Name: Predicción de respuesta al tratamiento tratamientos guiados por imágenes mediante aprendizaje automático: un ejemplo para el Trans-Arterial tratamiento de Carcinoma Hepatocelular (Video) | JoVE Journal
Uploaded: 2018-10-10T15:00:00.000+00:00
Duration: 4 min 9 s
Description: Aprende a predecir la respuesta al tratamiento intraarterial en carcinoma hepatocelular mediante aprendizaje automático. Este método utiliza datos clínicos e imágenes para mejorar la toma de decisiones en oncología intervencionista.

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

A.A. recibió apoyo financiero de la oficina de investigación del estudiante, escuela de medicina de Yale.
L.J.S. recibe subvenciones de los institutos nacionales de salud (NIH/NCI R01CA206180), Beca Postdoctoral de Leopoldina y la Rolf W. Guenther Foundation de Ciencias radiológicas (Aquisgrán, Alemania).
J.C. recibe subvenciones de los institutos nacionales de salud (NIH/NCI R01CA206180), Philips Healthcare y la Fundación israelo-alemana para la investigación científica y el desarrollo (Jerusalén, Israel y Neuherberg, Alemania); y becas de la Foundation de Guenther de Rolf W. de Ciencias radiológicas y la Charité Berlín Instituto programa de salud clínico científico (Berlín, Alemania).
J.S.D. y M.L. reciben subvenciones de los institutos nacionales de salud (NIH/NCI R01CA206180) y Philips Healthcare (Best, Holanda).
J.F.G. recibe subvenciones de los institutos nacionales de salud (NIH/NCI R01CA206180), Philips Healthcare, BTG (Londres, Reino Unido), Boston Scientific (Marlborough, Massachusetts) y Guerbet Healthcare (Villepinte, Francia)

