Waiting
Procesando inicio de sesión ...

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

Cancer Research

خوارزميات التعلم الآلي للكشف المبكر عن الانبثاث العظام في نموذج الفئران التجريبية

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

وقد صُمِّم هذا البروتوكول لتدريب خوارزمية للتعلم الآلي لاستخدام مزيج من بارامترات التصوير المستمدة من التصوير بالرنين المغناطيسي (MRI) والتصوير المقطعي /التصوير المقطعي للانبعاثات البوزيترونية (PET/CT) في نموذج فأر من أنبثاث عظام سرطان الثدي للكشف المبكر عن الأمراض النقيالة والتنبؤ بالتقدم اللاحق إلى الماكروميتاستاسات.

Abstract

تسمح خوارزميات التعلم الآلي (ML) بدمج ميزات مختلفة في نموذج لأداء مهام التصنيف أو الانحدار بدقة تتجاوز مكوناتها. يصف هذا البروتوكول تطور خوارزمية ML للتنبؤ بنمو ماكروميتاستاسات العظام لسرطان الثدي في نموذج الفئران قبل أن تكون أي تشوهات ملحوظة باستخدام طرق التصوير القياسية. ويمكن لهذه الخوارزمية أن تسهل الكشف عن الأمراض النقيلية المبكرة (أي ميكروميتاساساتيس) التي يتم تفويتها بانتظام أثناء الفحوص المرحلية.

نموذج الانبثاث المطبق هو موقع محدد ، مما يعني أن الفئران تطور الانبثاث حصريًا في ساقها الخلفية اليمنى. معدل أخذ الورم في النموذج هو 60٪ -80٪، مع ماكروميتاسات تصبح مرئية في التصوير بالرنين المغناطيسي (MRI) والتصوير المقطعي للانبعاثات البوزيترونية /التصوير المقطعي المحوسب (PET/CT) في مجموعة فرعية من الحيوانات بعد 30 يوما من الحث، في حين أن مجموعة فرعية ثانية من الحيوانات لا تظهر أي نمو الورم.

بدءا من فحص الصورة المكتسبة في وقت سابق من نقطة، ويصف هذا البروتوكول استخراج الميزات التي تشير إلى الأوعية الدموية الأنسجة التي اكتشفت بواسطة التصوير بالرنين المغناطيسي، والتمثيل الغذائي الجلوكوز PET / CT، وتحديد لاحقة من الميزات الأكثر أهمية للتنبؤ بمرض ماكروميتاستاتيك. ثم يتم تغذية هذه الميزات في شبكة عصبية متوسطة الطراز (avNNet) لتصنيف الحيوانات إلى واحدة من مجموعتين: واحدة من شأنها أن تطور الانبثاث والأخرى التي لن تتطور أي أورام. كما يصف البروتوكول حساب المعلمات التشخيصية القياسية، مثل الدقة الكلية، والحساسية، وخصوصية، والقيم التنبؤية السلبية/الإيجابية، ونسب الاحتمال، وتطوير خصائص التشغيل الخاصة بالمستقبِل. ومن مزايا البروتوكول المقترح مرونته، حيث يمكن تكييفه بسهولة لتدريب عدد كبير من خوارزميات ML المختلفة مع تركيبات قابلة للتعديل لعدد غير محدود من الميزات. وعلاوة على ذلك، يمكن استخدامه لتحليل مشاكل مختلفة في علم الأورام، والعدوى، والتهاب.

Introduction

الغرض من هذا البروتوكول هو دمج العديد من معلمات التصوير الوظيفية من التصوير بالرنين المغناطيسي وPET / CT في خوارزمية شبكة عصبية متوسطة الطراز (avNNet) ML. هذه الخوارزمية تتوقع نمو macrometastases في نموذج الفئران من سرطان الثدي العظام الانبثاث في وقت مبكر، عندما التغييرات العيانية داخل العظام ليست مرئية حتى الآن.

قبل نمو ميكروميتاسس، يحدث غزو نخاع العظم للخلايا السرطانية المنشورة، ويشار إليها عادة باسم مرض ميكروميتاستاتيكي1،2. يمكن اعتبار هذا الغزو الأولي خطوة مبكرة في مرض النقيلي ، ولكن عادة ما يغيب خلال فحوص التدريج التقليدية3،4. على الرغم من أن طرائق التصوير المتاحة حاليا لا يمكن الكشف عن نخاع العظم microinvasion عند استخدامها وحدها، وقد تبين مزيج من المعلمات التصوير التي تعطي معلومات عن الأوعية الدموية والنشاط الأيضي لأداء أفضل5. ويتحقق هذا فائدة تكميلية من خلال الجمع بين مختلف المعلمات التصوير في avNNet، وهو خوارزمية ML. مثل avNNet يسمح للتنبؤ موثوق بها من تشكيل ماكروميتاسساتيس العظام قبل أي الانبثاث مرئية موجودة. ولذلك، يمكن أن يكون دمج المؤشرات الحيوية للتصوير في avNNet بمثابة معلمة بديلة لأمراض النخاع العظمي الدقيقة والأمراض النقيلية المبكرة.

