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

Алгоритмы машинного обучения для раннего обнаружения метастазов костей в экспериментальной модели крыс

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

Этот протокол был разработан для обучения алгоритма машинного обучения для использования комбинации параметров визуализации, полученных из магнитно-резонансной томографии (МРТ) и позитронно-эмиссионной томографии/компьютерной томографии (ПЭТ/КТ) в крысиной модели метастазов в кости рака молочной железы для выявления ранних метастатических заболеваний и прогнозирования последующего прогрессирования макрометастазы.

Abstract

Алгоритмы машинного обучения (ML) позволяют интеграцию различных функций в модель для выполнения задач классификации или регрессии с точностью, превышающей ее составляющие. Этот протокол описывает разработку алгоритма ML для прогнозирования роста макрометастазы костей молочной железы в крысиной модели до того, как какие-либо аномалии можно будет наблюдать стандартными методами визуализации. Такой алгоритм может способствовать выявлению ранних метастатических заболеваний (т.е. микрометастаза), которые регулярно пропускаются во время постановочных обследований.

Прикладная модель метастазов специфична для сайта, что означает, что у крыс метастазы развиваются исключительно в правой задней ноге. Скорость опухоли модели составляет 60%-80%, при этом макрометастасы становятся видимыми в магнитно-резонансной томографии (МРТ) и позитронно-эмиссионной томографии/компьютерной томографии (ПЭТ/КТ) в подмножестве животных через 30 дней после индукции, в то время как второй подмножество животных не имеет роста опухоли.

Начиная с изображений, полученных в более ранний момент времени, этот протокол описывает экстракции особенностей, которые указывают на васкуляризацию тканей обнаружены МРТ, метаболизм глюкозы ПЭТ / КТ, и последующее определение наиболее актуальных особенностей для прогнозирования макрометастатического заболевания. Эти функции затем подается в модели усредненные нейронной сети (avNNet), чтобы классифицировать животных в одну из двух групп: одна, которая будет развиваться метастазы, а другой, который не будет развиваться каких-либо опухолей. Протокол также описывает расчет стандартных диагностических параметров, таких как общая точность, чувствительность, специфичность, отрицательные/позитивные прогностический значения, коэффициенты вероятности и развитие операционной характеристики приемника. Преимуществом предлагаемого протокола является его гибкость, поскольку он может быть легко адаптирован для обучения множеству различных алгоритмов ML с регулируемыми комбинациями неограниченного числа функций. Кроме того, он может быть использован для анализа различных проблем в онкологии, инфекции и воспаления.

Introduction

Целью данного протокола является интеграция нескольких функциональных параметров визуализации из МРТ и ПЭТ/КТ в алгоритм M МЛ, усредненные по модели нейронной сети (avNNet). Этот алгоритм предсказывает рост макрометастазы в крысиной модели метастазов костей рака молочной железы в раннее время, когда макроскопические изменения внутри кости еще не видны.

До роста макрометастазы происходит вторжение костного мозга в рассеянные опухолевые клетки, обычно называемые микрометастатическимзаболеванием 1,,2. Это первоначальное вторжение можно считать ранним шагом в метастатических заболеваний, но, как правило, пропустили во время обычныхпостановочных обследований 3,4. Хотя имеющиеся в настоящее время методы визуализации не могут обнаружить микроинвазивность костного мозга при использовании в одиночку, было показано, что сочетание параметров изображения, дать информацию о васкуляризации и метаболическойактивности, былопоказано, что работает лучше 5 . Это дополнительное преимущество достигается путем объединения различных параметров изображения в avNNet, который является алгоритмом ML. Такой avNNet позволяет надежно прогнозировать образование макрометастазы костей до того, как побудут видны метастазы. Таким образом, интеграция биомаркеров изображений в avNNet может служить в качестве суррогатного параметра микроинвазивности костного мозга и ранних метастатических заболеваний.

