Prédire la réponse au traitement aux thérapies guidées par l’Image à l’aide de Machine Learning : un exemple pour le Trans-artériel traitement du carcinome hépatocellulaire
10 octobre 2018
Intra-artérielle thérapies sont la norme de soins pour les patients atteints de carcinome hépatocellulaire qui ne peuvent pas subir une résection chirurgicale. On propose une méthode pour prédire la réponse à ces thérapies. La technique utilise des informations démographiques, cliniques et d’imagerie préalable procédurales pour former les modèles à apprentissage machine capables de prédire la réponse avant le traitement.
Cette méthode peut aider à prédire la réponse aux thérapies intra-artérielles. Les applications d’apprentissage automatique en oncologie interventionnelle changeront la façon dont nous traitons le cancer du foie et d’autres maladies au moyen de thérapies guidées par l’image. Cette méthode a le potentiel d’améliorer la façon dont deux décisions importantes sont prises.
En général, les personnes nouvelles à cette méthode auront du mal en raison de la nécessité de générer les fonctionnalités et d’effectuer l’apprentissage automatique et le code. La démonstration visuelle de cette méthode est essentielle car les étapes de génération de fonctionnalités impliquent l’extraction de ces fonctionnalités à l’aide de masques d’imagerie. Un ensemble de données bien annoté et cliniquement représentatif est nécessaire pour former le modèle.
Davantage de données sur les patients et de grandes cohortes seront nécessaires pour améliorer davantage un tel algorithme d’apprentissage automatique. Après avoir décidé quelles caractéristiques cliniques inclure dans le modèle, utilisez une trousse d’outils en langage naturel appropriée pour parse les notes de la clinique en texte clair en phrases afin de permettre la recherche de conditions d’intérêt. Stockez ensuite les fonctionnalités de chaque patient dans un fichier avec une fonctionnalité par ligne.
Pour les fonctionnalités non binaires, obtenir la valeur médiane de chaque fonctionnalité à travers tous les patients, et binarize chaque fonctionnalité comme une valeur réelle ou fausse basée sur la valeur médiane. Pour calculer une fonction moyenne d’amélioration du foie à partir d’une image médicale. Après avoir isolé les voxels contenant le foie, entrez la commande moyenne d’amélioration du foie.
Pour déterminer la fonction de volume hépatique, entrez les commandes comme indiqué. Calculez ensuite les valeurs médianes pour chaque fonction d’imagerie et binariize les caractéristiques telles qu’démontrées. Pour l’agrégation et la réduction des fonctionnalités, supprimez d’abord les fonctionnalités de faible variance de la considération et lisez les fonctionnalités de la matrice binaire.
Ensuite, utilisez le modèle de seuil de variance pour calculer les caractéristiques apparaissant dans au moins 20 % des intervenants et des non-intervenants, ce qui est semblable à celui illustré dans le tableau. Supprimez toutes les fonctionnalités ayant une faible association univariate avec le résultat et filtrez uniquement les fonctionnalités qui passent la variante basse originale de criblage conservant n caractéristiques où n est le nombre de patients. Ensuite, lisez dans la matrice binaire pour chaque fonctionnalité, similaire à comme illustré dans le tableau.
Une fois que les fonctionnalités ont été binariées et filtrées, il est temps de former le modèle. La formation modèle est un processus simple qui s’adapte aux caractéristiques des résultats à l’étude et peut être utilisé pour faire des prédictions sur les nouveaux patients. Dans cette analyse représentative de 36 patients qui ont subi des thérapies artérielles trans pour le carcinome hépatocellulaire, 25 dispositifs ont été identifiés et binarized comme démontré avec 5 dispositifs satisfaisant les variantes et les filtres univariés d’association.
Chaque patient a été étiqueté comme un répondeur ou un non-répondeur dans le cadre de l’Association européenne quantitative pour l’étude des critères de réponse hépatique. Comme illustré, la régression logistique et les modèles aléatoires de forêt ont prédit une réponse trans artériale de traitement de chimioembolization avec une précision globale de 78%Suivant cette méthode, il est possible de faire des prédictions sur de nouveaux patients en appliquant le modèle de formation. Cette technique d’apprentissage automatique peut être universellement appliquée à toute thérapie qui implique une imagerie pré-procédurale, inter-procédurale et post-procédurale.