لتطوير البروتوكول، تم استخدام نموذج سبق وصفه من الانبثاث العظام سرطان الثدي في الفئران عارية6،7،8. ميزة هذا النموذج هو خصوصية الموقع، وهذا يعني أن الحيوانات تطوير الانبثاث العظمية حصرا في ساقها الخلفية اليمنى. ومع ذلك، فإن معدل تناول الورم لهذا النهج هو 60٪ -80٪، وبالتالي فإن عددا كبيرا من الحيوانات لا تتطور أي الانبثاث خلال الدراسة. باستخدام طرائق التصوير مثل التصوير بالرنين المغناطيسي و PET/CT، يمكن الكشف عن وجود الانبثاث من اليوم 30 بعد الحقن (PI). في وقت سابق من النقاط (على سبيل المثال ، 10 PI) التصوير لا يميز بين الحيوانات التي سوف تتطور مرض النقيلي وتلك لن (الشكل 1).

وavNNet تدريب على المعلمات التصوير الوظيفي المكتسبة في يوم 10 PI ، كما هو موضح في البروتوكول التالي ، ويتوقع بشكل موثوق أو يستبعد نمو ماكروميتاستاس خلال الأسابيع التالية ~ 3. تجمع الشبكات العصبية بين العقد الاصطناعية داخل طبقات مختلفة. في بروتوكول الدراسة، تمثل معلمات التصوير الوظيفية لإمدادات الدم نخاع العظم والنشاط الأيضي الطبقة السفلية، في حين أن التنبؤ بالثمانة يمثل الطبقة العليا. طبقة متوسطة إضافية تحتوي على عقد مخفية متصلة بكل من الطبقة العليا والسفلى. يتم تحديث قوة الاتصالات بين العقد المختلفة أثناء تدريب الشبكة لأداء مهمة التصنيف ذات الصلة بدقة عالية9. ويمكن زيادة دقة هذه الشبكة العصبية عن طريق زيادة متوسط نواتج عدة نماذج، مما أدى إلى avNNet10.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

وقد أجريت جميع إجراءات الرعاية والتجريب وفقاً للتشريعات الوطنية والإقليمية المتعلقة بحماية الحيوانات، ووافقت حكومة ولاية فرانكونيا، ألمانيا على جميع الإجراءات المتعلقة بالحيوانات (المرجع 55.2 DMS-2532-2-228).

1. التعريفي من سرطان الثدي نقائل العظام في الساق الخلفية اليمنى من الفئران عارية

ملاحظة: تم نشر وصف مفصل لحث سرطان الثدي من الانبثاث العظام في الفئران عارية في مكان آخر6,8. وترد أدناه أهم الخطوات ذات الصلة.

  1. ثقافة MDA-MB-231 خلايا سرطان الثدي البشرية في 1640- 1640، تكملها مصل عجل الجنين 10٪(FCS). إبقاء الخلايا تحت الظروف القياسية (37 درجة مئوية، 5٪ CO2) ومرور الخلايا 2-3 مرات في الأسبوع.
  2. اغسل خلايا MDA-MB-231 بالقرب من الالتقاء مع 2 mM EDTA في محلول ملحي مؤقت للفوسفات (PBS)، ثم افصل الخلايا بنسبة 0.25٪ من التربسين. تحديد تركيز الخلية مع غرفة Neubauer و resuspend لهم في 200 μL من 1640- 1640 في تركيز 1.5 × 105 الخلايا/200 μL.
  3. استخدام 6-8 الجرذان عارية الأسبوع القديمة والاحتفاظ بها في ظل الأمراض، والظروف الخاضعة للرقابة (21 درجة مئوية ± درجة حرارة الغرفة 2 درجة مئوية، 60٪ الرطوبة، و 12 ساعة ضوء الظلام الإيقاع). تقديم تغذية autoclaved والماء الإعلانية libitum.
  4. قبل إجراء الجراحة، حقن دواء مسكن (على سبيل المثال، كاربونوف 4 ملغ/ كغ) تحت الجلد. تخدير الفئران مع ايزوفلوران (1-1.5 vol. ٪ / خليط الأكسجين بمعدل تدفق 2 لتر / دقيقة. تحقق من عمق التخدير عن طريق معسر إصبع.
  5. لإجراء الجراحة، استخدم مجهر التشغيل مع تكبير 16x.
  6. قم بإجراء قطع 2-3 سم في المنطقة الأربية اليمنى للجرذ. تشريح جميع الشرايين في المنطقة الأربية اليمنى، بما في ذلك الشريان الفخذي (FA)، والشريان الفروقي السطحي (SEA)، والشريان الهاجل (DGA)، والشريان الزنجي (PA)، والشريان السافيني (SA). ضع مقطعين قابلين للإزالة على FA: واحد قريب إلى بداية SEA، وآخر قريب بشكل مباشر إلى بداية DGA.
  7. Ligate الجزء القاصي من SEA. قم بإجراء قطع من جدار SEA وأدخل إبرة قطرها 0.3 مم في SEA. قم بتوصيل حقنة تحتوي على تعليق الخلية من الخطوة 1.2 إلى الإبرة. إزالة القصاصة من الاتحاد الانجليزي وقصاص SA بدلا من ذلك.
  8. قم بإدخال تعليق الخلية MDA-MB-231 ببطء من الخطوة 1.2 (1.5 x 105 خلايا/200 ميكرولتر) في SEA. إزالة الإبرة، ligate في SEA، وإزالة مقاطع الشريان. أغلق الجرح باستخدام مقاطع جراحية و اِنهي التخدير. مراقبة الحيوانات يوميا لتقييم حجم الورم وأي دليل على الألم.

