Tratamientos Intraarteriales son el estándar del cuidado para los pacientes con carcinoma hepatocelular que no pueden someterse a resección quirúrgica. Se propone un método para predecir la respuesta a estas terapias. La técnica utiliza información clínica, demográfica y proyección de imagen previas al procedimiento para entrenar modelos de aprendizaje de máquina capaces de predecir la respuesta antes del tratamiento.
Se requiere una suscripción a JoVE para ver este contenido. Inicie sesión o comience su prueba gratuita.
Artículo de método
Predicción de respuesta al tratamiento tratamientos guiados por imágenes mediante aprendizaje automático: un ejemplo para el Trans-Arterial tratamiento de Carcinoma Hepatocelular
En este artículo
Resumen
Resumen
Tratamientos Intraarteriales son el estándar del cuidado para los pacientes con carcinoma hepatocelular que no pueden someterse a resección quirúrgica. El objetivo de este estudio fue desarrollar un método para predecir la respuesta al tratamiento intraarterial antes de la intervención.
El método proporciona un marco general para la predicción de los resultados antes de la terapia intrarterial. Se trata de agrupación de datos clínicos, demográficos y proyección de imagen a través de una cohorte de pacientes y utilizar estos datos para un modelo de aprendizaje de máquina del tren. El modelo de formación se aplica a nuevos pacientes para predecir su probabilidad de respuesta a la terapia intrarterial.
El método consiste en la adquisición y análisis de datos clínicos, demográficos e N pacientes que ya han experimentado terapias trans-arterial. Estos datos se analiza en discretas características (edad, sexo, cirrosis, grado de tumor mejora, etc.) y binarizados en valores verdadero/falso (p. ej., edad de 60, género masculino, realce del tumor más allá de un umbral fijado, etc.). Se eliminan características de varianza baja y características con asociaciones univariable baja con el resultado. Cada paciente tratado se etiqueta según si respondió o no respondió al tratamiento. Así, cada paciente formación está representado por un conjunto de características binarias y una etiqueta de resultado. Modelos de aprendizaje de máquina son entrenados utilizando N - 1 pacientes con pruebas en el paciente de la izquierda-hacia fuera. Este proceso se repite para cada uno de los N pacientes. Los modelos de N se calcula el promedio para llegar a un modelo final.
La técnica es extensible y permite la inclusión de características adicionales en el futuro. Es también un proceso generalizable que puede aplicarse a preguntas de la investigación clínica fuera de radiología intervencionista. La principal limitación es la necesidad de derivar características manualmente de cada paciente. Una forma moderna popular de aprendizaje automático llamado profundo aprendizaje no sufren de esta limitación, pero requiere más grandes conjuntos de datos.
Introducción
Pacientes con carcinoma hepatocelular que no son candidatos a cirugía se ofrecen terapias intra arterial1,2,3. No hay ninguna métrica única que determina si un paciente responderá a una terapia intra arterial antes de administra el tratamiento. El objetivo de este estudio fue demostrar un método que predice respuesta al tratamiento mediante la aplicación de métodos de aprendizaje automático. Tales modelos orientar a profesionales y pacientes al elegir si continuar con un tratamiento.
El protocolo implica un proceso reproducible para la capacitación....
Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.
Protocolo
1. Instalación de estación de trabajo para el aprender de máquina
- Utilice un sistema con lo siguiente:
Intel Core 2 Duo CPU o superior a 2,0 GHz
4 GB o más memoria del sistema
Sistema operativo compatible con POSIX (Linux o Mac OS) o Microsoft Windows 7
Permisos de usuario para ejecutar programas y guardar los archivos - Instalar las siguientes herramientas:
Anaconda Python3: https://www.anaconda.com/download
DICOM a NIfTI convertidor (dcm2niix) - https://github.com/rordenlab/dcm2niix
Sublime Text Editor: https://www.sublimetext.com/
ITK-SNAP (opcional): http://www.itksnap.org- Instalar Anaconda Python3, dcm2nii y Subli....
Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.
Resultados
El método propuesto se aplicó a 36 pacientes que habían experimentado trans-arterial terapias para el carcinoma hepatocelular. Se identificaron veinticinco características y binarizada siguiendo los pasos del 1-5. Cinco características satisfacen la varianza y filtros de asociación univariante (vea los pasos 5.1 y 5.2) y fueron utilizados para entrenamiento de modelo. Cada paciente fue etiquetado como responder o no responder bajo los criterios de respuesta qEASL. La matriz de característ.......
Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.
Discusión
Pacientes con carcinoma hepatocelular que no son candidatos para la resección quirúrgica se ofrecen terapias intra arteriales. Existen pocos métodos para determinar si un paciente responderá pre-tratamiento. Técnicas de evaluación después del tratamiento se basan en cambios en el tamaño del tumor o captación de contraste del tumor. Son los llamados criterios de respuesta, siendo más precisa la cuantitativa Asociación Europea para el estudio del criterio del hígado (qEASL). qEASL se basa en ambos volumétrica y lo.......
Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.
Divulgaciones
A.A. funciona como una consulta de software salud fidelidad, Inc. que emplea la máquina similar aprendiendo técnicas en notas clínicas para la optimización de reembolso médico.
J.F.G. recibe honorarios de personales de salud de Guerbet, BTG, umbral Pharmaceuticals (San Francisco, California), Boston Scientific y Terumo (Elkton, Maryland); y tiene una consultoría pagada para los laboratorios de presciencia (Westport, Connecticut).
Ninguno de los otros autores han identificado un conflicto de intereses.
Agradecimientos
A.A. recibió apoyo financiero de la oficina de investigación del estudiante, escuela de medicina de Yale.
L.J.S. recibe subvenciones de los institutos nacionales de salud (NIH/NCI R01CA206180), Beca Postdoctoral de Leopoldina y la Rolf W. Guenther Foundation de Ciencias radiológicas (Aquisgrán, Alemania).
J.C. recibe subvenciones de los institutos nacionales de salud (NIH/NCI R01CA206180), Philips Healthcare y la Fundación israelo-alemana para la investigación científica y el desarrollo (Jerusalén, Israel y Neuherberg, Alemania); y becas de la Foundation de Guenther de Rolf W. de Ciencias radiológicas y la Charit....
Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.
Materiales
| Nombre | Empresa | Número de catálogo | Comentarios |
|---|---|---|---|
| Estación de trabajo | informática N/A | N/A | Intel Core 2 Duo o superior CPU a 2,0 GHz; 4 GB o más de memoria del sistema; Sistema operativo compatible con POSIX (Linux o Mac OS) o Microsoft Windows 7; Permisos de usuario para ejecutar programas y guardar archivos |
| Anaconda Python 3 | Anaconda, Inc. | Versión 3.6 | Sistema Python 3 y bibliotecas empaquetadas para científicos e investigadores |
| DICOM a NIfTI | NeuroImaging Tools & Recursos Collaboratory | Versión 1.0 (versión 4/4/2018) | Programa independiente para convertir archivos de imágenes DICOM a formato NIfTI |
| Sublime Text Editor Sublime | HQ Pty Ltd | Version 3 (Build 3143) | Editor de texto para escribir código Python |
| Bibliotecas de Python requeridas | N/A | Versión 3.2.25 (nltk) Versión 0.19.1 (scikit-learn) | Natural Language Toolkit (nltk) Scikit-learn |
| ITK-SNAP | N/A | Versión 3.6.0 | Kit de herramientas opcional para realizar la segmentación de sistemas de órganos en imágenes médicas. |
Referencias
- Benson, A., et al. NCCN clinical practice guidelines in oncology: hepatobiliary cancers. J National Comprehensive Cancer Network. 7 (4), 350-391 (2009).
- Siegel, R., Miller, K., Jemal, A. Cancer statistics, 2016. CA Cancer J Clin. 66 (1), 7-30 (2016).
Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.
Reimpresiones y permisos
