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

אלגוריתמים למידת מכונה לגילוי מוקדם של גרורות עצם במודל עכברוש ניסיוני

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

פרוטוקול זה נועד לאמן אלגוריתם למידת מכונה להשתמש בשילוב של פרמטרי הדמיה הנגזרים מהדמיית תהודה מגנטית (MRI) ומטוגרפיה של פליטת פוזיטרונים/טומוגרפיה ממוחשבת (PET/CT) במודל חולדה של גרורות עצם סרטן השד כדי לזהות מחלה גרורתית מוקדמת ונבא התקדמות עוקבת למקרומטאזאזים.

Abstract

אלגוריתמי למידת מכונה (ML) מאפשרים שילוב של תכונות שונות במודל כדי לבצע משימות סיווג או רגרסיה בדיוק העולה על מרכיביו. פרוטוקול זה מתאר את הפיתוח של אלגוריתם ML כדי לחזות את הצמיחה של סרטן השד עצם macrometastases במודל חולדה לפני כל חריגות נצפות עם שיטות הדמיה סטנדרטיות. אלגוריתם כזה יכול להקל על זיהוי של מחלה גרורתית מוקדמת (כלומר, מיקרומטאזיס) כי הוא חסר באופן קבוע במהלך בדיקות היערכות.

מודל גרורות מיושם הוא ספציפי לאתר, כלומר החולדות לפתח גרורות אך ורק ברגל האחורית הימנית שלהם. קצב גידול לקחת של המודל הוא 60%-80%, עם macrometastases הופך גלוי בהדמיית תהודה מגנטית (MRI) טומוגרפיה פליטת פוזיטרונים / טומוגרפיה ממוחשבת (PET / CT) בתת קבוצה של בעלי חיים 30 ימים לאחר אינדוקציה, בעוד קבוצת משנה שנייה של בעלי חיים אינם מציגים גידול.

החל מבדיקות תמונה שנרכשו בנקודת זמן מוקדמת יותר, פרוטוקול זה מתאר את החילוץ של תכונות המצביעות על כלי דם רקמות שזוהו על ידי MRI, חילוף חומרים גלוקוז על ידי PET / CT, ואת הקביעה הבאה של התכונות הרלוונטיות ביותר לחיזוי של מחלה מקרומטסטטית. תכונות אלה מוזן לאחר מכן לרשת עצבית ממוצעת מודל (avNNet) כדי לסווג את בעלי החיים לאחת משתי קבוצות: אחד שיפתח גרורות והשני שלא יפתח כל גידולים. הפרוטוקול מתאר גם את החישוב של פרמטרי אבחון סטנדרטיים, כגון דיוק כולל, רגישות, ספציפיות, ערכי חיזוי שליליים/חיוביים, יחסי סבירות ופיתוח מאפיין הפעלה של מקלט. יתרון של הפרוטוקול המוצע הוא הגמישות שלה, כפי שהוא יכול להיות מותאם בקלות כדי לאמן שפע של אלגוריתמים ML שונים עם שילובים מתכווננים של מספר בלתי מוגבל של תכונות. יתר על כן, זה יכול לשמש כדי לנתח בעיות שונות באונקולוגיה, זיהום, ודלקת.

Introduction

מטרת פרוטוקול זה היא לשלב מספר פרמטרי הדמיה פונקציונליים מ-MRI ו-PET/CT באלגוריתם ML של רשת עצבית ממוצעת מודל (avNNet). אלגוריתם זה חוזה את הצמיחה של macrometastases במודל חולדה של גרורות עצם סרטן השד בנקודת זמן מוקדמת, כאשר שינויים מאקרוסקופיים בתוך העצם עדיין לא גלויים.

לפני הצמיחה של macrometastases, פלישת מח עצם של תאים סרטניים מוזרים מתרחשת, המכונה בדרך כלל מחלה מיקרומטסטטית1,,2. פלישה ראשונית זו יכולה להיחשב כצעד מוקדם במחלה גרורתית, אך בדרך כלל היא חסרה במהלך בדיקותהיערכות קונבנציונליות 3,4. למרות שמערכת ההדמיה הזמינה כיום אינה יכולה לזהות מיקרו-חדירה של מח עצם בעת שימוש בלבד, שילוב של פרמטרי הדמיה המניבים מידע על vascularization ופעילות מטבולית הוצג הביצועיםטובים יותר 5. יתרון משלים זה מושגת על ידי שילוב פרמטרי הדמיה שונים לתוך avNNet, שהוא אלגוריתם ML. avNNet כזה מאפשר חיזוי אמין של היווצרות מקרומטאזים עצם לפני כל גרורות גלויות נמצאים. לכן, שילוב סמנים ביולוגיים הדמיה לתוך avNNet יכול לשמש פרמטר חלופי עבור מיקרו-חדירה מח עצם ומחלה גרורתית מוקדמת.