2. التصوير بالرنين المغناطيسي (التصوير بالرنين المغناطيسي)

ملاحظة: للحصول على وصف مفصل لإجراءات التصوير بالرنين المغناطيسي، يرجى الاطلاع على Bäuerle etal. 11.

  1. إجراء التصوير بالرنين المغناطيسي 10 أيام PI باستخدام ماسح ضوئي تجريبي مخصص (انظر جدول المواد)أو نظام MR الإنسان مع لفائف حيوانية مناسبة.
  2. تخدير الفئران مع isoflurane (1-1.5 vol. ٪ / خليط الأكسجين كما هو موضح أعلاه. ضع قسطرة في وريد ذيل الجرذ وشرّطها على الذيل. توصيل حقنة تحتوي على عامل التباين (0.1 ملليمول/كغ GD-DTPA في حوالي 0.5 مل).
  3. ضع الجرذ المُجرّد في نظام MR. تحديد موقع عظم الفخذ و شبه الساق من الساق الخلفية اليمنى في تسلسل التشريحية (على سبيل المثال، T2-المرجح توربو تدور صدى التسلسل؛ TR = 8,654 مللي ثانية; TE = 37 مللي ثانية؛ مصفوفة 320 × 272؛ FOV = 65 مم × 55 مم؛ سمك الشريحة = 1 مم؛ مسح الوقت 11:24 دقيقة).
  4. تحديد شرائح تغطي عظم الفخذ و شبه الساق من الساق الخلفية اليمنى وبدء تسلسل DCE-MRI (على سبيل المثال، سرعة انخفاض زاوية طلقة تسلسل؛ TR = 3.9 مللي ثانية؛ TE = 0.88 مللي ثانية؛ المصفوفة = 256 × 216؛ FOV = 65 × 54 مم2؛ سمك الشريحة = 1 مم؛ 8 شرائح؛ 100 نقطة زمنية؛ وقت المسح الضوئي = 8:25 دقيقة). بعد 30 s، ابدأ في حقن عامل التباين على مدى فترة زمنية قدرها 10 s.
    ملاحظة: الوقت الإجمالي لإجراء فحص التصوير بالرنين المغناطيسي هو حوالي 20 دقيقة لكل.

3- التصوير المقطعي للانبعاثات البوزيترونية/التصوير المقطعي المحوسب (PET/CT)

ملاحظة: للحصول على وصف مفصل لإجراءات PET، يرجى الاطلاع على تشنغ في al.12.

  1. تنفيذ التصوير PET/CT لمدة 10 أيام PI باستخدام ماسح تجريبي مخصص (انظر جدول المواد).
  2. الحفاظ على الحيوانات صام قبل التصوير. تخدير الجرذ كما هو موضح في الخطوة 2.2 ثم أدخل قسطرة في الوريد الذيل كما هو موضح أعلاه.
  3. حقن 6 MBq من 18F-Fluorodeoxyglucose(18F-FDG) في الوريد الذيل وانتظر ~ 30 دقيقة للسماح للمتتبع لتوزيع بشكل صحيح.
  4. إجراء عملية استحواذ على الأشعة المقطعية (جهد أنبوب = 80 كيلو فولت، تيار الأنبوب = 500 μA، دقة متساوي= 48.9 ميكرومتر، المدة = 10 دقيقة).
  5. إجراء عملية اقتناء ثابتة لـ PET (المستوى التمييزي الأدنى/الأعلى = 350/650 كيلوفولت؛ إطار التوقيت = 3.438 ns؛ المدة = 15 دقيقة).

4- استراتيجيات التصوير البديلة

  1. لإجراء تقييم مبكر لخلايا MDA-MB-231 في الساق الخلفية، تلقيح 1.5 × 105 الخلايا المسماة / 200 ميكرولتر للإنارة الحيوية (أي الخلايا التي تعبر عن لوسيفرين، MDA-MB-231-LUC13) أو التصوير الفلوري (أي الخلايا التي تعبر عن البروتين الفلوري الأخضر أو الأحمر، MDA-MB-231-GFP/RFP13). استخدام النظام للتصوير البصري قبل الكلينيكي للكشف عن الخلايا MDA-MB-231 داخل الأوعية الدموية بعد تلقيح الخلايا السرطانية14.
  2. إجراء الموجات فوق الصوتية التجريبية باستخدام ماسح ضوئي مخصص بعد الحقن الوريدي من microbubbles لاشتقاق معلمات مورفولوجية ووظيفية للأوعية الدموية مماثلة للتصوير بالرنين المغناطيسي7.