Для разработки протокола была использована ранее описанная модель метастазов костей рака молочной железы уобнаженных крыс 6,,7,,8. Преимуществом этой модели является ее специфичность сайта, а это означает, что животные развивают костлявые метастазы исключительно в правой задней ноге. Тем не менее, уровень опухоли принять этот подход составляет 60%-80%, так что значительное число животных не развиваются какие-либо метастазы во время исследования. Используя такие методы визуализации, как МРТ и ПЭТ/КТ, наличие метастазов обнаруживается с 30-го дня после внравия (PI). В более ранние моменты времени (например, 10 PI) визуализация не проводит различия между животными, которые будут развиваться метастатические заболевания и те не будут (Рисунок 1).

AvNNet, обученный функциональным параметрам изображения, приобретенным на 10-й день PI, как описано в следующем протоколе, надежно предсказывает или исключает рост макрометастазы в течение следующих 3 недель. Нейронные сети объединяют искусственные узлы в разных слоях. В протоколе исследования функциональные параметры визуализации кровоснабжения костного мозга и метаболической активности представляют нижний слой, в то время как предсказание злокачественности представляет верхний слой. Дополнительный промежуточный слой содержит скрытые узлы, которые соединены как с верхним, так и с нижним слоем. Сила соединений между различными узлами обновляется во время тренировки сети для выполнения соответствующей задачи классификации с высокой точностью9. Точность такой нейронной сети может быть дополнительно увеличена за счет усреднения выходов нескольких моделей, в результате чего avNNet10.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

Все процедуры по уходу и экспериментам проводились в соответствии с национальным и региональным законодательством об охране животных, и все процедуры по защите животных были утверждены правительством штата Франкония, Германия (справочный номер 55.2 DMS-2532-2-228).

1. Индукция метастазов костей рака молочной железы в правой задней ноге обнаженных крыс

ПРИМЕЧАНИЕ: Подробное описание индукции метастазов кости рака молочной железы в обнаженных крыс была опубликована в другом месте6,8. Наиболее актуальные шаги представлены ниже.

  1. Культура MDA-MB-231 раковых клеток молочной железы человека в RPMI-1640, дополненный 10% фетальной сыворотки теленка (FCS). Держите клетки в стандартных условиях (37 градусов по Цельсию, 5% CO2) и пролетая клетки 2-3 раза в неделю.
  2. Вымойте почти слияние клеток MDA-MB-231 с 2 мМ ЭДТА в фосфатно-буферном солевом растворе (PBS), а затем отсоедините клетки с 0,25% трипсина. Определите концентрацию клеток с помощью камеры Нойбауэра и будем повторно использовать их в 200 МКЛ RPMI-1640 при концентрации 1,5х 10 5 клеток/200 МКЛ.
  3. Используйте 6-8 недельных обнаженных крыс и держите их под патогенными, контролируемыми условиями (21 градус по Цельсию ± 2 градуса комнатной температуры, 60% влажности и 12 ч светло-темного ритма). Предложение автоклавированных кормов и воды объявление libitum.
  4. Перед операцией вводите обезболивающее препарат (например, карпрофен 4 мг/кг) подкожно. Анестезировать крыс с изофлураном (1-1,5 воль. %) / кислородной смеси со скоростью потока 2 л / мин. Проверьте анестезию глубины ног щипать.
  5. Для операции используйте операционный микроскоп с 16-х увеличением.
  6. Выполните 2-3 см вырезать в правой паховой области крысы. Рассекаете все артерии в правой паховой области, включая бедренную артерию (FA), поверхностную эпигастрическую артерию (SEA), нисходящую геникулярную артерию (DGA), поплитаную артерию (PA) и сафенозную артерию (SA). Поместите два съемных клипа на FA: один проксимальный к началу SEA, а другой непосредственно проксимальный к началу DGA.
  7. Ligate дистальной части SEA. Выполните разрез стены SEA и вставьте иглу диаметром 0,3 мм в SEA. Подключите шприц, содержащий подвесную клетку, от шага 1.2 к игле. Удалите дистальный клип из FA и клип SA вместо.
  8. Медленно ввишать подвеску клетки MDA-MB-231 из шага 1.2 (1.5x 10 5 клеток/200 L) в SEA. Удалите иглу, лигат SEA, и удалить артерии клипы. Закройте рану хирургическими зажимами и прекратите анестезию. Мониторинг животных ежедневно, чтобы оценить размер опухоли и любые доказательства боли.