כדי לפתח את הפרוטוקול, מודל שתואר בעבר של גרורות עצם סרטן השד בחולדות עירוםשימש 6,7,8. היתרון של מודל זה הוא ספציפיות האתר שלה, כלומר בעלי החיים לפתח גרורות גרמיות אך ורק ברגל האחורית הימנית שלהם. עם זאת, שיעור הגידול לקחת של גישה זו הוא 60%-80%, כך מספר ניכר של בעלי חיים אינם מפתחים גרורות במהלך המחקר. באמצעות נהלי הדמיה כגון MRI ו- PET/CT, הנוכחות של גרורות ניתנת לזיהוי מהיום 30 postinjection (PI). בנקודות זמן מוקדמות יותר (למשל, 10 PI) הדמיה אינה מבדילה בין בעלי חיים שיפתחו מחלה גרורתית ואלה לא(איור 1).

avNNet שהוכשר על פרמטרי הדמיה פונקציונליים שנרכשו ביום 10 PI, כמתואר בפרוטוקול הבא, מנבא או לא כולל את הצמיחה של macrometastases בתוך ~ 3 שבועות הבאים. רשתות עצביות משלבות צמהים מלאכותיים בשכבות שונות. בפרוטוקול המחקר, הפרמטרים הדמיה פונקציונלית לאספקת דם מח עצם ופעילות מטבולית מייצגים את השכבה התחתונה, בעוד החיזוי של ממאירות מייצג את השכבה העליונה. שכבת ביניים נוספת מכילה צמהים מוסתרים המחוברים הן לשכבה העליונה והן לשכבה התחתונה. עוצמת החיבורים בין צמהוני השונות מתעדכנת במהלך ההדרכה של הרשת לביצוע משימת הסיווג המתאימה עם דיוק גבוה9. הדיוק של רשת עצבית כזו ניתן להגדיל עוד יותר על ידי ממוצע הפלטים של מספר דגמים, וכתוצאה מכך avNNet10.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

כל הטיפול וההליכים הניסיוניים בוצעו בהתאם לחקיקה לאומית ואזורית בנושא הגנה על בעלי חיים, וכל ההליכים בבעלי חיים אושרו על ידי ממשלת צרפת, גרמניה (מספר סימוכין 55.2 DMS-2532-2-228).

1. אינדוקציה של גרורות עצם סרטן השד ברגל האחורית הימנית של חולדות עירום

הערה: תיאור מפורט של האינדוקציה של גרורות עצם סרטן השד בחולדות עירום פורסם במקוםאחר 6,8. השלבים הרלוונטיים ביותר מוצגים להלן.

  1. תרבות MDA-MB-231 תאים סרטניים בשד אנושי RPMI-1640, בתוספת 10% סרום עגל עוברי (FCS). שמור את התאים בתנאים סטנדרטיים (37°C, 5% CO2) ומעברלתאים 2-3 פעמים בשבוע.
  2. לשטוף תאי MDA-MB-231 כמעט confluent עם 2 mM EDTA בתמיסת מלח פוספט אגירה (PBS), ולאחר מכן לנתק את התאים עם 0.25% טריפסין. לקבוע את ריכוז התא עם התא של Neubauer ולתהוסת אותם ב 200 μL של RPMI-1640 בריכוז של 1.5 x 105 תאים / 200 μL.
  3. השתמש בחולדות עירום בנות 6-8 שבועות והן נמצאות בתנאים מבוקרים ונודרים ללא פתוגן (21°C ± טמפרטורת החדר ב-2°C, 60% לחות ו-12 שעות של קצב כהה בהיר). הצע הזנה משועבדת אוטומטית ומים אד libitum.
  4. לפני ביצוע הניתוח, להזריק תרופה משכך כאבים (למשל, Carprofen 4 מ"ג/ק"ג) תת עורי. לרדים חולדות עם isoflurane (1-1.5 כרך. %)/ תערובת חמצן בקצב זרימה של 2 L/min. בדוק את עומק ההרדמה על ידי צביטה בהון.
  5. לניתוח, השתמשו במיקרוסקופ הפעלה עם הגדלה של פי 16.
  6. בצע חיתוך של 2-3 ס"מ באזור ההגיוני הימני של העכברוש. לנתח את כל העורקים באזור ההגיוני הימני, כולל עורק הירך (FA), העורק האפיגסטרי שטחי (SEA), העורק הג'יניקולי היורד (DGA), עורק הפוצי (הרשות הפלסטינית) והעורק הספיני (SA). מקם שני קליפים נשלף על FA: אחד פרוקסימלי לתחילת הים, ואחד ישירות proximal לתחילת DGA.
  7. תחלק את החלק הדיסטלי של הים. לבצע חתך של קיר הים ולהכניס מחט בקוטר 0.3 מ"מ לתוך הים. חבר מזרק המכיל את מתלי התא ממדרגה 1.2 למחט. הסר את קליפ הדיסטלי מה- FA וחתוך את ה- SA במקום זאת.
  8. לאט להזריק את מתלה התא MDA-MB-231 מ שלב 1.2 (1.5 x 105 תאים / 200 μL) לתוך הים. הסר את המחט, תחתוך את הים, והסר את מהדקי העורקים. סגור את הפצע באמצעות מהדקים כירורגיים וסיום ההרדמה. לפקח על בעלי החיים מדי יום כדי להעריך את גודל הגידול וכל עדות לכאב.