5- تحليل التصوير بالرنين المغناطيسي

  1. استخدام DICOM عارض15 مع المساعدDCE 16 وتحميل تسلسل DCE في وضع 4D - عن طريق النقر على "استيراد" في القائمة العلوية ، واختيار المجلد DICOM التي تحتوي على صور MR من الخطوة 2.4 ، والنقر على "4D عارض" في القائمة العليا.
  2. ضع منطقة دائرية ذات أبعاد ثنائية ذات أهمية (ROI) ، مع حجم مستهدف قدره 1.5 مم2، في نخاع عظم العمود التيبالي القريب من الساق الخلفية اليمنى ، ويفضل استخدام أرقام الصور 4 أو 5 من التسلسل المكون من 8 صور ، حيث توفر هذه الصور المركزية نتائج أكثر استقرارًا.
  3. بدء تشغيل البرنامج المساعد DCE من القائمة العلوية، حدد"تعزيز النسبي"في حقل "نوع المؤامرة"، وتحديد نطاق خط الأساس من النقاط الزمنية 1 إلى 5 عن طريق كتابة هذه الأرقام في الحقول المعنية. تصدير التحليل كملف .txt مع الزر المعني ثم اختر "DCEraw.txt" باسم الملف.
  4. فتح RStudio17 وتحميل الملف DCE-Script.R المقدمة عبر "ملف" القائمة عن طريق تحديد"فتح ملف". تشغيل البرنامج النصي بأكمله عن طريق تحديد "رمز", ثم "تشغيل المنطقة" ومن ثم "تشغيل الكل" من القائمة. نسخ الإخراج إلى ملف القالب المتوفر المسمى "ImagingFeatures.xlsx" (الشكل 2).
  5. في عارض DICOM، ضع عائد الاستثمار الثاني داخل العضلة الخلفية للحيوان وكرر الخطوات من 5.2 إلى 5.4 للحصول على قياسات DCE العضلية لأغراض التطبيع. داخل جدول البيانات "ImagingFeatures.xlsx"، يتم تقسيم قياسات العظام المعنية تلقائياً بقياسات العضلات الخاصة بها لأغراض التطبيع.
  6. كرر الخطوات من 5.1 إلى 5.5 لجميع الحيوانات وأكمل جدول البيانات.

6. PET / CT تحليل

  1. فتح PET / CT برنامج التحليل واستيراد البيانات التي تم الحصول عليها في الخطوة 3 عن طريق النقر على "ملف"، تليها "استيراد يدوي". مارك ct.img.hd وpet.img.hdr الملفات. انقر على "فتح" وحدد "استيراد جميع".
  2. فتح مجموعات البيانات عن طريق تحديد"تحليل عام"،تليها"موافق".
  3. حدد "ROI Quantification" ، متبوعاً "إنشاء" ، ثم "إنشاء عائد استثمار من قالب". ضع عائد الاستثمار ثنائي الأبعاد حوالي 4 مم × 6 مم في نخاع عظم العمود النخاعي القريب من الساق الخلفية اليمنى.
  4. حدد"ROIs (تراكب الهدف 1)" وقم بتدوين القيم الوسط والدنيا والقصوى في Bq/mL.
  5. حساب الحد الأقصى لقيمة الامتصاص القياسي(SUV max):قم بتقسيم القيمة القصوى (Bq/mL) على النشاط المحقون وضرب النتيجة بوزن الحيوان بالجرام. أدخل النتيجة في جدول البيانات (الشكل 2).

7. تحديد معدل أخذ الورم

  1. لتشخيص نمو الورم في الساق الخلفية اليمنى، كرر MR والتصوير PET/CT في اليوم 30 PI، كما هو موضح أعلاه.
    ملاحظة: سوف تكون الأورام واضحة للعيان في اليوم 30 PI وميزة T2w-hyperintense الآفات وتعزيز التباين واضحة في التصوير بالرنين المغناطيسي, جنبا إلى جنب معماكس سيارات الدفع الرباعي مرتفعة بوضوح في PET / CT. وفقا للتجارب السابقة، 60٪ -80٪ من الحيوانات سوف تتطور الانبثاث في ساقهم الخلفية اليمنى.
  2. استكمال جدول البيانات بإضافة عمود الورم إضافية وأدخل 1 لكل الذي يعرض الانبثاث، و 0 لكل دون عبء الورم مرئية(الشكل 2). حفظ جدول البيانات كـ "ImagingFeatures.xlsx" ضمن مجلد التنزيلات.

8. اختيار ميزة

  1. لتحديد الميزات الأكثر صلة للتنبؤ بنمو الورم في المستقبل، قم باستيراد جدول البيانات إلى مرئيات البيانات المفتوحة المصدر، والتعلم الآلي، ومجموعة أدوات تعدين البيانات18.
  2. ارسم روتين الملف الفرعي من القائمة البيانات إلى مساحة العمل على اليمين وانقر نقراً مزدوجاً فوقه. تحميل جدول البيانات بالنقر فوق رمز "مجلد" وتحديد الملف "ImagingFeatures.xlsx". حدد "تصدير" ورقة العمل وتعيين الهدف السمة إلى متغير "الورم". تعيين "تخطي" الدالة إلى رقم الحيوان (الشكل 3).
  3. رسم "ترتيب" روتين فرعي من القائمة البيانات في مساحة العمل ثم قم بتوصيل "ملف" و "ترتيب" subroutines بواسطة رسم خط بينها.
  4. افتح "ترتيب" روتين فرعي بالنقر المزدوج على رمزها، وحدد "كسب المعلومات" خوارزمية19.
  5. من المعلمات المكتسبة الخمسة, استخدام الثلاثة الأوائل لمزيد من التحليلات (سيارات الدفع الرباعيماكس,PE, وAUC).
    ملاحظة: تعكس هذه المعلمات النشاط الأيضي (SUVmax)و الأوعية الدموية الأنسجة (PE و AUC).