1. Instalación de estación de trabajo para el aprender de máquina
<ol><li>Utilice un sistema con lo siguiente: Intel Core 2 Duo CPU o superior a 2,0 GHz 4 GB o más memoria del sistema Sistema operativo compatible con POSIX (Linux o Mac OS) o Microsoft Windows 7 Permisos de usuario para ejecutar programas y guardar los archivos</li>
	<li>Instalar las siguientes herramientas: Anaconda Python3: https://www.anaconda.com/download DICOM a NIfTI convertidor (dcm2niix) - https://github.com/rordenlab/dcm2niix Sublime Text Editor: https://www.sublimetext.com/ ITK-SNAP (opcional): http://www.itksnap.org<ol>
<li>Instalar Anaconda Python3, dcm2nii y Sublime Text, visite su sitios web para pasos de instalación específicos de sistema operativo.</li>
		<li>Crear y activar un entorno de Anaconda. crear Conda - nombre mlenv CONDA activar mlenv</li>
		<li>Instalar paquetes de Anaconda del aprender de máquina. CONDA instalar numpy scipy scikit-aprender nltk nibabel Nota: El paquete nltk es útil para el análisis de notas clínicas de texto plano, mientras que el paquete de nibabel proporciona funciones útiles para la manipulación de la imagen médica. ITK-SNAP puede ser instalado para la segmentación de los órganos y los tumores de imágenes médicas. Es útil para las funciones de restricción a regiones específicas.</li>
	</ol>
</li>
</ol>2. Extracción de la característica de texto notas clínicas y datos clínicos estructurados
<ol><li>Crear un directorio para el proyecto y cree una carpeta para cada paciente dentro de la carpeta principal. Debería parecerse la estructura de directorios: Proyecto / Proyecto/Patient_1 / Proyecto/Patient_2 / Proyecto/Patient_3 / ...</li>
	<li>Obtener texto plano notas clínicas del registro médico electrónico (EMR). Recuperar notas manualmente a través de la EMR o por medio de la oficina de tecnologías de la información hospital mediante un volcado de datos. Guarde notas de cada paciente en sus respectivas carpetas. Project/Patient_1/History_and_Physical.txt Project/Patient_1/Procedure_Note.txt<ol>
<li>Decidió que las características clínicas a incluir en el modelo. Analizar las notas de la clínica de texto de estas características. La biblioteca de Python Natural Language Toolkit (nltk) proporciona comandos útiles para dividir documentos en oraciones. Cada frase puede buscarse términos apropiados como ictericia. Almacenar las características de cada paciente en un archivo con una de las características por línea. Project/Patient_1/Features.txt: 67 años hombre sexo albúmina 3.1 no cirrótico hepatitis_c no ...</li>
		<li>Para funciones no-binaria, tomar el valor medio de cada característica a través de todos los pacientes. Binarize cada función como un valor true(1) o false(0) basado en el valor mediano. Project/Patient_1/Binary_Features.txt: age_over_60 0 male_sex 1 albumin_less_than_3.5 1 presence_of_cirrhosis 0 hepatitis_c 0 ...</li>
	</ol>
</li>
</ol>6 K Extracción de la característica de imágenes médicas
Nota: Ver paso 3 materiales suplementarios para ejemplos de código.
<ol><li>Descargar imágenes DICOM de pre y post terapia de resonancia magnética del hospital PACS. Almacenar imágenes en las carpetas correspondientes del paciente. Proyecto / Project/Patient_1/Pre_TACE_MRI_Pre-Contrast.dcm Project/Patient_1/Pre_TACE_MRI_Arterial.dcm Project/Patient_1/Post_TACE_MRI_Pre-Constrast.dcm Project/Patient_1/Post_TACE_MRI_Arterial.dcm</li>
	<li>Convertir imágenes DICOM NIfTI formato usando el programa dcm2niix. Los siguientes comandos convierte .dcm todas las imágenes en la carpeta especificada. Repita para todos los pacientes. Proyecto de dcm2niix/Patient_1 / Proyecto de dcm2niix/Patient_2 /</li>
	<li>Cargar cada archivo NIfTI en Python. importación nibabel imagen = nibabel.load('Project/Patient_1/Pre_TACE_MRI_Pre-Contrast.dcm')<ol>
<li>Canoniza la orientación de cada imagen. Esto asegura que la x, y y z ejes son idénticas, independientemente de la máquina utilizada para la adquisición de las imágenes. cImage = nibabel.as_closest_canonical(image)</li>
	</ol>
</li>
	<li>Utilice itk-SNAP (o un paquete de software equivalente) para segmento binario hígado y tumor máscaras para cada imagen. Project/Patient_1/Pre_TACE_MRI_Pre-Contrast_Liver_Mask.bin Project/Patient_1/Pre_TACE_MRI_Pre-Contrast_Tumor_Mask.bin</li>
	<li>Leer las máscaras de hígado y tumor en Python. El código siguiente muestra cómo corregir los problemas de orientación con el fin de orientar las máscaras a lo largo de los mismos ejes canónicos como las imágenes del Señor. numpy importación como np con open (liver_mask_file, 'rb') como f: liver_mask = f.read() liver_mask = np.fromstring (liver_mask, dtype = 'uint8') liver_mask = np.reshape (liver_mask, diff.shape, order = 'F') liver_mask = liver_mask [:,:: -1:] liver_mask [liver_mask > 0] = 1<ol>
<li>Use las máscaras de hígado y tumor para aislar vóxeles que contiene hígado y tumor. hígado = np.copy(cImage) hígado [liver_mask < = 0] = 0</li>
	</ol>
</li>
	<li>Calcular la función de mejoramiento hepática media. mean_liver_enhancement = mean(liver)<ol>
<li>Calcular la función de volumen hepático. pixdim = cImage.header['pixdim'] unidades = pre.header['xyzt_units'] DX, dy, dz = pre_pixdim [1:4] liver_volume = length(liver) * dx * dx * dz</li>
		<li>(Opcional) Calcular las características adicionales como desee.</li>
	</ol>
</li>
	<li>Archivo de actualización de las funciones específicas de la paciente con las características de la imagen. Project/Patient_1/Features.txt: 67 años hombre sexo albúmina 3.1 no cirrótico hepatitis_c no pre_tace_mean_liver_enhancement 78 pre_tace_liver_volume 10000<ol>
<li>Calcular los valores promedio para cada función de proyección de imagen y binarize como en el paso 2.2.2. Project/Patient_1/Binary_Features.txt: age_over_60 0 male_sex 1 albumin_less_than_3.5 1 presence_of_cirrhosis 0 hepatitis_c 0 pre_tace_mean_liver_enhancement 1 pre_tace_liver_volume 0</li>
	</ol>
</li>
</ol>4. cuentan con agregación y reducción