2. הדמיית תהודה מגנטית (MRI)

הערה: לקבלת תיאור מפורט של נהלי MRI, ראה Bäuerle ואח '11.

  1. בצע MRI 10 ימים PI באמצעות סורק ניסיוני ייעודי (ראה טבלת חומרים)או מערכת MR אנושית עם סיליל בעלי חיים מתאים.
  2. להנימה את העכברוש עם isoflurane (1-1.5 כרך. %)/ תערובת חמצן כמתואר לעיל. שים צנתר בווהן הזנב של העכברוש והדבק אותו לזנב. חבר מזרק המכיל את סוכן הניגודיות (0.1 mmol/kg Gd-DTPA בכ- 0.5 מ"ל).
  3. שים את העכברוש המהרמה במערכת ה-MR. אתר את עצם הירך הדיסטלית ואת השוקה הפרוקסימלית של הרגל האחורית הימנית ברצף אנטומי (למשל, רצף הד טורבו ספין משוקלל T2; TR = 8,654 200 000 00:00:00,000 --& TE = 37 ms; מטריקס 320 x 272; FOV = 65 מ"מ x 55 מ"מ; עובי פרוסה = 1 מ"מ; זמן סריקה 11:24 דקות).
  4. לקבוע את הפרוסות המכסות את עצם הירך דיסטלית ואת השוקה הפרוקסימלית של הרגל האחורית הימנית ולהתחיל את רצף DCE-MRI (למשל, רצף מהיר זווית נמוכה ירה; ת"ר = 3.9 שניות; TE = 0.88 ms; מטריקס = 256 x 216; FOV = 65 x 54 מ"מ2; עובי פרוסה = 1 מ"מ; 8 פרוסות; 100 נקודות זמן; זמן סריקה = 8:25 דקות). לאחר 30 s, להתחיל להזריק את סוכן הניגודיות על פני פרק זמן של 10 s.
    הערה: הזמן הכולל לביצוע בדיקת MRI הוא כ-20 דקות לכל בעל חיים.

3. טומוגרפיה פליטת פוזיטרונים / טומוגרפיה ממוחשבת (PET / CT)

הערה: לקבלת תיאור מפורט של נהלי PET, אנא ראה צ'נג ב al.12.

  1. בצע הדמיית PET/CT 10 ימים PI באמצעות סורק ניסיוני ייעודי (ראה טבלת חומרים).
  2. שמור על החיות צום לפני הדמיה. להניא את העכברוש כמתואר בשלב 2.2 והכנסת צנתר לווהן הזנב כמתואר לעיל.
  3. להזריק 6 MBq של 18F-Fluorodeoxyglucose (18F-FDG) לתוך ויריד הזנב ולחכות ~ 30 דקות כדי לאפשר למעקב להפיץ כראוי.
  4. לבצע רכישת CT (מתח צינור = 80 kV, זרם צינור = 500 μA, רזולוציה isotropic = 48.9 μm, משך = 10 דקות).
  5. ביצוע רכישת PET סטטית (רמה מפלה נמוכה/עליונה = 350/650 keV; חלון תזמון = 3.438 ns; משך = 15 דקות).

4. אסטרטגיות הדמיה חלופיות

  1. להערכה מוקדמת של תאי MDA-MB-231 ברגל האחורית, לחסן 1.5 x 105 תאים עם תוויות /200 μL עבור bioluminescence (כלומר, תאים המביעים לוציפרין, MDA-MB-231-LUC13)או הדמיית פלואורסצנטית (כלומר, תאים המביעים חלבון פלורסנט ירוק או אדום, MDA-MB-231-GFP/RFP13). השתמש במערכת עבור הדמיה אופטית פרה-סרטנית כדי לזהות תאי MDA-MB-231 תוך-אוסיים לאחר חיסון תאים סרטניים14.
  2. לבצע אולטרסאונד ניסיוני באמצעות סורק ייעודי לאחר הזרקה תוך ורדי של microbubbles כדי להפיק פרמטרים מורפולוגיים ופונקציונליים של כלי דם דומה MRI7.