Consultez la transcription complète et accédez à des milliers de vidéos scientifiques
Aperçu
Cet article traite d'une méthode permettant de prédire la réponse aux traitements intra-artériels chez les patients atteints d'un carcinome hépatocellulaire. En utilisant des données cliniques, démographiques et d'imagerie préalables à la procédure, des modèles d'apprentissage automatique peuvent être entraînés pour prévoir les résultats du traitement.
Composantes clés de l'étude
Domaine scientifique
- Oncologie interventionnelle
- Applications de l'apprentissage automatique
- Traitement du carcinome hépatocellulaire
Contexte
- Les thérapies intra-artérielles sont la norme pour les patients incapables de subir une chirurgie.
- La prédiction de la réponse au traitement peut améliorer la prise de décision clinique.
- La génération de caractéristiques à partir de données d'imagerie est essentielle pour l'entraînement du modèle.
- Un jeu de données représentatif sur le plan clinique est nécessaire pour une performance efficace du modèle.
Objectif de l'étude
- Améliorer la prédiction de la réponse des patients aux traitements intra-artériels.
- Faciliter une meilleure prise de décision clinique dans le traitement du cancer du foie.
- Mettre en évidence l'importance de l'apprentissage automatique en oncologie interventionnelle.
Méthodes utilisées
- Collecte de données préalable à la procédure (cliniques, démographiques, d'imagerie).
- Entraînement d'un modèle d'apprentissage automatique pour la prédiction de la réponse.
- Extraction de caractéristiques à l'aide de masques d'imagerie.
- Utilisation d'un jeu de données bien annoté pour assurer la précision du modèle.
Résultats principaux
- La méthode proposée montre des signes prometteurs dans la prédiction des résultats du traitement.
- L'apprentissage automatique peut transformer l'approche des thérapies contre le cancer du foie.
- Les démonstrations visuelles sont essentielles pour comprendre la génération de caractéristiques.
- Des difficultés existent pour les débutants dans la mise en œuvre de cette méthode.
Conclusions
- Cette méthode pourrait améliorer les stratégies thérapeutiques contre le cancer du foie.
- Les applications de l'apprentissage automatique peuvent avoir un impact significatif en oncologie interventionnelle.
- Des recherches et développements supplémentaires sont nécessaires pour affiner ces modèles prédictifs.
Questions fréquemment posées
Pertinence professionnelle pour l'industrie
La prédiction de la réponse au traitement avant l'intervention répond à un défi crucial dans le développement de médicaments en oncologie : réduire les échecs cliniques en phase avancée dus à un manque d'efficacité. En permettant une stratification des patients fondée sur les données et des décisions d'aller ou de ne pas aller plus loin, ce cadre d'apprentissage automatique soutient la réduction des risques mécanistiques et améliore la confiance prédictive en phase précoce de découverte. Son applicabilité aux thérapies guidées par l'imagerie élargit sa pertinence à travers les différentes modalités en oncologie, renforçant ainsi la priorisation ajustée au risque au niveau du portefeuille.
Applications stratégiques en recherche et développement en biopharmaceutique
Début de la découverte et validation de la cible
- Valeur scientifique : Soutient l'interrogation des hypothèses thérapeutiques en associant les caractéristiques de base à la réponse au traitement, précisant ainsi quels sous-groupes de patients sont les plus susceptibles d'en bénéficier.
- Valeur opérationnelle : Permet la validation fonctionnelle de cibles grâce à une analyse rétrospective des résultats cliniques et d'imagerie, réduisant ainsi l'ambiguïté mécanistique dans les programmes en phase précoce.
- Valeur prédictive : Améliore le tri du portefeuille en identifiant précocement les non-répondeurs, permettant ainsi de réaffecter les ressources vers des indications à plus forte probabilité de succès.
Développement de tests et criblage
- Valeur scientifique : Prépare des systèmes biologiques et cliniques validés pour des flux de travail ultérieurs en établissant des relations reproductibles entre caractéristiques et réponses.