2. Магнитно-резонансная томография (МРТ)

ПРИМЕЧАНИЕ: Для подробного описания процедур МРТ, пожалуйста, см.11

  1. Выполните МРТ 10 дней PI с помощью специального экспериментального сканера (см. Таблица материалов)или человеческой системы MR с соответствующей катушки животных.
  2. Обезболить крысу изофлураном (1-1,5 вол.%) /кислородной смесью, как описано выше. Поместите катетер в хвостовую вену крысы и приклеив его к хвосту. Подключите шприц, содержащий контрастное вещество (0,1 ммоль/кг Gd-DTPA примерно в 0,5 мл).
  3. Поместите анестезировалую крысу в систему MR. Найдите дистальной бедренной кости и проксимальной голени правой задней ноги в анатомические последовательности (например, T2-взвешенный турбо спина эхо последовательности; ТР 8654 мс; ТЭ No 37 мс; матрица 320 x 272; FOV 65 мм x 55 мм; толщина ломтика 1 мм; время сканирования 11:24 мин).
  4. Определите ломтики, покрывающие дистальной бедренной кости и проксимальной голени правой задней ноги и начать DCE-MRI последовательности (например, быстрый низкий угол выстрела последовательности; ТР 3,9 мс; ТЭ 0,88 мс; матрица No 256 x 216; FOV 65 x 54 мм2; толщина ломтика 1 мм; 8 ломтиков; 100 очков времени; время сканирования 8:25 мин). После 30 с, начать инъекционные контрастного агента в течение периода времени 10 с.
    ПРИМЕЧАНИЕ: Общее время для проведения МРТ-обследования составляет около 20 минут на животное.

3. Позитронно-эмиссионная томография/компьютерная томография (ПЭТ/КТ)

ПРИМЕЧАНИЕ: Для подробного описания процедур ПЭТ, пожалуйста, смотрите Чэн на al.12.

  1. Выполните ПЭТ/КТ визуализацию 10 дней PI с помощью специального экспериментального сканера (см. Таблицу материалов).
  2. Держите животных поститься до изображения. Обезботь крысу, как описано в шаге 2.2 и вставить катетер в хвостовой вены, как описано выше.
  3. Ввись 6 MBq 18F-Fluorodeoxyglucose(18F-FDG) в хвостовую вену и подождите 30 мин, чтобы позволить трассировщику правильно распределить.
  4. Выполните приобретение КТ (напряжение трубки 80 кВ, ток трубки 500 ЗА, изотропное разрешение 48,9 мкм, продолжительность 10 мин).
  5. Выполните статическое приобретение ПЭТ (нижний/верхний дискриминационный уровень - 350/650 кВ; тайминг-окно - 3,438 н; продолжительность - 15 мин).

4. Альтернативные стратегии визуализации

  1. Для ранней оценки клеток MDA-MB-231 в задней ноге, привить 1,5 х 105 помеченных клеток /200 МКЛ для биолюминесценции (т.е. клеток, выражаюющих люциферин, MDA-MB-231-LUC13) или флуоресценцииизображений (т.е. клетки, выражаюющие зеленый или красный флуоресцентный белок, MDA-MB-231-GFP/RFP13). Используйте систему для доклинковой оптической визуализации для обнаружения интраоссозных клеток MDA-MB-231 после прививки опухолевыхклеток 14.
  2. Выполните экспериментальное УЗИ с помощью специального сканера после внутривенной инъекции микробузы для получения морфологических и функциональных параметров васкуляризации, сопоставимых с МРТ7.

