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

Este protocolo facilita el desarrollo de un algoritmo de aprendizaje automático para predecir el crecimiento de metástasis óseas en un modelo experimental en la etapa de colonización temprana de órganos. La principal ventaja de esta técnica es que combina varios parámetros de imagen en un algoritmo de aprendizaje automático que supera significativamente la capacidad productiva de cada parámetro individual. Sin embargo, este protocolo tiene como objetivo el diagnóstico precoz de metástasis en el hueso, se puede adaptar a diferentes órganos o áreas de investigación por imágenes multimodales y multiparamétrica.

10 días después de la cirugía y la inyección en un visor DICOM con un plugin DCE. Designe la importación para cargar la secuencia DCE en modo 4D y seleccione la carpeta DICOM que contiene las imágenes de RMN. Coloque una región circular de 1,5 milímetros cuadrados a la dimensión de interés en la médula ósea del eje tibial proximal de la pata trasera derecha dentro de la cuarta o quinta imagen de RMN y seleccione la mejora relativa en el tipo de parcela.

Introduzca el intervalo de línea base de los puntos de tiempo, uno a cinco en los campos respectivos y exporte el análisis como un archivo TXT de punto denominado DCE raw punto TXT. Abra RStudio y cargue el archivo R de punto de script DCE proporcionado. Seleccione código, ejecute la región y ejecute todo para ejecutar todo el script y copiar la salida en el archivo de plantilla de características de imágenes proporcionado.

En el visor DICOM, coloque una segunda región de interés dentro del músculo posterior del animal y repita las mediciones de DCE como se ha demostrado. En la hoja de cálculo de la función de imágenes, las mediciones óseas respectivas se dividirán automáticamente por las respectivas mediciones musculares para la normalización de datos. Para analizar las imágenes PET/CT, abra el software de análisis PET/CT e importe las imágenes PET/CT.

Haga clic en Análisis general y seleccione la cuantificación de la región de interés, cree y cree una región de interés a partir de una plantilla. Coloque una región dimensional de cuatro por seis milímetros dentro de la médula ósea del eje tibial proximal de la pata trasera derecha y seleccione las regiones de interés apuntan a una superposición. Observe los valores medio, mínimo y máximo en becquerels por mililitro.

A continuación, divida el valor máximo por la actividad inyectada y multiplique el resultado por el peso animal en gramos para calcular el valor de absorción estandarizado. Para diagnosticar la tasa de crecimiento tumoral en la pata trasera inyectada. Después de obtener imágenes de RMN y PET/CT en el día 30 después de la inyección, analice las imágenes como se ha demostrado y agregue una columna tumoral a la hoja de cálculo de las características de la imagen.

A continuación, introduzca uno o cero para los animales con metástasis o sin una carga tumoral visible respectivamente. Para determinar las características más relevantes para la predicción del crecimiento futuro del tumor, importe la hoja de cálculo en un conjunto de herramientas de aprendizaje automático y minería de datos de visualización de datos de código abierto. Arrastre la subartina de archivo desde el menú de datos al espacio de trabajo y haga doble clic en el archivo.

Haga clic en el icono de carpeta para cargar la hoja de cálculo y seleccionar la hoja de cálculo de funciones de creación de imágenes. Seleccione la hoja de trabajo de exportación y asigne el atributo de destino al tumor variable. Asigne la función de omisión al número de animal.

Arrastre la subartina de clasificación al espacio de trabajo y dibuje una línea para conectarse al archivo y clasificar las subartinas. A continuación, haga doble clic para abrir la subartina de clasificación y seleccione el algoritmo de ganancia de información. Para el análisis de aprendizaje automático, abra RStudio 3.4.1 y cargue el script de R del modelo de tren proporcionado.

Seleccione las líneas tres a seis dentro del script para cargar las bibliotecas necesarias. Haga clic en el código para ejecutar el código seleccionado y haga clic en Ejecutar líneas seleccionadas para ejecutar las líneas seleccionadas. Para entrenar un algoritmo de promedio de modelo a red neuronal, seleccione las líneas de ocho a 39 en el script R del modelo de tren y haga clic en el código y ejecute las líneas seleccionadas.

A continuación, para evaluar los parámetros estándar de precisión de diagnóstico, seleccione las líneas 41 a 50 del script R del modelo de tren y haga clic en el código y ejecute las líneas seleccionadas. El día 10 después de la cirugía y la inyección de células cancerosas, se pueden adquirir imágenes de RMN y PET/CT. El análisis DCE permite la medición de áreas de interés del músculo y del tejido óseo.

Estos valores se pueden normalizar dividiendo las mediciones óseas por las mediciones musculares. En el día 30 después de la inyección, todos los animales son evaluados para determinar si han desarrollado metásticas con una que indica una carga tumoral positiva y un cero que indica animales sanos sin tumores visibles. La ejecución del script R del modelo de tren permite determinar la combinación óptima de hiper parámetros y calcular el modelo final utilizando la combinación óptima de hiper parámetros.

Estos datos permiten calcular un conjunto de parámetros de diagnóstico estándar y trazar la curva característica de funcionamiento del receptor del modelo. Por ejemplo, en este análisis de 28 muestras el modelo funciona significativamente mejor que todos sus tres componentes. Varios algoritmos de aprendizaje automático tienden a funcionar mejor cuando se normalizan los datos de entrada.

En este protocolo la normalización se logra utilizando la función Box Cox. Este protocolo utiliza un promedio de modelo durante la red como algoritmo de aprendizaje automático. Sin embargo, el marco proporcionado se puede adaptar fácilmente a otros algoritmos como bosques aleatorios o máquinas vectoriales de soporte.

La extracción de información numérica del material de imagen se ha vuelto esencial. Algoritmos como estos pueden facilitar la integración de grandes cantidades de datos para permitir la estratificación del paciente.