5. ניתוח MRI

  1. השתמש במציג DICOM15 עםתוסף DCE 16 ולטעון את רצף DCE במצב 4D על-ידי לחיצהעל" ייבוא " כפתור בתפריט העליון, בחירת תיקיית DICOM המכילה את תמונות MR ממדרגה 2.4, ולחיצה על "מציג 4D" בתפריט העליון.
  2. מקם אזור דו-ממדי מעגלי של עניין (ROI), עם גודל יעד של 1.5 מ"מ 2 , במחהעצםשל פיר הבירה הפרוקסימלי של הרגל האחורית הימנית, רצוי באמצעות מספרי תמונה 4 או 5 מהרצף המורכב מ- 8 תמונות, כאשר תמונות מרכז אלה מספקות תוצאות יציבות יותר.
  3. הפעל את תוסף DCE מהתפריט העליון, בחר "שיפור יחסי" בשדה "סוג התוויה" והגדר את טווח הבסיס מנקודות זמן 1 עד 5 על-ידי הקלדת מספרים אלה בשדות המתאימים. יצא את הניתוח כקובץ .txt עם הלחצן המתאים ובחר "DCEraw.txt" כשם הקובץ.
  4. פתח את RStudio17 וטען את הקובץ DCE-Script.R שסופק באמצעות "קובץ" תפריט על-ידי בחירה "פתח קובץ". הפעל את קובץ ה- Script כולועל-ידי בחירהבאפשרות " קוד ",לאחר מכן" הפעל אזור " ולאחרמכן" הפעל הכל " מהתפריט. העתק את הפלט לקובץ התבנית שסופק בשם "ImagingFeatures.xlsx" (איור 2).
  5. במציג DICOM, מקם ROI שני בתוך שריר הגב של בעל החיים וחזור על שלבים 5.2-5.4 כדי להשיג את מדידות DCE שריר למטרות נורמליזציה. בתוך הגיליון האלקטרוני "ImagingFeatures.xlsx", מדידות העצם המתאימות מחולקות באופן אוטומטי על ידי מדידות שרירים בהתאמה למטרות נורמליזציה.
  6. חזור על שלבים 5.1-5.5 עבור כל בעלי החיים והשלם את הגיליון האלקטרוני.

6. ניתוח PET/CT

  1. פתח את תוכנת ניתוח PET/CT וייבוא הנתונים שהתקבלו בשלב 3 על-ידי לחיצה על "קובץ", ואחריו "ייבוא ידני". סמן את קבצי ct.img.hd ואת קבצי pet.img.hdr. לחץOpenעל " פתח " ובחר "יבא הכל".
  2. פתח את ערכות הנתונים על-ידי בחירה ב "ניתוח כללי", ואחריו "אישור".
  3. בחר "ROI כימות "ואחריו "צור", ולאחר מכן " צורROI מתבנית". מניחים ROI דו מימדי כ 4 מ"מ x 6 מ"מ לתוך מח העצם של פיר הנוקסימלי של הרגל האחורית הימנית.
  4. בחר "ROIs (שכבת-על יעד 1)" ותרשום ערכי ממוצע, מינימום ומקסימום ב- Bq/mL.
  5. חשב את ערך ספיגה מתוקן מרבי (SUVמקסימום):חלק את הערך המרבי (Bq/mL) על-ידי הפעילות המוזרקת והכפל את התוצאה לפי משקל החיה בגרמים. הזן את התוצאה בגיליון האלקטרוני (איור 2).

7. קביעת שיעור גידול לקחת

  1. כדי לאבחן גידול צמיחה ברגל האחורית הימנית, לחזור MR ו PET / CT הדמיה ביום 30 PI, כמתואר לעיל.
    הערה: גידולים יהיו גלויים בבירור ביום 30 PI וכוללים נגעים T2w-hyperintense ושיפור ניגודיות ברור ב-MRI, יחד עםמקסימום SUV מוגבה בבירור PET / CT. על פי ניסויים קודמים, 60%-80% מבעלי החיים יפתחו גרורות ברגל ימין האחורית שלהם.
  2. השלם את הגיליון האלקטרוני על ידי הוספת טור "גידול" נוסף והזן "1" עבור כל בעל חיים המציג גרורות, ו-"0" עבור כל בעל חיים ללא נטל גידול גלוי(איור 2). שמור את הגיליון האלקטרוני כ- "ImagingFeatures.xlsx" בתוך התיקיה 'הורדות'.

8. בחירת תכונה

  1. כדי לקבוע את התכונות הרלוונטיות ביותר לחיזוי צמיחת גידול עתידית, יבא את הגיליון האלקטרוני לפריט חזותי של נתונים ב קוד פתוח, למידת מכונה וערכת כליםלכריית נתונים 18.
  2. צייר את רוטינת המשנה File מתפריט נתונים לסביבת העבודה בצד ימין ולחץ עליה פעמיים. טען את הגיליון האלקטרוני על-ידי לחיצהעלסמל " תיקיה " ובחר את הקובץ "ImagingFeatures.xlsx". בחר אתגליון העבודה" ייצוא " ולהקצות את תכונת היעד למשתנה "Tumor". הקצה אתהפונקציה" דלג " למספר החיה (איור 3).
  3. צייר אתרוטינתהמשנה " Rank " מתפריט נתונים לסביבת העבודה וחבר את רוטינות המשנה "קובץ" ו "דירוג" על-ידי ציור קו ביניהן.
  4. פתח אתרוטינת המשנה" Rank " על-ידי לחיצה כפולה על הסמל שלה ובחרבאלגוריתם" רווח מידע" 19.
  5. מתוך חמשת הפרמטרים שנרכשו, השתמשו בשלושה המובילים לניתוחים נוספים (SUVmax, PE ו-AUC).
    הערה: פרמטרים אלה משקפים פעילות מטבולית (SUVמקסימום)וסקולריזציה של רקמות (PE ו- AUC).