9. تحليل ML

  1. فتح RStudio 3.4.117 وتحميل المقدمة TrainModel.R-سكريبت عبر "ملف" القائمة.
  2. تثبيت المكتبات المطلوبة (هذا يجب أن يتم مرة واحدة فقط) عن طريق الكتابة: install.packages(c("إجرعت" و "readxl" و "pROC" و "RcmdrPlugin.EZR" و "ggplot2"))
  3. لتحميل المكتبات المطلوبة وتعيين مجلد التنزيلات كـ الدليل العامل، حدد خطوط 3-5 ضمن البرنامج النصي TrainModel.R.
  4. قم بتشغيل التعليمات البرمجية المحددة بالنقر فوق "رمز" ضمن القائمة ثم "تشغيل خط محدد (الأسطر)".

10. تدريب خوارزمية AVNNet ML

  1. لتدريب خوارزمية avNNet، حدد الخطوط 8-39 من TrainModel.R-Script (راجع الخطوة 9.1).
  2. قم بتشغيل التعليمات البرمجية المحددة بالنقر فوق "رمز" ضمن القائمة ثم "تشغيل خط محدد (الأسطر)".

11. تحليل نتائج خوارزمية ML

  1. لتقييم المعلمات القياسية لدقة التشخيص (الحساسية، وخصوصية، والقيم التنبؤية الإيجابية والسلبية، ونسب الاحتمال)، حدد الخطوط 41-50 من TrainModel.R-Script.
  2. قم بتشغيل التعليمات البرمجية المحددة بالنقر فوق "رمز" ضمن القائمة ثم "تشغيل خط محدد (الأسطر)".

12. مقارنة النموذج النهائي المتلقي خصائص التشغيل المنحنى (ROC) مع منحنيات ROC من المعلمات المكونة لها

  1. لإجراء اختبارات DeLong لمقارنة منحنى ROC للنموذج مع منحنيات ROC من المعلمات المكونة لها، حدد الخطوط 52-62 من TrainModel.R-Script (انظر الخطوة 9.1).
  2. قم بتشغيل التعليمات البرمجية المحددة بالنقر فوق "رمز" ضمن القائمة ثم "تشغيل خط محدد (الأسطر)".

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

تعافت الفئران بسرعة من الجراحة وحقن خلايا سرطان الثدي MDA-MB-231 ثم تعرضت لتصوير MR-وPET/CT في أيام 10 و 30 PI(الشكل 1). يتم تقديم تحليل DCE ممثل من الساق القريبة الحق في الفئران في الشكل 2A. تم حفظ القياسات الخام DCE عن طريق تحديد"تصدير"الزر واختيار "DCEraw.txt" باسم الملف.

تم إجراء الحسابات اللاحقة للمعلمات الحيوية، AUC، PE، و الاغتسال في RStudio مع البرنامج النصي المعني. وكان لا بد من حفظ الإخراج من القياسات DCE كـ "DCEraw.txt" داخل مجلد "التنزيلات"، بحيث يمكن تشغيل البرنامج النصي مباشرة دون تكوينات إضافية لتوفير جدول بيانات، كما هو موضح في الشكل 2B. تم نسخ هذه البيانات إلى جدول البيانات المقدم (الشكل 2C). وبالمثل، تم تحديد معلمات DCE للأنسجة العضلية ونقلها إلى جدول البيانات (الشكل 2D،E). تم تطبيع هذه القيم عن طريق تقسيم قياسات العظام من خلال قياسات العضلات. تم تنفيذ هذا تلقائياً داخل جدول البيانات. من PET /CT, تم نقل قيمالحد الأقصى SUV المحسوبة في وقت لاحق إلى الجدول (الشكل 2F).

في اليوم 30 PI، تم تقييم جميع الحيوانات لتحديد ما إذا كانت أو لم تكن وضعت الانبثاث، والجدول تم الانتهاء من خلال ترميز عبء الورم الإيجابي كـ "1" والحيوانات السليمة كـ "0" داخل العمود أقصى اليمين من جدول البيانات(الشكل 2C).

تم استيراد جدول البيانات في التصور البيانات مفتوحة المصدر, التعلم الآلي, والبيانات مجموعة أدوات التعدين, وكشفت تصنيف ميزة سيارات الدفع الرباعيماكس,PE, وAUC كأفضل ثلاث ميزات للتنبؤ بمرض النقيلي(الشكل 3). وتعكس هذه المعلمات النشاط الأيضي (SUVماكس)والأوعية الدموية الأنسجة (PE وAUC).

تشغيل البرنامج النصي TrainModel.R تلقائياً استيراد جدول البيانات وحساب avNNet. تم تحديد مزيج مقياس السبرامتر الأمثل (الشكل 4A) ثم تم حساب النموذج النهائي باستخدام مزيج مقياس السبرامتر الأمثل (الشكل 4B). في وقت لاحق، تم حساب مجموعة من المعلمات التشخيصية القياسية(الشكل 4C)وتم رسم منحنى ROC للنموذج (الشكل 4D).

