denne tilnærmingen bekreftet det anvendte valget av variablene SUVmax,PE og AUC. Vennligst klikk her for å laste ned denne filen.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

ML-algoritmer er kraftige verktøy som brukes til å integrere flere prediktive funksjoner i en kombinert modell og oppnå en nøyaktighet som overstiger de separate bestanddelene når de brukes alene. Likevel avhenger det faktiske resultatet av flere kritiske trinn. For det første er ML-algoritmen som brukes en avgjørende faktor, fordi forskjellige ML-algoritmer gir forskjellige resultater. Algoritmen som brukes i denne protokollen er en avNNet, men andre lovende algoritmer inkluderer Extreme Gradient Boosting21 eller Random Forests. Caret pakken20 for RStudio gir en mengde forskjellige algoritmer (for tiden > 175), og den foreslåtte protokollen er svært fleksibel når det gjelder å bytte fra en algoritme til en annen ved ganske enkeltlinjer med kode (f.eks endre metode = "avNNet" til metode = "rf") og tilpasse TunedGrid-innstillingene til den respektive ML-algoritmen. Hvis du vil ha mer informasjon, kan du se caretgithub-repositoriet 22. En utmerket oversikt over ulike algoritmer og deres ytelse med hensyn til ulike klassifiseringsproblemer ble publisert av Fernández-Delgado et al.23 og kunne tjene som utgangspunkt for andre eksperimenter.

En annen viktig faktor er valget av relevante funksjoner som skal inkluderes i en ML-algoritme. Denne protokollen foreslår bruk av filtermetoden "Information Gain"19, for å rangere de tilgjengelige funksjonene i synkende rekkefølge og bruke de mest relevante til å trene avNNet. Filtermetoder er bare basert på generelle forutsetninger, for eksempel korrelasjon med variabelen for å forutsi, slik at forskerne bør forhåndsvelge funksjoner uavhengig av klassifikatorensom brukes 24,25. Slike metoder er spesielt effektive i beregningstid og robust til overfitting. Imidlertid er cutoff som skiller relevant fra irrelevante funksjoner definert av brukeren, noe som gjør det noe vilkårlig. For den foreslåtte protokollen ble funksjonene med topp 75% informasjonsgevinst brukt, tilsvarende SUVmax,PE og AUC. Dette valget kan imidlertid systematisk styrkes ved å inkludere en tilfeldig variabel som ikke har noen sammenheng med målet, beregner informasjonsgevinsten og sammenligner den med informasjonsgevinsten til de virkelige funksjonene (Supplerende figur 2). Denne litt mer sofistikerte tilnærmingen bekreftet i tillegg valget av de tre ovennevnte funksjonene som de mest relevante. Likevel finnes det flere forskjellige filtermetoder, sammen med andre tilnærminger som velger funksjoner med hensyn til en bestemt klassifikatoralgoritme, for eksempel funksjonsutvinning og wrappermetoder. Ulike funksjonsvalgtilnærminger kan gi forskjellige resultater.

For å sikre generalizability av ML algoritmen og ytterligere hindre overfitting, gjelder den foreslåtte protokollen leave-one-out cross-validation (LOOCV). Den beste tilnærmingen ville imidlertid være å tilfeldig fjerne et delsett fra hele datasettet, og behandle det som et testsett. ML-algoritmen trenes deretter på resten av dataene (det vil si treningssettet) for senere å forutsi utfallet av testsettet. Denne tilnærmingen trenger imidlertid et tilstrekkelig stort datasett. For mindre utvalgsstørrelser er bruk av LOOCV vanlig fordi det gir et nesten objektivt estimat av en modells sanne generaliseringsevne26. I LOOCV fjernes det første datapunktet fra datasettet, og avNNet trenes med de beholdte dataene. Deretter er utfallet av det tidligere tilbakeholdte datapunktet spådd og lagret. Denne prosessen gjentas for alle datapunkter, slik at hvert resultat til slutt forutsies med data som ikke ble brukt til å trene algoritmen. Andre valideringsmetoder inkluderer x-fold kryssvalideringer (oftest 10 ganger) og kan enkelt brukes ved å endre den respektive trainControl-parameteren i koden til method ="CV".