9. ניתוח ML

  1. פתח RStudio 3.4.117 ולטעון את TrainModel.R-Script שסופק באמצעות "קובץ" תפריט.
  2. התקן את הספריות הדרושות (זה צריך להיעשות רק פעם אחת) על ידי הקלדה: install.packages(c("caret", "readxl", "pROC", "RcmdrPlugin.EZR", "ggplot2"))
  3. כדי לטעון את הספריות הדרושות ולהגדיר את התיקיה הורדות כספיית העבודה, בחר את השורות 3-5 בתוך סקריפט TrainModel.R.
  4. הפעל את הקוד הנבחר על-ידילחיצה על" קוד " בתוך התפריט ולאחר מכן "הפעל את שורת נבחרות".

10. הכשרת אלגוריתם avNNet ML

  1. כדי לאמן אלגוריתם avNNet, בחר את הקווים 8-39 מתוך TrainModel.R-Script (ראה שלב 9.1).
  2. הפעל את הקוד הנבחר על-ידילחיצה על" קוד " בתוך התפריט ולאחר מכן "הפעל את שורת נבחרות".

11. ניתוח התוצאות של אלגוריתם ML

  1. כדי להעריך פרמטרים סטנדרטיים של דיוק אבחון (רגישות, ספציפיות, ערכי חיזוי חיוביים ושליליים ויחסי סבירות), בחר את הקווים 41-50 מתוך TrainModel.R-Script.
  2. הפעל את הקוד הנבחר על-ידילחיצה על" קוד " בתוך התפריט ולאחר מכן "הפעל את שורת נבחרות".

12. השוואת עקומת מאפיין ההפעלה (ROC) של המקבל הסופי עם עקומות ROC של הפרמטרים המרכיבים אותו

  1. כדי לבצע את הבדיקות של DeLong כדי להשוות את עקומת ROC של הדגם עם עקומות ROC של הפרמטרים המרכיבים אותו, בחר את הקווים 52-62 מתוך TrainModel.R-Script (ראה שלב 9.1).
  2. הפעל את הקוד הנבחר על-ידילחיצה על" קוד " בתוך התפריט ולאחר מכן "הפעל את שורת נבחרות".

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

החולדות התאוששו במהירות מהניתוח וההזרקה של תאי סרטן השד MDA-MB-231 ולאחר מכן היו נתונים להדמיית MR ו PET / CT בימים 10 ו 30 PI(איור 1). ניתוח DCE מייצג של השוקה הפרוקסימלית הימנית של חולדה מוצג איור 2A. מידות הגלם של DCE נשמרו על-ידי בחירהבלחצן" ייצוא" ובחירה באפשרות "DCEraw.txt" כשם הקובץ.

החישובים הבאים של הפרמטרים הדינמיים, AUC, PE ו- washout בוצעו ב- RStudio עם התסריט המתאים. הפלט של מדידות DCE היה צריך להידמר כ- "DCEraw.txt" בתוך התיקיה "הורדות", כךשהקובץ יכול להיות פועל ישירות ללא תצורות נוספות כדי לספק טבלת נתונים, כמתואר איור 2B . נתונים אלה הועתקו בגיליון האלקטרוני שסופק (איור 2C). באופן דומה, הפרמטרים DCE עבור רקמת שרירים נקבעו והועברו גיליון האלקטרוני(איור 2D,E). ערכים אלה היו מנורמלים על ידי חלוקת מדידות העצם על ידי מדידות שריר; פעולה זו בוצעה באופן אוטומטי בתוך הגיליון האלקטרוני. מתוך PET/CT, ערכי SUVהמחושבים מרבי הועברו לאחר מכן לטבלה(איור 2F).

ביום 30 PI, כל בעלי החיים הוערכו כדי לקבוע אם הם פיתחו גרורות, והטבלה הושלמה על ידי קידוד נטל גידול חיובי כמו "1" ובעלי חיים בריאים כמו "0" בתוך העמודה הימנית ביותר של הגיליון האלקטרוני (איור 2C).

הגיליון האלקטרוני יובא לתוך החזות נתונים ב קוד פתוח, למידת מכונה, וערכת כלים כריית נתונים, ודירוגתכונהחשף את מקסימום SUV , PE, ו AUC כמו שלוש התכונות המובילות לחיזוי של מחלה גרורתית (איור 3). פרמטרים אלה משקפים פעילות מטבולית (SUVמקסימום)וסקולריזציה של רקמות (PE ו- AUC).

הפעלת סקריפט TrainModel.R ייבאה באופן אוטומטי את הגיליון האלקטרוני וחשבה avNNet. השילוב האופטימלי של hyperparameter נקבע(איור 4A) והדגםהסופי חושב לאחר מכן באמצעות שילוב hyperparameter אופטימלי(איור 4B). לאחר מכן, קבוצה של פרמטרי אבחון סטנדרטיים חושבה (איור 4C) ועקומה ROC של המודל התווה (איור 4D).