Nota: Ver paso 4 materiales suplementarios para ejemplos de código.
<ol><li>Combinar los archivos de Binary_Features.txt para cada paciente en una hoja de cálculo con pacientes en el eje y y en el eje x.<table fo:keep-together.within-page="1" fo:margin-left="-5mm"><tbody>
<tr>
<td>Paciente</td>
				<td>Edad > 60</td>
				<td>Sexo masculino</td>
				<td>Albúmina 3.5 <</td>
				<td>Presencia de cirrosis</td>
				<td>La hepatitis C presente</td>
				<td>significa mejora hígado > 50</td>
				<td>volumen hepático > 20000</td>
			</tr>
<tr>
<td>1</td>
				<td>0</td>
				<td>1</td>
				<td>1</td>
				<td>0</td>
				<td>0</td>
				<td>1</td>
				<td>0</td>
			</tr>
<tr>
<td>2</td>
				<td>1</td>
				<td>1</td>
				<td>1</td>
				<td>0</td>
				<td>0</td>
				<td>0</td>
				<td>0</td>
			</tr>
<tr>
<td>3</td>
				<td>0</td>
				<td>1</td>
				<td>1</td>
				<td>0</td>
				<td>1</td>
				<td>0</td>
				<td>0</td>
			</tr>
</tbody></table>
<ol>
<li>Agregar etiquetas de respuesta de resultado de qEASL como la última columna.<table fo:keep-together.within-page="1" fo:margin-left="-15mm"><tbody>
<tr>
<td>Paciente</td>
					<td>Edad > 60</td>
					<td>Sexo masculino</td>
					<td>Albúmina 3.5 <</td>
					<td>Presencia de cirrosis</td>
					<td>La hepatitis C presente</td>
					<td>significa mejora hígado > 50</td>
					<td>volumen hepático > 20000</td>
					<td>qEASL Responder</td>
				</tr>
<tr>
<td>1</td>
					<td>0</td>
					<td>1</td>
					<td>1</td>
					<td>0</td>
					<td>0</td>
					<td>1</td>
					<td>0</td>
					<td>1</td>
				</tr>
<tr>
<td>2</td>
					<td>1</td>
					<td>1</td>
					<td>1</td>
					<td>0</td>
					<td>0</td>
					<td>0</td>
					<td>0</td>
					<td>1</td>
				</tr>
<tr>
<td>3</td>
					<td>0</td>
					<td>1</td>
					<td>1</td>
					<td>0</td>
					<td>1</td>
					<td>0</td>
					<td>0</td>
					<td>0</td>
				</tr>
</tbody></table>
</li>
		<li>Exportar la hoja de cálculo como un archivo delimitado por tabuladores. Project/ML_Matrix.tsv: PatientAge > 60 albúmina sexo masculino < 3.5 presencia de cirrosis Hepatitis C presente mejora hígado media > 50 volumen hepático > 20000 qEASL respondedor 1 0 1 1 0 0 1 0 1 2 1 1 1 0 0 0 0 1 3 0 1 1 0 1 0 0 0</li>
	</ol>
</li>
	<li>Quitar funciones de varianza baja de consideración. numpy importación como np de importación sklearn.feature_selection VarianceThreshold # Lea en la matriz binaria. características =] etiquetas =] para i, L en enumerate(sys.stdin): Si yo == 0 continuar n_fs_L = L.strip().split('\t') Features.Append([Float(_) _ en n_fs_L[1:-1]]) Labels.Append(n_fs_L[-1]) X = np.array(features) y = np.array(labels) # Calcular características que aparecen en al menos el 20% de respondedores y no respnders. modelo = VarianceThreshold (umbral = 0.8 * (1 - 0.8)) X_new = model.fit_transform (X, y) El sexo masculino, albúmina < 3.5, presencia de cirrosis y volumen hepático > 2000 se han quitado.<table fo:keep-together.within-page="1"><tbody>
<tr>
<td>Paciente</td>
				<td>Edad > 60</td>
				<td>La hepatitis C presente</td>
				<td>significa mejora hígado > 50</td>
				<td>qEASL Responder</td>
			</tr>
<tr>
<td>1</td>
				<td>0</td>
				<td>0</td>
				<td>1</td>
				<td>1</td>
			</tr>
<tr>
<td>2</td>
				<td>1</td>
				<td>0</td>
				<td>0</td>
				<td>1</td>
			</tr>
<tr>
<td>3</td>
				<td>0</td>
				<td>1</td>
				<td>0</td>
				<td>0</td>
			</tr>
</tbody></table>
</li>
	<li>Quitar características con baja asociación univariable con el resultado. Filtrar sólo aquellas características que 4.2. Conservan características (log2(N)), donde N es el número pacientes de ceil. Ceil (Log2(3)) = 2. importación matemáticas de importación sklearn.feature_selection SelectKBest de sklearn.feature_selection importación de chi2 # Leer en la matriz binaria como en 4.2.1 ... # Calcular características principales ceil(log2(N)) por asociación univariable. k = math.ceil(log2(length(y))) modelo = SelectKBest (chi2, k = k) X_new = model.fit_transform (X, y) La función de > 60 de edad de sexo masculino se ha eliminado de las restantes características de 4.2.1.</li>
</ol><table fo:keep-together.within-page="1"><tbody>
<tr>
<td>Paciente</td>
			<td>La hepatitis C presente</td>
			<td>significa mejora hígado > 50</td>
			<td>qEASL Responder</td>
		</tr>
<tr>
<td>1</td>
			<td>0</td>
			<td>1</td>
			<td>1</td>
		</tr>
<tr>
<td>2</td>
			<td>0</td>
			<td>0</td>
			<td>1</td>
		</tr>
<tr>
<td>3</td>
			<td>1</td>
			<td>0</td>
			<td>0</td>
		</tr>
</tbody></table>5. Modelo de formación y pruebas
Ver paso 5 materiales suplementarios para ejemplos de código
<ol><li>Formar un modelo de regresión logística utilizando la matriz de funciones binarias de 4.3. importación matemáticas de importación sklearn.linear_model LogisticRegression # Lea en la matriz binaria como en 4.2 y 4.3. ... # Para cada paciente, un modelo en el resto de los pacientes del tren. puntuación = 0.0 modelos =] para el paciente en len(X): # Tren modelo en todos sino uno de los pacientes. train_x = np.array ([_ i, _ en enumerate(X) if i! = paciente]) train_y = np.array ([_ i, _ en enumerate(y) if i! = paciente]) modelo = LogisticRegression(C=1e15) Model.Fit (train_x, train_y) # La prueba en el paciente de la izquierda-hacia fuera. y_prediction = model.predict(X[patient]) Si y_prediction == y [paciente]: resultado += 1 Models.Append(Model)</li>
	<li>Un modelo de bosque aleatorio utilizando la matriz de funciones binarias de 4.2.2 del tren. Pasos son idénticos a 5.2.1, excepto la instanciación del modelo debe ser actualizada como sigue: de importación sklearn.ensemble RandomForestClassifier ... modelo = RandomForestClassifier(n_estimators=100) ...</li>
	<li>Imprimir partitura / len (X) para 5.1 y 5.2. Esto representa la exactitud promedio de todos los modelos de regresión logística y todos los modelos al azar del bosque, respectivamente. Todos los modelos de N se deben aplicar a pacientes nuevos con la clasificación promedio como el resultado de la predicción</li>
</ol>

