Machine Learning-Algorithmen zur Früherkennung von Knochenmetastasen in einem experimentellen Rattenmodell
August 16th, 2020
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.
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.
View the full transcript and gain access to thousands of scientific videos
Übersicht
Dieses Protokoll erleichtert die Entwicklung eines maschinellen Lernalgorithmus zur Vorhersage des Wachstums von Knochenmetastasen in einem experimentellen Modell im Stadium der frühen Organkolonisierung. Die Technik kombiniert mehrere Bildgebungsparameter in einem maschinellen Lernalgorithmus, der die Produktivitätsfähigkeit jedes einzelnen Parameters deutlich übertrifft.
Wichtige Studienkomponenten
Wissenschaftsbereich
- Neurowissenschaften
- Onkologie
- Maschinelles Lernen
Hintergrund
- Frühe Diagnose von Metastasen ist entscheidend für eine effektive Behandlung.
- Knochenmetastasen stellen einzigartige Herausforderungen bei der Bildgebung und Diagnose dar.
- Die Kombination von Bildgebungsmodalitäten kann die Erkennungsfähigkeiten verbessern.
- Dieses Protokoll ist anpassbar für verschiedene Organe oder Bereiche der multimodalen Bildgebungsforschung.
Zweck der Studie
- Einen maschinellen Lernalgorithmus für die frühe Erkennung von Metastasen zu trainieren.
- Das Fortschreiten zu Makrometastasen in einem Rattenmodell vorherzusagen.
- Die diagnostische Genauigkeit durch kombinierte Bildgebungsparameter zu verbessern.
Verwendete Methoden
- Nutzung von MRT- und PET/CT-Bildgebungsparametern.
- Anwendung von maschinellen Lerntechniken zur Analyse von Bildgebungsdaten.
- Implementierung eines DICOM-Viewers mit einem DCE-Plugin für die Bildanalyse.
- Auswahl von Regionen von Interesse im Knochenmark für verbesserte Bildgebung.
Hauptergebnisse
- Der maschinelle Lernalgorithmus zeigte verbesserte Vorhersagefähigkeiten.
- Frühe Erkennung von Metastasen wurde mit höherer Genauigkeit erreicht.
- Die Ergebnisse deuten auf ein Potenzial für die Anpassung an andere Organe hin.
- Das Protokoll zeigt vielversprechende Möglichkeiten für zukünftige Forschung in der multimodalen Bildgebung.
Schlussfolgerungen
- Dieses Protokoll bietet einen neuartigen Ansatz zur frühen Diagnose von Knochenmetastasen.
- Die Kombination von Bildgebungsmodalitäten verbessert Erkennung und Vorhersage.
- Zukünftige Anwendungen können sich auf verschiedene Organsysteme erstrecken.
Häufig gestellte Fragen
Executive Industry Relevance
Early detection of bone metastases remains a critical challenge in oncology drug development, where current imaging often misses micrometastatic disease during preclinical staging. This machine learning approach integrates multimodal imaging features to improve predictive accuracy for metastatic progression, enabling earlier intervention and better model selection in preclinical studies. By identifying animals likely to develop metastases before standard imaging detection, the method supports mechanistic de-risking and improves confidence in target validation efforts.
Strategic Applications in Biopharma R&D
Early Discovery & Target Validation
- Scientific Value: Enables interrogation of therapeutic hypotheses by predicting metastatic outcome from early imaging biomarkers.
- Operational Value: Supports biological de-risking through stratification of models based on predicted metastatic potential.
- Predictive Value: Improves confidence in target selection by identifying models most likely to progress to macrometastasis.
Screening & Assay Development
- Assay Readiness: Prepares validated imaging-derived features for standardized compound screening in metastasis models.
- Quantitative Output: Generates normalized MRI and PET/CT metrics suitable for high-throughput feature extraction.
- Scalability: Framework adapts to unlimited features and multiple ML algorithms for assay optimization.
Translational & Preclinical Research
- Disease Relevance: Uses a site-specific rat model of breast cancer bone metastases with defined tumor-take rate.
- Translational Continuity: Links early imaging biomarkers to macrometastatic outcomes validated by MRI/PET/CT at day 30.
- Risk-Adjusted Decisions: Enables prioritization of compounds based on predicted metastasis suppression in high-risk models.
Pipeline & Workflow Integration
The method fits within the discovery continuum from early target validation through lead identification to preclinical efficacy testing, particularly in bone metastasis models where early prediction informs study design.
- Discovery Biology: Supports hypothesis testing by classifying animals into metastatic and non-metastatic groups using early imaging features.
- Screening: Enables assay standardization through normalized feature extraction from DCE-MRI and SUV-PET/CT measurements.
- Analytics: Provides diagnostic accuracy metrics including sensitivity, specificity, and ROC analysis for model evaluation.
- Translational Research: Connects early organ colonization signals to late-stage macrometastatic disease in a clinically relevant model.
- Enterprise Reuse: Framework can be adapted across oncology, infection, and inflammation studies using multimodal imaging.
Operational & Enterprise Impact
- Scientific Value: Increases predictive confidence in metastasis models by outperforming individual imaging parameters.
- Operational Value: Standardizes feature extraction and normalization across imaging modalities for reproducible results.
- Strategic Value: Improves go/no-go decisions by identifying non-progressing models early, reducing wasted resources.
- Portfolio Impact: Enables risk-adjusted advancement by focusing on compounds effective in high-risk metastatic models.
Implementation Considerations
- Requires expertise in MRI/PET/CT image analysis and feature extraction using DICOM tools.
- Needs RStudio and ML toolkits for model training, validation, and diagnostic metric calculation.
- Demands standardization of ROI placement and normalization procedures (e.g., bone-to-muscle ratios, Box-Cox).
- Involves adaptation considerations when applying the framework to different organs or imaging protocols.
- Limited by the need for longitudinal imaging at defined time points (day 10 and day 30) in the rat model.
Biopharma FAQs
Chapters in this video
0:04
Introduction
0:46
Magnetic Resonance Imaging (MRI) Analysis
2:11
Positron Emission Tomography/Computed Tomography (PET/CT) Analysis
3:03
Tumor-Take Rate Calculation
3:30
Feature Selection
4:23
Machine Learning (ML) Analysis, Model-Averaged Neural Network (avNNet) ML Algorithm Training, and ML Algorithm Data Analysis
5:12
Results: Representative Machine Learning Algorithm Rat Bone Metastasis Detection
6:19
Conclusion