התוצאה החיובית מוצגת באות 4B–D. השוואה של עקומת ROC של הדגם עם עקומת ROC של שלושת המרכיבים שלה (כלומר, AUC, PE, ו SUVמקסימום)גילה כי המודל ביצע באופן משמעותי טוב יותר מאשר כל שלושת המרכיבים שלה (p = 0.01 עבור AUC, p = 0.003 עבור PE, ו p = 0.007 עבור SUVמקסימום). השילוב של שלושת הפרמטרים הנבחרים ל-avNNet היה רגיש יותר, ובכך אפשר חיזוי של מחלה מאקרוסקופית עם דיוק כולל של 85.7% (מרווח ביטחון של 95% = 67.3%-96.0%). תוצאות אלה התקבלו מניתוח של 28 דגימות. ניתן לצמצם עוד יותר את מרווחי הביטחון על ידי הגדלת מספר בעלי החיים.

את התוצאות השליליות ניתן להשיג כמתואר כאן. אמצעי הדיוק היו רגישים מאוד לסוגים ספציפיים של אלגוריתמים של למידת מכונה ולצעדים של קדם-עיבוד נתונים. רשתות עצביות, בפרט, נטו לבצע טוב יותר כאשר נתוני הקלט היו מנורמלים. כך הושגה הפונקציה "BoxCox" בסעיף 10 של הפרוטוקול (קווים 22 ו- 36 בתוך TrainModel.R-Script שסופק). הימנעות מנורמליזציה ושימוש באלגוריתם אחר (למשל, רשת עצבית לא ממוצעת), על ידי שינוי השיטה ל-"nnet" (קווים 21 ו- 35 בתוך TrainModel.R-Script שסופק), הביאה לאזור של 0.594 מתחת לעקומת ROC(איור משלים 1). מודל כזה לא הצליח להשתפר באופן משמעותי על שלושת המרכיבים שלו (כל p > 0.15).

מאחר שקובץ ה- Script היה ממוטב עבור RStudio 3.4.1 וחבילת caret גירסה 6.0-84, שימוש בגירסאות תוכנה שונות עשוי להניב תוצאות שונות. הפעלת קבצי ה- Script שסופקו עם גירסאות התוכנה המשמשות בכתב יד זה תעניק תוצאות דומות. עם זאת, אם הקוראים שואפים לשנות את קובץ ה- Script, להוסיף משתנים נוספים, לשנות תיקיות מסמכים או שמות קבצים, או לשנות את אלגוריתמי למידת המחשב בפירוט רב יותר, יהיה צורך בהתאמות של הקוד. במקרים אלה, המדריך של חבילת ה-caret מציע הסברים מעמיקים20.

Figure 1
איור 1: תמונות מייצגות של MR ו-PET/CT. תמונות MR ו-PET/CT של הרגל האחורית הימנית של בעל חיים שלא פיתח גרורות במהלך המחקר (שתי עמודות שמאליות ביותר, עם תמונות מהיום 10 והיום 30 PI), וחיה שפיתחה גרורות בין היום 10 ליום 30 PI (שתי עמודות ימניות, גרורות המסומנות בחצים). שים לב לעוצמת האות הגבוהה של גרורות בתמונות T2w (שורה עליונה), שיפור הניגודיות המתואר על-ידי האזור המוגבר מתחת לעקומה (AUC; שורה שנייה), וערך ספיגה מתוקן מרבי מוגבר ב- PET/CT (SUVmax; שורה שלישית). שים לב כי אין הבדלים גלויים בתמונות שנרכשו ביום 10 PI (עמודה ראשונה ושלישית) בין בעל החיים עם גרורות ביום 30 PI לבין בעל החיים שפיתחו ללא גרורות עצם. נתון זה שונה מאלמן ואח'5. לחץ כאן כדי להציג גירסה גדולה יותר של נתון זה.

Figure 2
איור 2: הערכת תכונות ההדמיה וההידורה בגיליון אלקטרוני. (א)שיפור הניגודיות הדינמית של מח העצם של השוקה הפרוקסימלית נותח עם מציג DICOM freeware15 באמצעות תוסף DCE16. המדידות המתאימות נשמרו, ו- (B) נותחו עוד יותר עם קובץ DCE-Script.R שסופק ב- RStudio17. (ג)הפלט הועתק לגליון אלקטרוני (ראה חומר משלים עבור תבנית). (D)כמו כן, מדידת DCE בוצעה עבור רקמת שרירים סמוכה, נותחה באמצעות RStudio (E), ולאחר מכן הועתקה בגיליון האלקטרוני. הנתונים היו מנורמלים על ידי חלוקת התוצאות של מדידות העצם על ידי התוצאות של מדידות שריר (C; תאים מוצל סלמון). (ו)מידות PET/CT בוצעו עם התוכנה של הספק. ערך ספיגה מתוקן מרבי חושב על ידי חלוקת המדידה המתאימה על ידי הפעילות המוזרקת והכפלתו על ידי משקל הגוף של בעל החיים. התוצאה הועתקה לאחר מכן לתוך הגיליון האלקטרוני. לחץ כאן כדי להציג גירסה גדולה יותר של נתון זה.