<ol><li>Benson, A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((NCCN+clinical+practice+guidelines+in+oncology%3A+hepatobiliary+cancers%5BTitle%5D)+AND+%22J+National+Comprehensive+Cancer+Network%22%5BJournal%5D)">NCCN clinical practice guidelines in oncology: hepatobiliary cancers.</a> J National Comprehensive Cancer Network. 7 (4), 350-391 (2009).</li>
<li>Siegel, R., Miller, K., Jemal, A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Cancer+statistics%2C+2016%5BTitle%5D)+AND+%22CA+Cancer+J+Clin%22%5BJournal%5D)">Cancer statistics, 2016.</a> CA Cancer J Clin. 66 (1), 7-30 (2016).</li>
<li>Bruix, J., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Clinical+management+of+hepatocellular+carcinoma.+Conclusions+of+the+Barcelona-2000+European+Association+for+the+Study+of+the+Liver+conference%5BTitle%5D)+AND+%22Journal+of+Hepatology%22%5BJournal%5D)">Clinical management of hepatocellular carcinoma. Conclusions of the Barcelona-2000 European Association for the Study of the Liver conference.</a> Journal of Hepatology. 35 (3), 421-430 (2001).</li>
<li>Eisenhauer, E., et al. <a target="_blank" href="https://www.ncbi.nlm.nih.gov/pubmed/19097774">New response evaluation criteria in solid tumours: revised RECIST guideline (version 1.1).</a> European Journal of Cancer. 45 (2), 228-247 (2009).</li>
<li>Gillmore, R., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((EASL+and+mRECIST+responses+are+independent+prognostic+factors+for+survival+in+hepatocellular+cancer+patients+treated+with+transarterial+embolization%5BTitle%5D)+AND+%22Journal+of+Hepatology%22%5BJournal%5D)">EASL and mRECIST responses are independent prognostic factors for survival in hepatocellular cancer patients treated with transarterial embolization.</a> Journal of Hepatology. 55 (6), 1309-1316 (2011).</li>
<li>Lin, M., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Quantitative+and+volumetric+European+Association+for+the+Study+of+the+Liver+and+Response+Evaluation+Criteria+in+Solid+Tumors+measurements%3A+feasibility+of+a+semiautomated+software+method+to+assess+tumor+response+after+transcatheter+arterial+chemoembolization%5BTitle%5D)+AND+%22Journal+of+Vascular+and+Interventional+Radiology%22%5BJournal%5D)">Quantitative and volumetric European Association for the Study of the Liver and Response Evaluation Criteria in Solid Tumors measurements: feasibility of a semiautomated software method to assess tumor response after transcatheter arterial chemoembolization.</a> Journal of Vascular and Interventional Radiology. 23 (12), 1629-1637 (2012).</li>
<li>Tacher, V., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Comparison+of+Existing+Response+Criteria+in+Patients+with+Hepatocellular+Carcinoma+Treated+with+Transarterial+Chemoembolization+Using+a+3D+Quantitative+Approach%5BTitle%5D)+AND+%22Radiology%22%5BJournal%5D)">Comparison of Existing Response Criteria in Patients with Hepatocellular Carcinoma Treated with Transarterial Chemoembolization Using a 3D Quantitative Approach.</a> Radiology. 278 (1), 275-284 (2016).</li>
<li>Pedregosa, F., et al. <a target="_blank" href="http://www.jmlr.org/papers/volume12/pedregosa11a/pedregosa11a.pdf">Scikit-learn: Machine Learning in Python.</a> Journal of Machine Learning Research. 12, 2825-2830 (2011).</li>
<li>Bishop, C. <a target="_blank" href="NULL">Pattern recognition and machine learning</a>. , Springer. New York. 738(2006).</li>
<li>Alpaydin, E. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aAlpaydin%2C+E+%22Introduction+to+machine+learning.+Third+edition%22">Introduction to machine learning. Third edition</a>. , The MIT Press. Cambridge, Massachusetts. 613(2014).</li>
<li>Kim, S., Cho, K., Oh, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Development+of+machine+learning+models+for+diagnosis+of+glaucoma%5BTitle%5D)+AND+%22PLoS+One%22%5BJournal%5D)">Development of machine learning models for diagnosis of glaucoma.</a> PLoS One. 12 (5), (2017).</li>
<li>Son, Y., Kim, H., Kim, E., Choi, S., Lee, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Application+of+support+vector+machine+for+prediction+of+medication+adherence+in+heart+failure+patients%5BTitle%5D)+AND+%22Healthcare+Informatics+Research%22%5BJournal%5D)">Application of support vector machine for prediction of medication adherence in heart failure patients.</a> Healthcare Informatics Research. 16 (4), 253-259 (2010).</li>
<li>Wang, S., Summers, R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Machine+learning+and+radiology%5BTitle%5D)+AND+%22Medical+Image+Analysis%22%5BJournal%5D)">Machine learning and radiology.</a> Medical Image Analysis. 16 (5), 933-951 (2012).</li>
<li>Abajian, A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Predicting+Treatment+Response+to+Intra-arterial+Therapies+for+Hepatocellular+Carcinoma+with+the+Use+of+Supervised+Machine+Learning-An+Artificial+Intelligence+Concept%5BTitle%5D)+AND+%22Journal+of+Vascular+and+Interventional+Radiology%22%5BJournal%5D)">Predicting Treatment Response to Intra-arterial Therapies for Hepatocellular Carcinoma with the Use of Supervised Machine Learning-An Artificial Intelligence Concept.</a> Journal of Vascular and Interventional Radiology. , (2018).</li>
</ol>