تظهر النتيجة الإيجابية في الشكل 4B–D. وكشفت مقارنة بين منحنى ROC للنموذج مع منحنى ROC من مكوناته الثلاثة (أي AUC وPE وSUV max)أن أداء النموذج كان أفضل بكثير من جميع مكوناته الثلاثة (p = 0.01 لـ AUC ، p = 0.003 for PE ، و p = 0.007لـSUV Max ). وكان الجمع بين المعلمات الثلاثة المختارة لavNNet أكثر حساسية، مما يسمح بالتنبؤ بمرض العيانية بدقة إجمالية 85.7٪ (فاصل ثقة 95٪ = 67.3٪- 96.0٪). وقد تم الحصول على هذه النتائج من تحليل لـ 28 عينة. ويمكن تضييق فترات الثقة عن طريق زيادة عدد الحيوانات.

ويمكن الحصول على النتائج السلبية على النحو المبين هنا. وكانت تدابير الدقة حساسة للغاية لأنواع محددة من خوارزميات التعلم الآلي وخطوات المعالجة المسبقة للبيانات. الشبكات العصبية، على وجه الخصوص، تميل إلى أداء أفضل عندما تم تطبيع البيانات المدخلة. وقد تحقق ذلك من خلال وظيفة "BoxCox" في القسم 10 من البروتوكول (الخطان 22 و 36 في إطار برنامج TrainModel.R-Script المقدم). الامتناع عن التطبيع واستخدام خوارزمية مختلفة (على سبيل المثال، شبكة عصبية لا متوسط)، عن طريق تغيير الأسلوب إلى "nnet" (الخطان 21 و 35 ضمن البرنامج النصي TrainModel.R-Script) المقدمة)، أدى إلى مساحة 0.594 تحت منحنى ROC(الشكل التكميلي 1). فشل مثل هذا النموذج في التفوق على مكوناته الثلاثة بشكل كبير (جميع p > 0.15).

لأن البرنامج النصي تم تحسين لRStudio 3.4.1 و إصدار حزمة الإرتحام 6.0-84، قد ينتج عن استخدام إصدارات برامج مختلفة نتائج مختلفة. إن تشغيل النصوص النصية المقدمة مع إصدارات البرامج المستخدمة في هذه المخطوطة سيعطي نتائج مماثلة. ومع ذلك، إذا كان القراء تهدف إلى تعديل البرنامج النصي، إضافة متغيرات إضافية، تغيير مجلد المستند أو أسماء الملفات، أو تعديل خوارزميات التعلم الآلي في مزيد من التفصيل، سوف تعديلات ذات الصلة من التعليمات البرمجية يكون من الضروري. لهذه الحالات، دليل من حزمة الاقحام يقدم تفسيرات متعمقة20.

Figure 1
الشكل 1: الممثل MR وصور PET/CT. MR وPET / CT صور الساق الخلفية اليمنى من التي لم تتطور الانبثاث على مدى الدراسة (عمودين في أقصى اليسار، مع صور من يوم 10 واليوم 30 PI)، والحيوان الذي وضعت الانبثاث بين يوم 10 واليوم 30 PI (عمودين في أقصى اليمين، الانبثاث ملحوظ مع السهام). لاحظ شدة الإشارة العالية من الانبثاث في الصور T2w (الصف العلوي)، وتعزيز التباين يصورها زيادة المساحة تحت المنحنى (AUC؛ الصف الثاني)، وزيادة الحد الأقصى لقيمة الامتصاص القياسية في PET/CT(SUV ماكس؛ الصف الثالث). لاحظ أنه لا توجد اختلافات مرئية في الصور المكتسبة في اليوم 10 PI (العمود الأول والثالث) بين الحيوان مع الانبثاث في اليوم 30 PI والحيوان الذي لم تتطور الانبثاث العظام. وقد تم تعديل هذا الرقم من Ellmann et al.5. الرجاء النقر هنا لعرض نسخة أكبر من هذا الرقم.

Figure 2
الشكل 2: تقييم خصائص التصوير وتجميعها في جدول بيانات. (أ)تم تحليل تعزيز التباين الديناميكي لنخاع العظم في الساق القريبة مع عارض DICOM المجاني15 باستخدام البرنامج المساعدDCE 16. تم حفظ القياسات ذات الصلة، و (B) مزيد من التحليل مع DCE-Script.R-file المقدمة في RStudio17. (C) تم نسخ الإخراج إلى جدول بيانات (راجع المواد التكميلية لقالب). (D) وبالمثل، تم إجراء قياس DCE للأنسجة العضلية المجاورة، وتحليلها باستخدام RStudio (E)،ومن ثم نسخها إلى جدول البيانات. تم تطبيع البيانات عن طريق تقسيم نتائج قياسات العظام على نتائج قياسات العضلات (C؛ الخلايا المظللة السلمون). (F) تم إجراء قياسات PET/CT مع برنامج البائع. تم حساب الحد الأقصى لقيمة الامتصاص القياسي بقسمة القياس على النشاط المحقون وضربه في وزن جسم الحيوان. تم نسخ النتيجة في وقت لاحق في جدول البيانات. الرجاء النقر هنا لعرض نسخة أكبر من هذا الرقم.