Figure 3
איור 3: דירוג תכונה. דירוג תכונות ההדמיה שנרכשו בוצע בתוך פריט חזותי של נתונים ב קוד פתוח, למידת מכונה וערכת כלים לכריית נתונים18 על-ידי ייבוא הגיליון האלקטרוני באמצעות רוטינת המשנה "קובץ", וניתוחו באמצעות רוטינת המשנה "Rank". לחץ כאן כדי להציג גירסה גדולה יותר של נתון זה.

Figure 4
איור 4: פלט RStudio מייצג. אלגוריתם למידת מכונה פותח באמצעות RStudio17 עם קובץ TrainModel.R-Script שסופק. (א)חיפוש רשת בין שילובים שונים של hyperparumter עבור הרשת העצבית הממוצעת מודל גילה גודל של שלושה נוירונים וריקבון של 0.0005 כאופטימום. (ב)באמצעות שילוב hyperparameter זה, רשת מלאה אומנה וחוצה מאומת, והגיע דיוק כולל של 85.7%. (ג)פרמטרים סטנדרטיים של דיוק אבחון, כולל רגישות, ספציפיות, ערכי חיזוי חיוביים ושליליים, ויחסי הסבירות, חושבו מטריצת בלבול. (D) חלקת ROC מייצגת של המודל המאומת ים חשף אזור מתחת לעקומה (AUC) של 0.917. לחץ כאן כדי להציג גירסה גדולה יותר של נתון זה.

איור משלים 1: תוצאה שלילית. שינוי אלגוריתם ML לרשת עצבית מבלי לחשב בממוצע והימנעות מנורמליזציה של פרמטרי הקלט הובילו לירידה של האזור מתחת לעקומת עקומת ROC מ- 0.917 (איור 4D) ל- 0.594. אנא לחץ כאן כדי להוריד קובץ זה.

איור משלים 2: דירוג תכונה חלופית. בניגוד לשיטה הסטנדרטית המתוארת באות 3, הוצג גם משתנה אקראי ("אקראי"; מסומן בכחול), עם חשיבותו הכלולה בדירוג. גישה זו אישרה את הבחירה החלה של המשתנים SUVמקסימום, PE, ו AUC. אנא לחץ כאן כדי להוריד קובץ זה.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

אלגוריתמים של ML הם כלים רבי עוצמה המשמשים לשילוב מספר תכונות חזוי במודל משולב ולהשגת דיוק העולה על זה של המרכיבים הנפרדים שלו כאשר משתמשים בהם לבד. עם זאת, התוצאה בפועל תלויה במספר שלבים קריטיים. ראשית, אלגוריתם ML בשימוש הוא גורם מכריע, כי אלגוריתמים ML שונים מניבים תוצאות שונות. האלגוריתם המשמש בפרוטוקול זה הוא avNNet, אך אלגוריתמים מבטיחים אחרים כוללים את Extreme Gradient Boosting21 או יערות אקראיים. חבילת caret20 עבור RStudio מספקת שפע של אלגוריתמים שונים (כיום >175), והפרוטוקול המוצע גמיש מאוד במונחים של מעבר מאלגוריתם אחד למתיי על-ידי שינוי שורות קוד בודדות (לדוגמה, שינוי שיטת = "avNNet" לשיטה ="rf") והתאמה של הגדרות TunedGrid אלגוריתם ML בהתאמה. לפרטים, ראו מאגר ה-care github22. סקירה מצוינת של אלגוריתמים שונים והביצועים שלהם ביחס לבעיות סיווג שונות פורסמה על ידי פרננדז-דלגאדו ואח '23 והוא יכול לשמש נקודת התחלה לניסויים אחרים.

גורם מכריע נוסף הוא הבחירה של תכונות רלוונטיות לכלול באלגוריתם ML. פרוטוקול זה מציע להשתמש בשיטת המסנן, "מידערווח" 19, כדי לדרג את התכונות הזמינות בסדר יורד ולהשתמש בשיטות הרלוונטיות ביותר כדי לאמן את avNNet. שיטות סינון מבוססות רק על הנחות כלליות, כגון מתאם עם המשתנה לחיזוי, כך על החוקרים להחטיף מראש תכונות ללא תלות במסווגהמשמש 24,25. שיטות כאלה יעילות במיוחד בזמן החישוב וחזקות להולם יתר על כן. עם זאת, החיתוך המפריד בין תכונות רלוונטיות מוגדר על ידי המשתמש, מה שהופך אותו לשרירותי במקצת. עבור הפרוטוקול המוצע, התכונות עם העליון 75% רווח מידע שימשו, המקביל SUVמקסימום, PE, ו AUC. בחירה זו, עם זאת, ניתן לחזק באופן שיטתי על ידי הכללת משתנה אקראי שאין לו קשר ליעד, חישוב רווח המידע שלה, ולאחר מכן להשוות אותו לרווח המידע של התכונות האמיתיות(דמות משלימה 2). גישה מעט מתוחכמת יותר זו אישרה גם את הבחירה של שלוש התכונות הנ"ל גם יהיו הרלוונטיות ביותר. עם זאת, קיימות מספר שיטות סינון שונות, יחד עם גישות אחרות הבוחרות תכונות ביחס לאגוריתם מסווג מסוים, כגון שיטות חילוץ תכונות ועטיפה. גישות שונות לבחירת תכונה עשויות להניב תוצאות שונות.

