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

Dieses Protokoll erleichtert die Entwicklung eines Algorithmus für maschinelles Lernen zur Vorhersage des Wachstums von Knochenmetastasen in einem experimentellen Modell im Stadium der frühen Organkolonisation. Der Hauptvorteil dieser Technik ist, dass sie mehrere bildgebende Parameter zu einem Machine Learning-Algorithmus kombiniert, der die Produktivfähigkeit jedes einzelnen Parameters deutlich übertrifft. Obwohl dieses Protokoll auf die frühdiagnose von Metastasen im Knochen abzielt, kann es an verschiedene Organe oder Bereiche der multimodalen und multiparametrischen bildgebenden Forschung angepasst werden.

10 Tage nach der Operation und Injektion in einen DICOM Viewer mit einem DCE-Plugin. Wählen Sie Import aus, um die DCE-Sequenz im 4D-Modus zu laden, und wählen Sie den DICOM-Ordner mit den MRT-Bildern aus. Platzieren Sie einen kreisförmigen 1,5-Quadrat-Millimeter-Biszu-Dimensionsbereich von Interesse in das proximale tibiale Wellenknochenmark des rechten Hinterbeins innerhalb des vierten oder fünften MRT-Bildes und wählen Sie eine relative Verbesserung im Plottyp aus.

Geben Sie den Basislinienbereich von Zeitpunkten eins bis fünf in die entsprechenden Felder ein und exportieren Sie die Analyse als Dot-TXT-Datei mit dem Namen DCE-Rohpunkt TXT. Öffnen Sie RStudio und laden Sie die mitgelieferte DCE-Skriptpunkt-R-Datei. Wählen Sie Code aus, führen Sie den Bereich aus, und führen Sie alle aus, um das gesamte Skript auszuführen, und kopieren Sie die Ausgabe in die bereitgestellte Vorlagedatei für Imaging-Features.

Platzieren Sie im DICOM-Viewer einen zweiten Bereich von Interesse im Rückenmuskel des Tieres und wiederholen Sie die gezeigten DCE-Messungen. In der Imaging-Feature-Tabelle werden die jeweiligen Knochenmessungen automatisch durch die jeweiligen Muskelmessungen zur Datennormalisierung geteilt. Um die PET/CT-Bilder zu analysieren, öffnen Sie die PET/CT-Analysesoftware und importieren Sie die PET/CT-Bilder.

Klicken Sie auf allgemeine Analyse, und wählen Sie die Quantifizierung des Bereichs von Interesse aus, erstellen und erstellen Sie einen Interessenbereich aus einer Vorlage. Legen Sie einen vier mal sechs Millimeter großen Bereich von Interesse in das Knochenmark des proximalen Tibialschaftsdes des rechten Hinterbeins und wählen Sie Interessengebiete auf eine Überlagerung aus. Beachten Sie den Mittelwert, die Minimal- und die Höchstwerte in Becquerel pro Milliliter.

Dividieren Sie dann den Maximalwert durch die injizierte Aktivität, und multiplizieren Sie das Ergebnis mit dem Tiergewicht in Gramm, um den standardisierten Aufnahmewert zu berechnen. Um die Tumorwachstumsrate im injizierten Hinterbein zu diagnostizieren. Nachdem Sie MRT- und PET/CT-Bilder am 30. Tag nach der Injektion erhalten haben, analysieren Sie die Bilder wie gezeigt und fügen Sie eine Tumorspalte zur Tabelle der Bildgebungsmerkmale hinzu.

Dann geben Sie eine oder eine Null für Tiere mit Metastasierung bzw. ohne sichtbare Tumorbelastung ein. Um die relevantesten Funktionen für die Vorhersage des zukünftigen Tumorwachstums zu bestimmen, importieren Sie die Kalkulationstabelle in ein Open-Source-Data-Visualisierungs-Machine Learning- und Data Mining-Toolkit. Ziehen Sie die Dateiunterroutine aus dem Datenmenü in den Arbeitsbereich, und doppelklicken Sie auf die Datei.

Klicken Sie auf das Ordnersymbol, um die Kalkulationstabelle zu laden und die Tabelle mit den Bildverarbeitungsfunktionen auszuwählen. Wählen Sie das Exportarbeitsblatt aus, und weisen Sie das Zielattribut dem Variablentumor zu. Weisen Sie die Skip-Funktion der Tiernummer zu.

Ziehen Sie die Rangunterroutine in den Arbeitsbereich, und ziehen Sie eine Linie, um eine Verbindung mit der Datei herzustellen und Unterroutinen zu ordnen. Doppelklicken Sie dann, um die Rang-Unterroutine zu öffnen, und wählen Sie den Informationsgewinnalgorithmus aus. Öffnen Sie für die Analyse des maschinellen Lernens RStudio 3.4.1, und laden Sie das bereitgestellte Skript des Zugmodells R.

Wählen Sie Zeilen drei bis sechs innerhalb des Skripts aus, um die erforderlichen Bibliotheken zu laden. Klicken Sie auf Code, um den ausgewählten Code auszuführen, und klicken Sie auf Ausgewählte Zeilen ausführen, um die ausgewählten Zeilen auszuführen. Um einen Modelldurchschnitt auf den neuronalen Netzwerkalgorithmus zu trainieren, wählen Sie die Linien acht bis 39 aus dem Skript des Zugmodells R aus, klicken Sie auf Code, und führen Sie ausgewählte Linien aus.

Um dann die Standardparameter der Diagnosegenauigkeit zu bewerten, wählen Sie die Zeilen 41 bis 50 aus dem Skript des Zugmodells R aus, klicken Sie auf Code, und führen Sie ausgewählte Zeilen aus. Am 10. Tag nach Operation und Krebszellinjektion können MRT- und PET/CT-Bilder aufgenommen werden. Die DCE-Analyse ermöglicht die Messung von Muskel- und Knochengewebebereichen von Interesse.

Diese Werte können normalisiert werden, indem die Knochenmessungen durch die Muskelmessungen geteilt werden. Am 30. Tag nach der Injektion werden alle Tiere bewertet, um festzustellen, ob sie Metastiken entwickelt haben, wobei eine Metastik entwickelt wurde, die auf eine positive Tumorbelastung und eine Null hinweist, die auf gesunde Tiere ohne sichtbare Tumoren hinweist. Durch das Ausführen des Skripts Zugmodell R kann die optimale Hyperparameterkombination bestimmt und das endgültige Modell mit der optimalen Hyperparameterkombination berechnet werden.

Mit diesen Daten können eine Reihe von Standarddiagnoseparametern berechnet und die Betriebskennungskurve des Modells des Empfängers dargestellt werden. Bei dieser Analyse von 28 Stichproben schneidet das Modell beispielsweise deutlich besser ab als alle drei Bestandteile. Mehrere Machine Learning-Algorithmen funktionieren tendenziell besser, wenn die Eingabedaten normalisiert werden.

In diesem Protokoll wird die Normalisierung mit der Box Cox-Funktion erreicht. Dieses Protokoll verwendet einen Modelldurchschnitt während des Netzwerks als Machine Learning-Algorithmus. Das bereitgestellte Framework kann jedoch leicht an andere Algorithmen wie zufällige Gesamtstrukturen oder Unterstützungsvektormaschinen angepasst werden.

Das Extrahieren numerischer Informationen aus Bildmaterial ist unentbehrlich geworden. Algorithmen wie diese können die Integration großer Datenmengen erleichtern, um eine Patientenschichtung zu ermöglichen.