Figure 3
الشكل 3: تصنيف الميزات. تم ترتيب ميزات التصوير المكتسبة ضمن تصور البيانات مفتوحة المصدر ، والتعلم الآلي ، ومجموعة أدوات تعدين البيانات18 عن طريق استيراد جدول البيانات عبر "ملف" - روتين فرعي ، وتحليلها عبر "رتبة" - روتين فرعي. الرجاء النقر هنا لعرض نسخة أكبر من هذا الرقم.

Figure 4
الشكل 4: ناتج RStudio التمثيلي. تم تطوير خوارزمية التعلم الآلي باستخدام RStudio17 مع ملف TrainModel.R-Script المقدم. (أ)كشفت شبكة البحث بين تركيبات مقياس السبرامتر مختلفة للشبكة العصبية متوسط نموذج حجم ثلاث خلايا عصبية وانحلال 0.0005 باعتبارها الأمثل. (ب)باستخدام هذا الجمع بين مقياس الفرط، تم تدريب شبكة كاملة والتحقق من صحة عبر، لتصل إلى دقة إجمالية قدرها 85.7٪. (ج)تم حساب المعايير المعيارية لدقة التشخيص، بما في ذلك الحساسية، وخصوصية، والقيم التنبؤية الإيجابية والسلبية، ونسب الاحتمال، من مصفوفة الارتباك. (D) كشفت مؤامرة ROC تمثيلية للنموذج عبر التحقق من صحة مساحة تحت المنحنى (AUC) من 0.917. الرجاء النقر هنا لعرض نسخة أكبر من هذا الرقم.

الشكل التكميلي 1: نتيجة سلبية. أدى تغيير خوارزمية ML إلى شبكة عصبية دون حساب متوسط والامتناع عن تطبيع معلمات الإدخال إلى انخفاض المساحة تحت منحنى منحنى ROC من 0.917(الشكل 4D)إلى 0.594. الرجاء النقر هنا لتحميل هذا الملف.

الشكل التكميلي 2: تصنيف الميزات البديلة. وعلى النقيض من الطريقة القياسية التي تم تصويرها في الشكل 3، تم أيضًا إدخال متغير عشوائي ("Random"؛ تم تسليط الضوء عليه باللون الأزرق) ، مع إدراج أهميته في الترتيب. وأكد هذا النهج على اختيار تطبيقها من المتغيرات SUVماكس,PE, وUC. الرجاء النقر هنا لتحميل هذا الملف.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

ML خوارزميات هي أدوات قوية تستخدم لدمج العديد من الميزات التنبؤية في نموذج مجتمعة والحصول على دقة تتجاوز أن من مكونات منفصلة عند استخدامها وحدها. ومع ذلك، تعتمد النتيجة الفعلية على عدة خطوات حاسمة. أولاً، تعتبر خوارزمية ML المستخدمة عاملاً حاسماً، لأن خوارزميات ML المختلفة تسفر عن نتائج مختلفة. الخوارزمية المستخدمة في هذا البروتوكول هو avNNet، ولكن الخوارزميات الواعدة الأخرى تشمل تعزيز التدرج الشديد21 أو الغابات العشوائية. حزمةالإقحام 20 لRStudio يوفر مجموعة كبيرة من الخوارزميات المختلفة (حاليا > 175) ، والبروتوكول المقترح هو مرنة للغاية من حيث التحول من خوارزمية واحدة إلى أخرى عن طريق تغيير ببساطة خطوط واحدة من التعليمات البرمجية (على سبيل المثال ، تغيير الأسلوب = "avNNet" إلى الأسلوب ="rf") وتكييف TunedGrid إعدادات خوارزمية ML المعنية. للحصول على التفاصيل، راجع github github المخزن22. وقد نشر فيرنانديز ديلغادو وآخرون23 نظرة عامة ممتازة على مختلف الخوارزميات وأدائها فيما يتعلق بمشاكل التصنيف المختلفة، ويمكن أن يكون بمثابة نقطة انطلاق لتجارب أخرى.

عامل آخر حاسم هو اختيار الميزات ذات الصلة لتضمينها في خوارزمية ML. يقترح هذا البروتوكول استخدام طريقة التصفية ، "كسب المعلومات"19، لترتيب الميزات المتاحة بترتيب تنازلي واستخدام الأكثر ملاءمة لتدريب avNNet. وتستند أساليب التصفية فقط على الافتراضات العامة، مثل الارتباط مع المتغير للتنبؤ، لذلك يجب على الباحثين تحديد المعالم بشكل مسبق بشكل مستقل عن المصنف المستخدم24،25. هذه الأساليب فعالة بشكل خاص في وقت الحساب وقوية إلى الإفراط في التكطيب. ومع ذلك، يتم تعريف قطع التي تفصل ذات الصلة من ميزات غير ذات صلة من قبل المستخدم، مما يجعلها تعسفية إلى حد ما. للبروتوكول المقترح, واستخدمت الميزات مع الحصول على معلومات أعلى 75%, المقابلة لMAXSUV, PE, وUC. ومع ذلك، يمكن تعزيز هذا الاختيار بشكل منهجي من خلال تضمين متغير عشوائي لا علاقة له بالهدف، وحساب كسب المعلومات، ومن ثم مقارنتها بالحصول على المعلومات من الميزات الحقيقية (الشكلالتكميلي 2). هذا النهج أكثر قليلا أكثر تطورا بالإضافة إلى تأكيد اختيار السمات الثلاث المذكورة أعلاه باعتبارها الأكثر أهمية. ومع ذلك، توجد عدة أساليب مختلفة للتصفية، جنبا إلى جنب مع الطرق الأخرى التي تحدد الميزات فيما يتعلق خوارزمية مصنف معين، مثل أساليب استخراج ميزة والمغلف. قد تؤدي طرق اختيار الميزات المختلفة إلى نتائج مختلفة.