כדי להבטיח הכללה של אלגוריתם ML ולמנוע התאמת יתר נוספת, הפרוטוקול המוצע מחיל אימות צולב של השארת אחד בחוץ (LOOCV). הגישה הטובה ביותר, עם זאת, תהיה להסיר באופן אקראי קבוצת משנה מערכת משנה מכל ערכת הנתונים, ולהתייחס אליה כסט בדיקה. לאחר מכן, אלגוריתם ה-ML מאומן על שארית הנתונים (כלומר, סט האימונים) כדי לחזות לאחר מכן את תוצאות סט הבדיקות. עם זאת, גישה זו זקוקה לערך נתונים גדול מספיק. עבור גדלים מדגם קטן יותר, יישום של LOOCV נפוץ כי הוא מספק הערכה כמעט משוחדת של יכולת הכללה אמיתית של מודל26. ב- LOOCV, נקודת הנתונים הראשונה מוסרת מתוך ערך הנתונים, וה- avNNet מאומן עם הנתונים השמורים. לאחר מכן, התוצאה של נקודת הנתונים שנמנעה בעבר נחזה ויישמרה. תהליך זה חוזר על עצמו עבור כל נקודות הנתונים, כך שבסופו של דבר כל תוצאה צפויה עם נתונים שלא שימשו להכשרת האלגוריתם. גישות אימות אחרות כוללות אימותים צולבים של קיפול x (בדרך כלל פי 10) וניתן להחילם בקלות על-ידי שינוי הפרמטר trainControl המתאים בתוך הקוד לשיטה ="CV".

מנקודת מבט כמותית, תמונות רפואיות מוערכות בדרך כלל באופן בסיסי מאוד, תוך הסתמכות רבה על מדידות של גודל וצורה של נגעים אואזורים חשודים פוטנציאליים 27,28. עם זאת, היתרון של ההדמיה הדיגיטלית ותקשורת ברפואה (DICOM) תקן הוא שהוא מאפשר חילוץ של תכונות רבות, המכונה רדיומיקה. המונח "רדיומיקה" הוגדר בתחילה כחילוץ בתפוקה גבוהה של כמויות גדולות שלתכונות תמונה 29, אך הוארך לאחר מכן כדי לכלול את המרת התמונות לנתונים ממדיים גבוהיםיותר 30. עם זאת, הנתונים הממדיים הגבוהים יותר משמשים בעיקר לזיהוי מתאם ולא גורם30. התכונות המתוארות בפרוטוקול זה נופלות בין תכונות רדיולוגיות קלאסיות, כגון גודל וצורה, ורדיומיקה, כפי שהם דומים לפרמטרים מקובלים של כלי דם ופעילות מטבולית. זה מציע קשר סיבתי פוטנציאלי למיקרו-חדירה של תאים סרטניים מופלים. אם המשתמש רוצה, חילוץ של תכונות רדיומיות יכול להתבצע עם חבילות תוכנה שונות31.

הפרוטוקול שסופק אינו מוגבל למספר מוגבל של תכונות. לכן, ניתן להשתמש בו עם ערכות נתונים רדיומיות גדולות. עם זאת, הנושא הנ"ל של בחירת תכונה הופך להיות חשוב יותר ויותר עם ערכות נתונים גדלות. הפרוטוקול המוצג ניתן גם להעביר להגדרות מחקר שונות, למשל, מהשדות של אונקולוגיה, זיהום, או דלקת32.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

המחברים לא מצהירים על ניגוד עניינים. למנומנים לא היה כל תפקיד בעיצוב המחקר; באיסוף, ניתוחים או פרשנות של נתונים; בכתב היד, או בהחלטה לפרסם את התוצאות.

Acknowledgments

עבודה זו נתמכה על ידי קרן המחקר הגרמנית (DFG, מרכז המחקר השיתופי CRC 1181, תת פרוייקט Z02; תוכנית עדיפות μBone, פרויקטים BA 4027/10-1 ו BO 3811), כולל תמיכה נוספת עבור מכשירי הסריקה (INST 410/77-1 FUGG ו INST 410/93-1 FUGG), ועל ידי יוזמת השדות המתעוררים (EFI) "ביג ת'רה" של פרידריך אלכסנדר-אוניברסיטת ארלנגן-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

חקר הסרטן גיליון 162 למידת מכונה רשתות עצביות גרורות עצם תאים סרטניים מופלים neoplasms השד הדמיה רב-פרמטרית
אלגוריתמים למידת מכונה לגילוי מוקדם של גרורות עצם במודל עכברוש ניסיוני
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