5. МРТ-анализ

  1. Используйте DICOM viewer15 с DCE Plugin16 и загрузите последовательность DCE в 4D-режиме,нажавкнопку «Импорт» в верхнем меню, выбрав папку DICOM, содержащую MR-изображения из шага 2.4, инажав «4D Viewer»в верхнем меню.
  2. Поместите круговую 2-мерную область интереса (ROI), с целевым размером 1,5мм 2, в проксимальной области костного мозга вала правой задней ноги, предпочтительно с помощью изображений номера 4 или 5 из последовательности, состоящей из 8 изображений, так как эти центральные изображения обеспечивают более стабильные результаты.
  3. Запустите плагин DCE из верхнего меню, выберите«Относительноеулучшение» в поле«Типучастка» и определите базовый диапазон от точек времени 1 до 5, введя эти числа в соответствующие поля. Экспорт анализа в качестве файла .txt с соответствующей кнопкой и выбрать "DCEraw.txt" в качестве названия файла.
  4. Откройте RStudio17 и загрузите предоставленный файл DCE-Script.R через меню«Файл»,выбрав«Открытый файл». Запустите весь скрипт, выбрав «Code », затем« Run Region»,а затем «Run All» из меню. Копирование вывода в предоставленный файл шаблона под названием "ImagingFeatures.xlsx"(рисунок 2).
  5. В DICOM зрителя, место второй рентабельности инвестиций в задней мышцы животного и повторить шаги 5,2-5,4 для получения мышц DCE измерений для целей нормализации. В электронной таблице "ImagingFeatures.xlsx" соответствующие измерения костей автоматически делятся соответствующими измерениями мышц для целей нормализации.
  6. Повторите шаги 5.1-5.5 для всех животных и заполуйте электронную таблицу.

6. ПЭТ/КТ-анализ

  1. Откройте программное обеспечение для анализа ПЭТ/КТ и импортуте данные, полученные в шаге3,нажав кнопку «Файл », а затем«ручнойимпорт». Отметь файлы ct.img.hd и pet.img.hdr. Нажмите"Открыть"и выберите" Импортировать все".
  2. Откройте наборы данных, выбрав"Общий анализ",а затем"OK".
  3. Выберите "ROI Квантификация", а затем" Создать", а затем "Создать рентабельность инвестиций из шаблона". Поместите двухмерную рентабельность инвестиций примерно 4 мм х 6 мм в проксимальный грудной вал костного мозга правой задней ноги.
  4. Выберите"ROIs (целевая накладка 1)" и запишите средние, минимальные и максимальные значения в Bq/mL.
  5. Рассчитайте максимальное стандартизированное значение поглощения (SUVmax):разделите максимальное значение (Bq/mL) на впрыскиваемую активность и умножьте результат на вес животного в граммах. Введите результат в электронную таблицу(рисунок 2).

7. Определение скорости опухоли

  1. Чтобы диагностировать рост опухоли в правой задней ноге, повторите МРТ и ПЭТ/ КТ изображения на день 30 PI, как описано выше.
    ПРИМЕЧАНИЕ: Опухоли будут хорошо видны на день 30 PI и функция T2w-гиперинтенсивных поражений и четкое повышение контрастности в МРТ, наряду с четко повышенным внедорожникмакс в ПЭТ / КТ. Согласно предыдущим экспериментам, 60%-80% животных будут развиваться метастазы в правой задней ноге.
  2. Завершите электронную таблицу, добавив дополнительный столбец "Tumor" и введите "1" для каждого животного, которое представляет метастазы, и "0" для каждого животного без видимого бремениопухоли (рисунок 2). Сохраните электронную таблицу как "ImagingFeatures.xlsx" в папке Загрузки.

8. Выбор функций

  1. Чтобы определить наиболее релевантные функции для прогнозирования будущего роста опухоли, импортируем электронную таблицу в визуализацию данных с открытым исходным кодом, машинное обучение и инструментарий длясбора данных 18.
  2. Нарисуйте подпрограмму файлов из меню Data в рабочее пространство справа и дважды щелкните его. Загрузите электронную таблицу, нажав на значок"Folder"и выбрав файл "ImagingFeatures.xlsx". Выберите лист«Экспорт»и назначьте целевой атрибут переменной«Опухоль». Присвоитьфункцию"Пропустить" номеру животного(рисунок 3).
  3. Нарисуйтеподпрограмму «Rank» из меню Data в рабочее пространство и соедините подпрограммы«Файл»и «Rank», нарисовав грань между ними.File
  4. Откройтеподпрограмму«Rank», дважды нажав на значок, и выберите алгоритм«Информационнаяприбыль»19.
  5. Из пяти приобретенных параметров используйте тройку лидеров для дальнейшего анализа (SUVmax,PE и AUC).
    Примечание: Эти параметры отражают метаболическую активность (SUVmax)и васкуляризацию тканей (PE и AUC).