A.A. funciona como una consulta de software salud fidelidad, Inc. que emplea la máquina similar aprendiendo técnicas en notas clínicas para la optimización de reembolso médico.
J.F.G. recibe honorarios de personales de salud de Guerbet, BTG, umbral Pharmaceuticals (San Francisco, California), Boston Scientific y Terumo (Elkton, Maryland); y tiene una consultoría pagada para los laboratorios de presciencia (Westport, Connecticut).
Ninguno de los otros autores han identificado un conflicto de intereses.

Pacientes con carcinoma hepatocelular que no son candidatos para la resección quirúrgica se ofrecen terapias intra arteriales. Existen pocos métodos para determinar si un paciente responderá pre-tratamiento. Técnicas de evaluación después del tratamiento se basan en cambios en el tamaño del tumor o captación de contraste del tumor. Son los llamados criterios de respuesta, siendo más precisa la cuantitativa Asociación Europea para el estudio del criterio del hígado (qEASL). qEASL se basa en ambos volumétrica y lo...

Pacientes con carcinoma hepatocelular que no son candidatos a cirugía se ofrecen terapias intra arterial1,2,3. No hay ninguna métrica única que determina si un paciente responderá a una terapia intra arterial antes de administra el tratamiento. El objetivo de este estudio fue demostrar un método que predice respuesta al tratamiento mediante la aplicación de métodos de aprendizaje automático. Tales modelos orientar a profesionales y pacientes al elegir si continuar con un tratamiento.
El protocolo implica un proceso reproducible para la capacitación y actualización de un modelo a partir de datos primarios del paciente (notas clínicas, datos demográficos, datos de laboratorio y proyección de imagen). Los datos se analizan inicialmente para características específicas, con cada paciente representado por un conjunto de características binarias y una etiqueta de destino de resultados binarios. La etiqueta de resultado se determina mediante un criterio de respuesta establecidos basados en la proyección de imagen para hepatocelular terapia4,5,6,7. Las características y las etiquetas meta se pasan al software de aprendizaje de máquina que aprende la correlación entre las características y los resultados bajo un específico modelo (regresión logística o bosque aleatorio)8,9,10de aprendizaje. Técnicas similares se han aplicado en radiología y en otras áreas de investigación del cáncer para el diagnóstico y tratamiento predicción11,12,13.
El método adapta a las técnicas de la informática al campo de la radiología intervencionista. Estudios de tradicional importancia en radiología intervencionista y medicina en general, se basan en análisis de mono-oligo-función o. Por ejemplo, el modelo para la enfermedad de hígado fase final incorpora cinco parámetros clínicos para evaluar el grado de enfermedad hepática. La ventaja del método propuesto es la posibilidad de añadir características liberalmente; 25 características se consideran en el análisis del ejemplo. Las características adicionales pueden agregarse como deseado.
La técnica puede aplicarse a otras intervenciones radiográficas que disponen de datos de imágenes pre y post intervención. Por ejemplo, los resultados después de tratamientos percutáneos podrían predecirse de manera similar. La principal limitación del estudio es la necesidad de características de cura manual para su inclusión en el modelo. Extracción de conservación y función de los datos es desperdiciador de tiempo para el médico y puede impedir la adopción clínica de tal modelos de aprendizaje de máquina.