Fra et kvantitativt synspunkt evalueres medisinske bilder vanligvis på en svært grunnleggende måte, i stor grad avhengig av målinger av størrelse og form av potensielt mistenkelige lesjoner ellerområder 27,28. Fordelen med Digital Imaging and Communications in Medicine (DICOM)-standarden er imidlertid at den tillater ekstraksjon av mange funksjoner, referert til som radiomikk. Begrepet "radiomics" ble opprinnelig definert som høy gjennomstrømning utvinning av store mengder bildefunksjoner29, men ble senere utvidet til å omfatte konvertering av bilder til høyere dimensjonale data30. De høyere dimensjonale dataene brukes imidlertid hovedsakelig til å identifisere korrelasjoner i stedet forårsaker til 30. Funksjonene som er beskrevet i denne protokollen faller mellom klassiske radiologiske egenskaper, for eksempel størrelse og form, og radiomics, som de ligner allment aksepterte parametere for vaskularisering og metabolsk aktivitet. Dette gir en potensiell årsakssammenheng til mikroinvasion av spredte tumorceller. Hvis brukeren ønsker det, kan en ekstraksjon av radiomiske funksjoner utføres med forskjellige programvarepakker31.

Den oppgitte protokollen er ikke begrenset til et begrenset antall funksjoner. Dermed kan den brukes med store radiomics datasett. Det ovennevnte spørsmålet om funksjonsvalg blir imidlertid stadig viktigere med økende datasett. Den presenterte protokollen kan også overføres til forskjellige studieinnstillinger, for eksempel fra onkologi, infeksjon eller betennelse32.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Forfatterne erklærer ingen interessekonflikt. Funders hadde ingen rolle i utformingen av studien; i innsamling, analyser eller tolkning av data; skriftlig manuskriptet, eller i beslutningen om å publisere resultatene.

Acknowledgments

Dette arbeidet ble støttet av German Research Foundation (DFG, Collaborative Research Centre CRC 1181, delprosjekt Z02; Prioritetsprogram μBone, prosjekter BA 4027/10-1 og BO 3811), inkludert ekstra støtte for skanneenhetene (INST 410/77-1 FUGG og INST 410/93-1 FUGG), og av Emerging Fields Initiative (EFI) "Big Thera" av Friedrich-Alexander-University Erlangen-Nürnberg.

Materials

Name Company Catalog Number Comments
Binocular Operating Microscope Leica NA
ClinScan MR System Bruker NA
DICOM Viewer Horos NA www.horosproject.org
Excel: Spreadsheet 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 human breast cancer cells American Type Culture Collection N/A
Open-source data visualization, machine learning and data mining toolkit. Orange3, University of Ljubljana NA https://orange.biolab.si/
RPMI-1640 Invitrogen/ThermoFisher 11875093
Trypsin Sigma 9002-07-7
Vevo 3100 VisualSonics NA