9. Анализ ML

  1. Откройте RStudio 3.4.117 и загрузите предоставленный TrainModel.R-Script черезменю «Файл».
  2. Установка необходимых библиотек (это нужно сделать только один раз) путем ввода: install.packages (c ("caret", "readxl", "pROC", "RcmdrPlugin.EZR", "ggplot2"))
  3. Чтобы загрузить необходимые библиотеки и установить папку Загрузки в качестве рабочего каталога, выберите строки 3-5 в скрипте TrainModel.R.
  4. Вы запустите выбранный код, нажав" Код" в меню, а затем "Вы запустите выбранную строку (ы)".

10. Обучение алгоритму avNNet ML

  1. Для обучения алгоритму avNNet выберите строки 8-39 из TrainModel.R-Script (см. шаг 9.1).
  2. Вы запустите выбранный код, нажав" Код" в меню, а затем "Вы запустите выбранную строку (ы)".

11. Анализ результатов алгоритма ML

  1. Для оценки стандартных параметров диагностической точности (чувствительность, специфичность, положительные и отрицательные прогнозные значения и коэффициенты вероятности) выберите линии 41-50 из TrainModel.R-Script.
  2. Вы запустите выбранный код, нажав" Код" в меню, а затем "Вы запустите выбранную строку (ы)".

12. Сравнение кривой операционной характеристики приемника окончательной модели (ROC) с кривыми ROC ее составных параметров

  1. Для выполнения тестов DeLong для сравнения кривой ROC модели с кривыми ROC составляющих параметров выберите линии 52-62 из TrainModel.R-Script (см. шаг 9.1).
  2. Вы запустите выбранный код, нажав" Код" в меню, а затем "Вы запустите выбранную строку (ы)".

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

Крысы быстро оправились от операции и инъекции клеток рака молочной железы MDA-MB-231, а затем подверглись МРА- и ПЭТ/ КТ изображений в дни 10 и 30 PI (Рисунок 1). Представитель DCE анализ правой проксимальной голени крысы представлен на рисунке 2A. Необработанные измерения DCE были сохранены путем выборакнопки «Экспорт»и выбора «DCEraw.txt» в качестве названия файла.

Последующие расчеты динамических параметров, AUC, PE и вымывания были выполнены в RStudio с соответствующим скриптом. Выход измерений DCE должен был быть сохранен как "DCEraw.txt" в папке "Downloads", так что скрипт может быть запущен непосредственно без дополнительных конфигураций, чтобы обеспечить таблицу данных, как по рисунку 2B. Эти данные были скопированы в предоставленную электронную таблицу(рисунок 2C). Аналогичным образом, параметры DCE для мышечной ткани были определены и переданы в электронную таблицу(рисунок 2D,E). Эти значения были нормализованы путем деления измерений костей на измерения мышц; это выполняется автоматически в электронной таблице. Из ПЭТ/КТ, рассчитанные значениявнедорожника макс были впоследствии переданы в таблицу(рисунок 2F).

На 30-й день ИП, все животные были оценены, чтобы определить, действительно ли они разработали метастазы, и таблица была завершена путем кодирования положительной нагрузки опухоли, как "1" и здоровых животных, как "0" в правой колонке таблицы (Рисунок 2C).

Таблица была импортирована в визуализацию данных с открытым исходным кодом, машинное обучение и инструментарий для сбора данных, а рейтинг функций показал, что suvmax,PE и AUC вошли в тройку лучших функций для прогнозирования метастатических заболеваний (рисунок 3). Эти параметры отражают метаболическую активность (SUVmax)и васкуляризацию тканей (PE и AUC).