<table><tbody><tr><td>Estación de trabajo</td><td>informática N/A</td><td>N/A</td><td>Intel Core 2 Duo o superior CPU a 2,0 GHz; 4 GB o más de memoria del sistema; Sistema operativo compatible con POSIX (Linux o Mac OS) o Microsoft Windows 7; Permisos de usuario para ejecutar programas y guardar archivos</td></tr><tr><td>Anaconda Python 3</td><td>Anaconda, Inc.</td><td>Versión 3.6</td><td>Sistema Python 3 y bibliotecas empaquetadas para científicos e investigadores</td></tr><tr><td>DICOM a NIfTI</td><td>NeuroImaging Tools & Recursos Collaboratory</td><td>Versión 1.0 (versión 4/4/2018)</td><td>Programa independiente para convertir archivos de imágenes DICOM a formato NIfTI</td></tr><tr><td>Sublime Text Editor Sublime</td><td>HQ Pty Ltd</td><td>Version 3 (Build 3143)</td><td>Editor de texto para escribir código Python</td></tr><tr><td>Bibliotecas de Python requeridas</td><td>N/A</td><td>Versión 3.2.25 (nltk) Versión 0.19.1 (scikit-learn)</td><td>Natural Language Toolkit (nltk) Scikit-learn</td></tr><tr><td>ITK-SNAP</td><td>N/A</td><td>Versión 3.6.0</td><td>Kit de herramientas opcional para realizar la segmentación de sistemas de órganos en imágenes médicas.</td></tr></tbody></table>

predicción de respuesta al tratamiento tratamientos guiados por imágenes mediante aprendizaje automático: un ejemplo para el trans-arterial tratamiento de carcinoma hepatocelular

Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma

Tratamientos Intraarteriales son el estándar del cuidado para los pacientes con carcinoma hepatocelular que no pueden someterse a resección quirúrgica. El objetivo de este estudio fue desarrollar un método para predecir la respuesta al tratamiento intraarterial antes de la intervención.
El método proporciona un marco general para la predicción de los resultados antes de la terapia intrarterial. Se trata de agrupación de datos clínicos, demográficos y proyección de imagen a través de una cohorte de pacientes y utilizar estos datos para un modelo de aprendizaje de máquina del tren. El modelo de formación se aplica a nuevos pacientes para predecir su probabilidad de respuesta a la terapia intrarterial.
El método consiste en la adquisición y análisis de datos clínicos, demográficos e N pacientes que ya han experimentado terapias trans-arterial. Estos datos se analiza en discretas características (edad, sexo, cirrosis, grado de tumor mejora, etc.) y binarizados en valores verdadero/falso (p. ej., edad de 60, género masculino, realce del tumor más allá de un umbral fijado, etc.). Se eliminan características de varianza baja y características con asociaciones univariable baja con el resultado. Cada paciente tratado se etiqueta según si respondió o no respondió al tratamiento. Así, cada paciente formación está representado por un conjunto de características binarias y una etiqueta de resultado. Modelos de aprendizaje de máquina son entrenados utilizando N - 1 pacientes con pruebas en el paciente de la izquierda-hacia fuera. Este proceso se repite para cada uno de los N pacientes. Los modelos de N se calcula el promedio para llegar a un modelo final.
La técnica es extensible y permite la inclusión de características adicionales en el futuro. Es también un proceso generalizable que puede aplicarse a preguntas de la investigación clínica fuera de radiología intervencionista. La principal limitación es la necesidad de derivar características manualmente de cada paciente. Una forma moderna popular de aprendizaje automático llamado profundo aprendizaje no sufren de esta limitación, pero requiere más grandes conjuntos de datos.

El método propuesto se aplicó a 36 pacientes que habían experimentado trans-arterial terapias para el carcinoma hepatocelular. Se identificaron veinticinco características y binarizada siguiendo los pasos del 1-5. Cinco características satisfacen la varianza y filtros de asociación univariante (vea los pasos 5.1 y 5.2) y fueron utilizados para entrenamiento de modelo. Cada paciente fue etiquetado como responder o no responder bajo los criterios de respuesta qEASL. La matriz de característ...