لضمان قابلية التعميم للخوارزمية ML ومنع المزيد من الإفراط في الملاءمة، يطبق البروتوكول المقترح التحقق من صحة الإجازات من واحد إلى الخارج (LOOCV). ومع ذلك، فإن أفضل طريقة هي إزالة مجموعة فرعية من مجموعة البيانات بأكملها بشكل عشوائي، والتعامل معها على أنها مجموعة اختبار. ثم يتم تدريب خوارزمية ML على ما تبقى من البيانات (أي مجموعة التدريب) للتنبؤ بعد ذلك بنتيجة مجموعة الاختبار. غير أن هذا النهج يحتاج إلى مجموعة بيانات كبيرة بما فيه الكفاية. بالنسبة لأحجام العينة الأصغر ، فإن تطبيق LOOCV شائع لأنه يوفر تقديرًا غير متحيز تقريبًا لقدرة التعميم الحقيقية للنموذج26. في LOOCV، تتم إزالة نقطة البيانات الأولى من مجموعة البيانات، ويتم تدريب avNNet مع البيانات المحتجزة. ثم، يتم توقع نتيجة نقطة البيانات المحجبة سابقًا وحفظها. يتم تكرار هذه العملية لكافة نقاط البيانات، بحيث يتم توقع كل نتيجة في النهاية مع البيانات التي لم يتم استخدامها لتدريب الخوارزمية. وتشمل أساليب التحقق الأخرى من صحة x-fold عبر التحقق من صحة (الأكثر شيوعا 10 أضعاف) ويمكن بسهولة تطبيقها عن طريق تغيير المعلمة trainControl المعنية داخل رمز إلى الأسلوب = "السيرة الذاتية".

من وجهة نظر كمية، وعادة ما يتم تقييم الصور الطبية بطريقة أساسية جدا، والاعتماد إلى حد كبير على قياسات حجم وشكل الآفات أو المناطق التي يحتمل أن تكون مشبوهة27،28. ومع ذلك ، فإن ميزة التصوير الرقمي والاتصالات في الطب (DICOM) القياسية هو أنه يسمح استخراج العديد من الميزات ، ويشار إلى radiomics. تم تعريف مصطلح "radiomics" في البداية على أنه استخراج عالي الإنتاجية لكميات كبيرة من ميزات الصورة29، ولكن تم توسيعه لاحقًا ليشمل تحويل الصور إلى بيانات الأبعاد الأعلى30. ومع ذلك، يتم استخدام البيانات ذات الأبعاد الأعلى بشكل رئيسي لتحديد الارتباطات بدلاً من الأسباب30. تقع الميزات الموصوفة في هذا البروتوكول بين الميزات الإشعاعية الكلاسيكية، مثل الحجم والشكل، وشعاعات، لأنها تشبه المعلمات المقبولة بشكل عام من الأوعية الدموية والنشاط الأيضي. وهذا يوفر علاقة سببية محتملة إلى microinvasion الخلايا السرطانية نشرها. إذا رغبت من قبل المستخدم، يمكن إجراء استخراج من ميزات radiomic مع حزم برامج مختلفة31.

لا يقتصر البروتوكول المتوفر على عدد محدود من الميزات. وهكذا، يمكن استخدامه مع مجموعات بيانات أجهزة الراديو الكبيرة. ومع ذلك، فإن مسألة اختيار الميزات المذكورة أعلاه تزداد أهمية مع تزايد مجموعات البيانات. ويمكن أيضا أن يتم نقل البروتوكول المقدمة إلى إعدادات الدراسة المختلفة، على سبيل المثال، من مجالات الأورام، والعدوى، أو التهاب32.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

ويعلن أصحاب البلاغ عدم وجود تضارب في المصالح. ولم يكن للممولين أي دور في تصميم الدراسة؛ في جمع البيانات أو تحليلها أو تفسيرها؛ في كتابة المخطوطة، أو في قرار نشر النتائج.

Acknowledgments

وقد دعم هذا العمل مؤسسة البحوث الألمانية (DFG، مركز البحوث التعاونية CRC 1181، المشروع الفرعي Z02؛ برنامج الأولوية μBone، مشاريع BA 4027/10-1 و BO 3811)، بما في ذلك دعم إضافي لأجهزة المسح الضوئي (INST 410/77-1 FUGG و INST 410/93-1 FUGG)، ومن قبل مبادرة الحقول الناشئة (EFI) "Big Thera" من جامعة فريدريش ألكسندر إرلانجن-نورنبيرغ.

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

أبحاث السرطان، العدد 162، التعلم الآلي، الشبكات العصبية، نقائل العظام، الخلايا السرطانية المنشورة، الأورام الثدي، التصوير متعدد المناظير
خوارزميات التعلم الآلي للكشف المبكر عن الانبثاث العظام في نموذج الفئران التجريبية
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