Запуск скрипта TrainModel.R автоматически импортировал электронную таблицу и вычислял avNNet. Оптимальная комбинация гиперпараметра была определена(рисунок 4A),и окончательная модель была затем рассчитана с использованием оптимальной комбинации гиперпараметра(рисунок 4B). Впоследствии был рассчитан набор стандартных диагностических параметров(рисунок 4C)и построена кривая ROC модели(рисунок 4D).

Положительный результат показан на рисунке 4B-D. Сравнение кривой ROC модели с кривой ROC трех ее составляющих (т.е. AUC, PE и SUVmax)показало, что модель показала значительно лучше, чем все три ее компонента (р 0,01 для AUC, р 0,003 для PE, и р 0,007 для SUVmax). Сочетание трех выбранных параметров с avNNet было более чувствительным, что позволило прогнозировать макроскопическое заболевание с общей точностью 85,7% (95% интервал доверия 67,3%-96,0%). Эти результаты были получены в результате анализа 28 образцов. Интервалы доверия можно еще больше сузить за счет увеличения количества животных.

Отрицательные результаты можно получить, как описано здесь. Показатели точности были весьма чувствительны к определенным типам алгоритмов машинного обучения и к шагам предварительной обработки данных. Нейронные сети, в частности, как правило, работают лучше, когда входные данные были нормализованы. Это было достигнуто функцией "BoxCox" в разделе 10 протокола (линии 22 и 36 в рамках предоставленного TrainModel.R-Script). Отказ от нормализации и использование другого алгоритма (например, нейронная сеть не усреднелась), путем изменения метода на "nnet" (линии 21 и 35 в пределах предоставленного TrainModel.R-Script), привело к области 0,594 в соответствии с кривой ROC(Дополнительный рисунок 1). Такая модель не смогла значительно превзойти свои три составляющих (все р-н-н- 0,15).

Поскольку скрипт был оптимизирован для RStudio 3.4.1 и версии пакета caret 6.0-84, использование различных версий программного обеспечения может дать разные результаты. Запуск предоставленных скриптов с программными версиями, используемыми в этой рукописи, даст аналогичные результаты. Однако, если читатели стремятся изменить сценарий, добавить дополнительные переменные, изменить папки документов или имена файлов, или изменить алгоритмы машинного обучения более подробно, соответствующие корректировки кода будут необходимы. Для этих случаев, руководство caret-пакет предлагает углубленные объяснения20.

Figure 1
Рисунок 1: Представитель MR и ПЭТ / КТ изображения. MR и ПЭТ / КТ изображения правой задней ноги животного, которые не развиваются метастазы в ходе исследования (две левые колонны, с изображениями с 10-го дня и день 30 PI), и животное, которое разработало метастазы между 10 и днем 30 PI (две правые колонны, метастазы отмечены стрелками). Обратите внимание на высокую интенсивность сигнала метастазов на изображениях T2w (верхний ряд), повышение контрастности, изображенное увеличенной областью под кривой (AUC; второй ряд), и увеличенное максимально стандартизированное значение поглощения в ПЭТ/КТ (SUVmax;третий ряд). Обратите внимание, что нет никаких видимых различий в изображениях, полученных на день 10 PI (первый и третий столбец) между животным с метастазами на день 30 PI и животное, которое разработало не метастазы костей. Эта цифра была изменена с Эллманн и др.5. Пожалуйста, нажмите здесь, чтобы просмотреть большую версию этой цифры.

Figure 2
Рисунок 2: Оценка особенностей изображения и компиляция в электронную таблицу. (A) Динамический контраст повышения костного мозга проксимальной голени был проанализирован с freeware DICOM зрителя15 с помощью плагина DCE16. Соответствующие измерения были сохранены, и (B) далее проанализированы с предоставленным DCE-Script.R-файл в RStudio17. C)выход был скопирован в электронную таблицу (см. дополнительный материал для шаблона). (D) Аналогичным образом, измерение DCE было выполнено для смежных мышечной ткани, проанализированы с помощью RStudio (E), а затем скопированы в таблицу. Данные нормализовались путем деления результатов измерений костей по результатам мышечных измерений(C;лососевые клетки). (F)ИЗМЕРЕНИЯ ПЭТ/КТ проводились с программным обеспечением поставщика. Максимальное стандартизированное значение поглощения было рассчитано путем деления соответствующего измерения на инъекционной активности и умножения его на вес тела животного. Впоследствии результат был скопирован в электронную таблицу. Пожалуйста, нажмите здесь, чтобы просмотреть большую версию этой цифры.