Tratamientos Intraarteriales son el estándar del cuidado para los pacientes con carcinoma hepatocelular que no pueden someterse a resección quirúrgica. Se propone un método para predecir la respuesta a estas terapias. La técnica utiliza información clínica, demográfica y proyección de imagen previas al procedimiento para entrenar modelos de aprendizaje de máquina capaces de predecir la respuesta antes del tratamiento.

Predicción de respuesta al tratamiento tratamientos guiados por imágenes mediante aprendizaje automático: un ejemplo para el Trans-Arterial tratamiento de Carcinoma Hepatocelular

Intra-arterial therapies are the standard of care for patients with hepatocellular carcinoma who cannot undergo surgical resection. The objective of this ...

Este método puede ayudar a predecir la respuesta a las terapias intra arteriales. Las aplicaciones de aprendizaje automático en oncología intervencionista cambiarán la forma en que tratamos el cáncer de hígado y otras enfermedades con terapias guiadas por imágenes. Este método tiene el potencial de mejorar la forma en que se toman dos decisiones importantes.Por lo general, los individuos nuevos en este método tendrán problemas debido a la necesidad de generar las características y realizar el aprendizaje automático y el código. La demostración visual de este método es fundamental, ya que los pasos de generación de características implican la extracción de esas características mediante máscaras de imagen. Se necesitan un conjunto de datos bien anotado y clínicamente representativo para entrenar el modelo.Se necesitarán más datos de pacientes y grandes cohortes para mejorar aún más este algoritmo de aprendizaje automático. Después de decidir qué características clínicas incluir en el modelo, utilice un kit de herramientas de lenguaje natural adecuado para analizar las notas de la clínica de texto sin formato en oraciones para permitir la búsqueda de términos de interés. A continuación, almacene las características de cada paciente en un archivo con una característica por línea.Para las entidades no binarias, obtenga el valor medio de cada entidad en todos los pacientes y binarice cada entidad como un valor verdadero o falso basado en el valor mediano. Para calcular una función de mejora hepática media a partir de una imagen médica. Después de aislar los vóxeles que contienen el hígado, ingrese el comando de mejora hepática media.Para determinar la función de volumen hepático, introduzca los comandos como se indica. A continuación, calcule los valores medios para cada entidad de imagen y binarice las entidades como se ha demostrado. Para la agregación y reducción de las entidades, primero elimine las características de baja varianza de la consideración y lea las entidades de la matriz binaria.A continuación, utilice el modelo de umbral de varianza para calcular las entidades que aparecen en al menos el 20 % de los respondedores y los no respondedores, de forma similar a la que se ilustra en la tabla. Elimine cualquier característica con una asociación univariada baja con el resultado y filtre solo aquellas características que pasen el cribado de variante baja original conservando n características donde n es el número de pacientes. A continuación, lea en la matriz binaria para cada entidad, similar a como se ilustra en la tabla.Después de que las entidades se han binarizado y filtrado, es el momento de entrenar el modelo. La formación de modelos es un proceso sencillo que se adapta a las características del resultado en estudio y se puede utilizar para hacer predicciones sobre nuevos pacientes. En este análisis representativo de 36 pacientes que se sometieron a terapias arteriales trans para el carcinoma hepatocelular, se identificaron y binarizaron 25 características como se demostró con 5 características que satisfacen tanto las variantes como los filtros de asociación univariados.Cada paciente fue etiquetado como respondedor o no respondedor bajo la Asociación Europea cuantitativa para el estudio de los criterios de respuesta hepática. Como se ha demostrado, tanto la regresión logística como los modelos forestales aleatorios predijó una respuesta de tratamiento de quimioembolización arterial trans con una precisión global del 78%Después de este método, es posible hacer predicciones sobre nuevos pacientes aplicando el modelo de entrenamiento. Esta técnica de aprendizaje automático se puede aplicar universalmente a cualquier terapia que implique imágenes preprocesal, interprocesal y postprocesal.

predicting-treatment-response-to-image-guided-therapies-using-machine

Research

Investigación

JoVE Journal

Medicine

Medicina

La tomografía computarizada de haz cónico de doble fase (DP-CBCT) es una técnica de imagen intraprocedimiento útil para el tratamiento de quimioembolización transarterial con perlas liberadoras de fármacos del carcinoma hepatocelular. La DP-CBCT se ha utilizado para realizar tres pasos principales en radiología intervencionista oncológica: localización del tumor (see), navegación y guía del catéter intraprocedimiento (REACH) y evaluación del éxito del tratamiento (treat) durante el...