- Valeur opérationnelle : Favorise la standardisation et l'évolutivité des tests grâce à l'extraction binaire de caractéristiques et à des protocoles de validation croisée.
- Préparation au criblage : Génère des résultats quantitatifs (par exemple, précision des prédictions, importance des caractéristiques) permettant une évaluation fiable de composés ou d'interventions dans des modèles précliniques.
Recherche translationnelle et préclinique
- Continuité translationnelle : Relie l'identification de caractéristiques en phase de découverte à la validation préclinique en utilisant des biomarqueurs d'origine clinique pour guider l'apprentissage du modèle.
- Avancement ajusté au risque : Soutient les décisions de poursuite ou d'arrêt en quantifiant la confiance associée aux prédictions, réduisant ainsi le risque biologique avant des études précliniques coûteuses.
- Atténuation du risque mécanistique : Met l'accent sur la valeur prédictive plutôt que sur le mécanisme seul, s'alignant ainsi sur les stratégies de biomarqueurs translationnels utilisées dans les filières en oncologie.
Intégration du pipeline et du flux de travail
La méthode s'inscrit dans le continuum de découverte allant de la validation de la cible à l'identification de composés actifs, jusqu'aux tests d'efficacité préclinique, en particulier pour les modalités en oncologie impliquant une administration guidée par l'imagerie.
- Biologie de la découverte : Soutient la vérification d'hypothèses en identifiant les caractéristiques cliniques et d'imagerie de base corrélées à la réponse au traitement, précisant ainsi les critères de sélection des patients.
- Dépistage : Permet la préparation des tests grâce à une extraction et une binarisation standardisées des caractéristiques, améliorant la reproductibilité entre différents sites et modèles.
- Analytique : Fournit des résultats quantitatifs tels que la précision des prédictions (78 % dans l'étude) et les métriques de sélection des caractéristiques, permettant une comparaison objective des conditions d'intervention.
- Recherche translationnelle : Assure la continuité préclinique en utilisant des étiquettes de réponse dérivées de critères établis (par exemple, EASL) afin d'aligner les sorties du modèle sur des critères d'évaluation cliniquement pertinents.
- Réutilisation organisationnelle : Présente l'approche d'ingénierie des caractéristiques et de moyennage des modèles comme une capacité réutilisable, applicable à différentes indications et thérapies guidées par l'imagerie, au-delà du carcinome hépatocellulaire.
Impact opérationnel et organisationnel
- Valeur scientifique : Accroît la confiance prédictive dans la validation des cibles en réduisant la dépendance aux données de réponse anecdotiques et en permettant une stratification des patients fondée sur les données.
- Valeur opérationnelle : Améliore la reproductibilité et l'évolutivité grâce à une extraction normalisée des caractéristiques, à la binarisation et à une validation croisée de type leave-one-out.
- Valeur stratégique : Améliore la qualité des décisions d'aller/arrêt, conduisant à une meilleure efficacité du capital et à une réduction des risques biologiques en phase avancée dans les portefeuilles en oncologie.
- Impact sur le portefeuille : Permet une priorisation ajustée au risque en identifiant les indications ou sous-groupes présentant une probabilité de réponse prédite plus élevée, soutenant ainsi des décisions d'avancement plus pertinentes.
Considérations relatives à la mise en œuvre
- Nécessite une expertise en curation de données cliniques, en ingénierie de caractéristiques et en formation et validation de modèles d'apprentissage automatique.
- Dépend de l'accès à des ensembles de données bien annotés et représentatifs sur le plan clinique, comprenant des données d'imagerie, démographiques et relatives aux résultats appariées.
- Exige une standardisation interéquipes en matière de définition des caractéristiques et de seuils de binarisation afin d'assurer la généralisabilité du modèle.
- Implique des considérations d'adaptation lors de l'application du cadre à différents systèmes modèles ou modalités d'imagerie.
- Est limité par l'effort manuel requis pour extraire des caractéristiques à partir des images et des notes cliniques, ce qui peut restreindre l'évolutivité en l'absence d'automatisation.