Figure 3
Рисунок 3: Рейтинг объектов. Ранжирование приобретенных функций визуализации проводилось в рамках визуализации данных с открытым исходным кодом, машинногообучения и инструментария для сбора данных 18 путем импорта электронной таблицы через подпрограмму "Файл" и анализа ее с помощью подпрограммы "Rank". Пожалуйста, нажмите здесь, чтобы просмотреть большую версию этой цифры.

Figure 4
Рисунок 4: Представитель RStudio выход. Алгоритм машинного обучения был разработан с использованием RStudio17 с предоставленным файлом TrainModel.R-Script. (A) Поиск сетки среди различных комбинаций гиперпараметра для модели усредняя нейронная сеть показала размер трех нейронов и распад 0.0005 в качестве оптимального. (B)Используя эту комбинацию гиперпараметра, полная сеть была обучена и проверена, достигнув общей точности 85,7%. (C)Стандартные параметры диагностической точности, включая чувствительность, специфичность, положительные и отрицательные прогностический значения и коэффициенты вероятности, были рассчитаны из матрицы путаницы. (D)Представитель ROC участок кросс-проверенной модели показали области под кривой (AUC) 0,917. Пожалуйста, нажмите здесь, чтобы просмотреть большую версию этой цифры.

Дополнительная цифра 1: Отрицательный результат. Изменение алгоритма ML на нейронную сеть без усреднения и воздержания от нормализации входных параметров привело к падению области под кривой кривой ROC с 0,917(рисунок 4D)до 0,594. Пожалуйста, нажмите здесь, чтобы загрузить этот файл.

Дополнительная цифра 2: Альтернативный рейтинг функций. В отличие от стандартного метода, изображенного на рисунке 3,была также введена случайная переменная («Random»; выделена синим цветом), с ее важностью, включенной в рейтинг. Такой подход подтвердил прикладной выбор переменных SUVmax,PE и AUC. Пожалуйста, нажмите здесь, чтобы загрузить этот файл.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

Алгоритмы ML являются мощными инструментами, используемыми для интеграции нескольких прогностический элемент в комбинированную модель и получения точности, превышающей точность отдельных компонентов при использовании в одиночку. Тем не менее, фактический результат зависит от нескольких критических шагов. Во-первых, используемый алгоритм ML является решающим фактором, потому что различные алгоритмы ML дают разные результаты. Алгоритм, используемый в этом протоколе, является avNNet, но другие перспективные алгоритмы включают Extreme Gradient Boosting21 или Random Forests. Пакет уход20 для RStudio предоставляет множество различных алгоритмов (в настоящее время nogt;175), и предлагаемый протокол является весьма гибким с точки зрения перехода от одного алгоритма к другому, просто изменив отдельные строки кода (например, изменение метода - "avNNet" на метод "рф") и адаптации TunedGrid-настройки к соответствующему алгоритму ML. Для получения подробной информации см.22 Превосходный обзор различных алгоритмов и их производительности в отношении различных проблем классификации был опубликован Фернандес-Дельгадо идр. 23 и может служить отправной точкой для других экспериментов.

Другим важным фактором является выбор соответствующих функций для включения в алгоритм ML. Этот протокол предлагает использовать метод фильтра, "Информационная прибыль"19, чтобы ранжировать доступные функции в порядке убывания и использовать наиболее актуальные из них для обучения avNNet. Методы фильтрации основаны только на общих предположениях, таких как корреляция с переменной для прогнозирования, поэтому исследователи должны предварительно избирать функции независимо от используемогоклассификатора 24,,25. Такие методы особенно эффективны в вычислительном времени и надежны для переожения. Тем не менее, отсечки, которая отделяет соответствующие от нерелевантных функций определяется пользователем, что делает его несколько произвольным. Для предлагаемого протокола были использованы функции с максимальным 75% приростом информации, соответствующие SUVmax,PE и AUC. Этот выбор, однако, может быть систематически усилен путем включения случайной переменной, которая не имеет никакого отношения к цели, расчета его получения информации, а затем сравнения его с информационной выгоды реальных функций (Дополнительный рисунок 2). Этот несколько более сложный подход дополнительно подтвердил выбор трех вышеупомянутых функций как наиболее актуальных. Тем не менее, существует несколько различных методов фильтрации, наряду с другими подходами, которые выбирают функции в отношении конкретного алгоритма классификатора, такие как извлечение функций и методы обертки. Различные подходы к выбору объектов могут дать различные результаты.