Dual-fase de haz cónico tomografía computarizada para ver, Reach, y tratar el carcinoma hepatocelular durante Drogas de elución Beads transarterial quimio-embolización

Radioterapia estereotáctica del cuerpo (SBRT) requiere de rigurosa exactitud y precisión para entregar altas dosis de radiación por fracción a volúmenes pequeños de tratamiento para mejorar el control del tumor y al mismo tiempo reducir la toxicidad. Adjunto, presentamos un protocolo de gestión de movimiento respiratorio no invasivo y clínicamente conveniente para SBRT para las metástasis del hígado.

Tratamiento de las metástasis hepáticas mediante un método de volumen objetivo interno para radioterapia estereotáctica del cuerpo

Este protocolo fue diseñado para entrenar un algoritmo de aprendizaje automático para utilizar una combinación de parámetros de imagen derivados de la resonancia magnética (RM) y la tomografía por emisión de positrones/tomografía computarizada (PET/CT) en un modelo de rata de metástasis óseas de cáncer de mama para detectar enfermedades metastásicas tempranas y predecir la progresión posterior a macrometastasas.

Algoritmos de aprendizaje automático para la detección temprana de metástasis óseas en un modelo experimental de rata

La ambliopía es un trastorno del desarrollo de la corteza visual, que es acompañado a menudo por fuerte supresión de un ojo. Se presenta una nueva técnica para la medición y el tratamiento de supresión interocular en pacientes con ambliopía que se pueden implementar con gafas de realidad virtual o un dispositivo portátil iPod Touch.

La medición y tratamiento de la represión en la ambliopía

La psoriasis es una enfermedad cutánea inflamatoria crónica de naturaleza inmune. El Goeckerman régimen, formulado para el tratamiento de la psoriasis, consiste en la exposición a (UVB) y la aplicación de alquitrán de hulla crudo (CCT) ultravioleta B. El siguiente protocolo es para la administración de la terapia Goeckerman para el tratamiento de la psoriasis moderada a severa.

El Régimen Goeckerman para el tratamiento de psoriasis moderada a grave

La medición precisa de la deficiencia y la discapacidad neurológica y neuropsicológica en la esclerosis múltiple es un reto. Presentamos los detalles metodológicos de una nueva prueba, la Prueba Múltiple Sclerosis Rendimiento (MSPT). Este nuevo enfoque al objetivo de la cuantificación de la discapacidad relacionada con la EM proporciona una plataforma basada en la computadora para la medición precisa, válida de MS severidad.

La prueba de la esclerosis múltiple de rendimiento (MSPT): Una Herramienta de Evaluación de Discapacidad Basado iPad

La membrana corioalantoidea (CAM) del pollo es inmunodeficiente y altamente vascularizada, lo que la convierte en un modelo natural in vivo de crecimiento tumoral y angiogénesis. En este protocolo, describimos un método confiable para el crecimiento de tumores tridimensionales de carcinoma hepatocelular vascularizado (CHC) utilizando el ensayo CAM.

los<em&gt; En Ovo</em&gt; Chick corioalantoidea de membrana (CAM) Ensayo como un modelo de xenoinjerto eficiente de carcinoma hepatocelular

Aquí se describe el método para establecer un modelo de ratón singénico de tumor ortotópico de vejiga para evaluar la eficacia antitumoral de la proteína bacteriana HP-NAP.

Evaluación de la eficacia de la<em&gt; H. pylori</em&gt; Proteína HP-PAN como herramienta terapéutica para el tratamiento de cáncer de vejiga en un modelo murino ortotópico

Aquí describimos el procedimiento para la estimulación magnética transcraneal repetitiva guiada por resonancia magnética a la corteza prefrontal dorsomedial como tratamiento experimental para el trastorno depresivo mayor.

RM guiada dmPFC-rTMS como tratamiento para el trastorno depresivo mayor resistente al tratamiento

Describimos un método para la detección del desarrollo de nódulos tumorales en los pulmones de un modelo de ratón con adenocarcinoma utilizando tomografía microcomputarizada y su uso para monitorear los cambios en el tamaño del nódulo a lo largo del tiempo y en respuesta al tratamiento. La exactitud de la evaluación se confirmó con la cuantificación histológica de punto final.

El uso de la tomografía computarizada-Micro para la evaluación del desarrollo del tumor y Seguimiento de la respuesta al tratamiento en un modelo de ratón de cáncer de pulmón

Aprende a predecir la respuesta al tratamiento intraarterial en carcinoma hepatocelular mediante aprendizaje automático. Este método utiliza datos clínicos e imágenes para mejorar la toma de decisiones en oncología intervencionista.

Predicción de respuesta al tratamiento tratamientos guiados por imágenes mediante aprendizaje automático: un ejemplo para el Trans-Arterial tratamiento de Carcinoma Hepatocelular (Video) | JoVE Journal

Predicción de respuesta al tratamiento tratamientos guiados por imágenes mediante aprendizaje automático: un ejemplo para el Trans-Arterial tratamiento de Carcinoma Hepatocelular

Explorar más videos