DOWNLOAD MATERIALS LIST

References

  1. 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).
  2. Ellmann, S., Beck, M., Kuwert, T., Uder, M., Bäuerle, T. Multimodal imaging of bone metastases: From preclinical to clinical applications. Journal of Orthopaedic Translation. 3 (4), 166-177 (2015).
  3. Braun, S., Pantel, K. Clinical significance of occult metastatic cells in bone marrow of breast cancer patients. The Oncologist. 6 (2), 125-132 (2001).
  4. Braun, S., Rosenberg, R., Thorban, S., Harbeck, N. Implications of occult metastatic cells for systemic cancer treatment in patients with breast or gastrointestinal cancer. Seminars in surgical oncology. 20 (4), 334-346 (2001).
  5. Ellmann, S., et al. Prediction of early metastatic disease in experimental breast cancer bone metastasis by combining PET/CT and MRI parameters to a Model-Averaged Neural Network. Bone. 120, 254-261 (2018).
  6. Bäuerle, T., Komljenovic, D., Berger, M. R., Semmler, W. Multi-modal imaging of angiogenesis in a nude rat model of breast cancer bone metastasis using magnetic resonance imaging, volumetric computed tomography and ultrasound. Journal of Visualized Experiments. (66), e4178 (2012).
  7. Merz, M., Komljenovic, D., Semmler, W., Bäuerle, T. Quantitative contrast-enhanced ultrasound for imaging antiangiogenic treatment response in experimental osteolytic breast cancer bone metastases. Investigative Radiology. 47 (7), 422-429 (2012).
  8. Bäuerle, T., et al. Characterization of a rat model with site-specific bone metastasis induced by MDA-MB-231 breast cancer cells and its application to the effects of an antibody against bone sialoprotein. International Journal of Cancer. 115 (2), 177-186 (2005).
  9. Patel, J., Goyal, R. Applications of Artificial Neural Networks in Medical Science. Current Clinical Pharmacology. 2 (3), 217-226 (2008).
  10. Naftaly, U., Intrator, N., Horn, D. Optimal ensemble averaging of neural networks. Network: Computation in Neural Systems. 8 (3), 283-296 (1997).
  11. Bäuerle, T., Merz, M., Komljenovic, D., Zwick, S., Semmler, W. Drug-induced vessel remodeling in bone metastases as assessed by dynamic contrast enhanced magnetic resonance imaging and vessel size imaging: A longitudinal in vivo study. Clinical Cancer Research. 16 (12), 3215-3225 (2010).
  12. Cheng, C., et al. Evaluation of treatment response of cilengitide in an experimental model of breast cancer bone metastasis using dynamic PET with 18F-FDG. Hellenic Journal of Nuclear Medicine. 14 (1), 15-20 (2011).
  13. Marturano-Kruik, A., et al. Human bone perivascular niche-on-a-chip for studying metastatic colonization. Proceedings of the National Academy of Sciences of the United States of America. 115 (6), 1256-1261 (2018).
  14. Sonntag, E., et al. In vivo proof-of-concept for two experimental antiviral drugs, both directed to cellular targets, using a murine cytomegalovirus model. Antiviral Research. 161, 63-69 (2019).
  15. Horos - Free DICOM Medical Image Viewer | Open-Source. , Available from: https://www.horosproject.org/ (2015).
  16. DCE Tool Plugin. , Available from: http://kyungs.bol.ucla.edu/software/DCE_tool/DCE_tool.html (2020).
  17. RStudio Team RStudio: Inteegrated Development for R. , Available from: https://rstudio.com (2015).
  18. Demšar, J., et al. Orange: Data Mining Toolbox in Python. Journal of Machine Learning Research. 14, 2349-2353 (2013).
  19. Saeys, Y., Inza, I., Larrañaga, P. A review of feature selection techniques in bioinformatics. Bioinformatics. 23 (19), 2507-2517 (2007).
  20. Kuhn, M. CRAN - Package caret. , Available from: https://cran.r-project.org/web/packages/caret/index.html (2016).
  21. Chen, T., et al. CRAN: Package xgboost - Extreme Gradient Boosting. , Available from: https://cran.r-project.org/web/packages/xgboost/ (2019).
  22. Available Models | The caret Package. , Available from: http://topepo.github.io/caret/available-models.html (2020).
  23. Fernández-Delgado, M., Cernadas, E., Barro, S., Amorim, D., Fernández-Delgado, A. Do we Need Hundreds of Classifiers to Solve Real World Classification Problems. Journal of Machine Learning Research. 15, 3133-3181 (2014).
  24. Hira, Z. M., Gillies, D. F. A Review of Feature Selection and Feature Extraction Methods Applied on Microarray Data. Advances in Bioinformatics. 2015, 198363 (2015).
  25. Sánchez-Maroño, N., Alonso-Betanzos, A., Tombilla-Sanromán, M. Filter methods for feature selection - A comparative study. Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics). 4881, 178-187 (2007).
  26. Cawley, G. C., Talbot, N. L. C. C. Fast exact leave-one-out cross-validation of sparse least-squares support vector machines. Neural Network. 17 (10), 1467-1475 (2004).
  27. Forghani, R., et al. Radiomics and Artificial Intelligence for Biomarker and Prediction Model Development in Oncology. Computational and Structural Biotechnology Journal. 17, 995-1008 (2019).
  28. Jaffe, C. C. Measures of response: RECIST, WHO, and new alternatives. Journal of Clinical Oncology Official Journal of the American Society of Clinical Oncology. 24 (20), 3245-3251 (2006).
  29. Lambin, P., et al. Radiomics: Extracting more information from medical images using advanced feature analysis. European Journal of Cancer. 48 (4), 441-446 (2012).
  30. Gillies, R. J., Kinahan, P. E., Hricak, H. Radiomics: Images are more than pictures, they are data. Radiology. 278 (2), 563-577 (2016).
  31. Nioche, C., et al. Lifex: A freeware for radiomic feature calculation in multimodality imaging to accelerate advances in the characterization of tumor heterogeneity. Cancer Research. 78 (16), 4786-4789 (2018).
  32. Ellmann, S., et al. Application of machine learning algorithms for multiparametric MRI-based evaluation of murine colitis. PLOS ONE. 13 (10), 0206576 (2018).

Tags

Kreftforskning utgave 162 maskinlæring nevrale nettverk beinmetastaser spredte tumorceller brystneoplasmer multiparametrisk bildebehandling
Maskinlæringsalgoritmer for tidlig påvisning av beinmetastaser i en eksperimentell rottemodell
Play Video
PDF DOI DOWNLOAD MATERIALS LIST

Cite this Article

Ellmann, S., Seyler, L., Gillmann,… More

Ellmann, S., Seyler, L., Gillmann, C., Popp, V., Treutlein, C., Bozec, A., Uder, M., Bäuerle, T. Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model. J. Vis. Exp. (162), e61235, doi:10.3791/61235 (2020).

Less
Copy Citation Download Citation Reprints and Permissions
View Video

Get cutting-edge science videos from JoVE sent straight to your inbox every month.

Waiting X
Simple Hit Counter