Для обеспечения обываемости алгоритма ML и дальнейшего предотвращения перенапряжки предлагаемый протокол применяет перекрестную проверку (LOOCV). Наилучший подход, однако, заключается в том, чтобы случайным образом удалить подмножество из всего набора данных и рассматривать его как набор тестирования. Алгоритм ML затем обучается на оставшейся части данных (т.е. наборе обучения) для последующего прогнозирования результатов тестирования. Однако этот подход требует достаточно большого набора данных. Для меньших размеров выборки применение LOOCV является обычным явлением, поскольку обеспечивает почти объективную оценку истинной способности обобщениямодели 26. В LOOCV первая точка данных удаляется из набора данных, а avNNet обучается сохраненным данным. Затем прогнозируется и сохраняется результат ранее удержанной точки данных. Этот процесс повторяется для всех точек данных, так что, наконец, каждый результат прогнозируется с данными, которые не были использованы для обучения алгоритма. Другие подходы к проверке включают в себя x-fold перекрестные проверки (чаще всего в 10 раз) и могут быть легко применены путем изменения соответствующего параметра trainControl в коде на метод "CV".

С количественной точки зрения, медицинские изображения, как правило, оцениваются в очень простой способ, в значительной степени опираясь на измерения размера и формы потенциально подозрительных поражений илиобластях 27,28. Тем не менее, преимущество стандарта Digital Imaging and Communications in Medicine (DICOM) заключается в том, что он позволяет извлечения многих функций, называемых радиомики. Термин "радиомия" первоначально был определен как высокая пропускная способность извлечения больших количеств изображенийфункции 29, но впоследствии был расширен, чтобы включить преобразование изображений в более высокомерныхданных 30. Тем не менее, более высокие размерные данные в основном используются для определения корреляций, а непричин 30. Характеристики, описанные в этом протоколе, находятся между классическими радиологическими особенностями, такими как размер и форма, и радиомией, поскольку они напоминают общепринятые параметры васкуляризации и метаболической активности. Это обеспечивает потенциальную причинно-следственную связь с микроинвазивность распространяемых опухолевых клеток. При желании пользователя, извлечение радиомических функций может быть выполнено с различными пакетами программногообеспечения 31.

Предоставленный протокол не ограничивается конечным числом функций. Таким образом, он может быть использован с большими наборами данных радиомики. Тем не менее, вышеупомянутый вопрос выбора функций становится все более важным с ростом наборов данных. Представленный протокол также может быть передан в различные настройки исследования, например, из областей онкологии, инфекции или воспаления32.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Авторы заявляют об отсутствие конфликта интересов. Спонсоры не играли никакой роли в разработке исследования; в сборе, анализе или интерпретации данных; в написании рукописи или при принятии решения о публикации результатов.

Acknowledgments

Эта работа была поддержана Немецким исследовательским фондом (DFG, Центр совместных исследований CRC 1181, подпроект No02; Приоритетная программа «Бон», проекты BA 4027/10-1 и BO 3811), включая дополнительную поддержку сканирующих устройств (INST 410/77-1 FUGG и INST 410/93-1 FUGG), а также Инициативу по развивающимся полям (EFI) «Большая Тера» Фридриха-Александра-Университета Эрланген-Нюрнберга.

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

Исследования рака выпуск 162 машинное обучение нейронные сети метастазы костей распространенные опухолевые клетки неоплазмы молочной железы мультипараметрическая визуализация
Алгоритмы машинного обучения для раннего обнаружения метастазов костей в экспериментальной модели крыс
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