Algorithmes d’apprentissage automatique pour la détection précoce des métastases osseuses dans un modèle de rat expérimental

Ce protocole facilite le développement d’un algorithme d’apprentissage automatique pour prédire la croissance des métastases osseuses dans un modèle expérimental au stade de la colonisation précoce des organes. Le principal avantage de cette technique est qu’elle combine plusieurs paramètres d’imagerie en un algorithme d’apprentissage automatique qui surpasse considérablement la capacité productive de chaque paramètre individuel. Bien que, ce protocole vise le diagnostic précoce des métastases dans l’os, il peut être adapté à différents organes ou domaines de la recherche multimodale et multiparamétrique d’imagerie.

10 jours après la chirurgie et l’injection dans un visionneuse DICOM avec un plugin DCE. Choisissez l’importation pour charger la séquence DCE en mode 4D et sélectionnez le dossier DICOM contenant les images IRM. Placez un millimètre carré circulaire à la région dimensionnelle d’intérêt dans la moelle osseuse proximale de l’arbre tibial de la jambe arrière droite dans la quatrième ou cinquième image IRM et sélectionnez l’amélioration relative dans le type de parcelle.

Entrez la plage de référence des points de temps, un à cinq dans les champs respectifs et exportez l’analyse sous la forme d’un fichier TXT à points nommé DCE raw dot TXT. Ouvrez RStudio et chargez le fichier DCE script dot R fourni. Sélectionnez le code, exécutez la région et exécutez le tout pour exécuter l’ensemble du script et copiez la sortie vers le fichier de modèle de fonctionnalités d’imagerie fourni.

Dans la visionneuse DICOM, placez une deuxième région d’intérêt dans le muscle arrière de l’animal et répétez les mesures de DCE telles qu’démontrées. Dans la feuille de calcul des caractéristiques d’imagerie, les mesures osseuses respectives seront automatiquement divisées par les mesures musculaires respectives pour la normalisation des données. Pour analyser les images PET/CT, ouvrez le logiciel d’analyse PET/CT et importez les images PET/CT.

Cliquez sur l’analyse générale et sélectionnez la quantification de la région d’intérêt, créez et créez une région d’intérêt à partir d’un modèle. Placez une région d’intérêt dimensionnelle de quatre par six millimètres dans la moelle osseuse de l’arbre tibial proximal de la jambe arrière droite et certaines régions d’intérêt ciblent une superposition. Notez les valeurs moyennes, minimales et maximales en becquerels par millilitre.

Ensuite, divisez la valeur maximale par l’activité injectée et multipliez le résultat par le poids de l’animal en grammes pour calculer la valeur d’absorption normalisée. Pour diagnostiquer le taux de croissance tumoral dans la patte arrière injectée. Après avoir obtenu des images d’IRM et de TEP/TEP le jour 30 après l’injection, analyser les images telles qu’elles ont été démontrées et ajouter une colonne tumorale à la feuille de calcul des caractéristiques d’imagerie.

Ensuite, entrez un ou zéro pour les animaux ayant une métastase ou sans charge tumorale visible respectivement. Pour déterminer les caractéristiques les plus pertinentes pour la prédiction de la croissance future des tumeurs, importez la feuille de calcul dans une machine d’apprentissage automatique de visualisation de données open source et une boîte à outils d’exploration de données. Faites glisser la sous-routine de fichier à partir du menu de données dans l’espace de travail et cliquez deux fois sur le fichier.

Cliquez sur l’icône du dossier pour charger la feuille de calcul et sélectionner la feuille de calcul des fonctionnalités d’imagerie. Sélectionnez la feuille de travail d’exportation et attribuez l’attribut cible à la tumeur variable. Attribuez la fonction de saut au numéro d’animal.

Faites glisser la sous-routine de rang dans l’espace de travail et tracez une ligne pour vous connecter au fichier et classer les sous-routines. Ensuite, double clic pour ouvrir la sous-routine de rang et sélectionner l’algorithme de gain d’information. Pour l’analyse de l’apprentissage automatique, ouvrez RStudio 3.4.1 et chargez le script R du modèle de train fourni.

Sélectionnez les lignes trois à six dans le script pour charger les bibliothèques requises. Cliquez sur le code pour exécuter le code sélectionné et cliquez sur exécuter des lignes sélectionnées pour exécuter les lignes sélectionnées. Pour former une moyenne de modèle à l’algorithme de réseau neuronal, sélectionnez des lignes huit à 39 à partir du script de modèle de train R et cliquez sur le code et exécutez des lignes sélectionnées.

Ensuite, pour évaluer les paramètres standard de précision diagnostique, sélectionnez les lignes 41 à 50 à partir du script R du modèle de train et cliquez sur le code et exécutez des lignes sélectionnées. Le jour 10 après la chirurgie et l’injection de cellules cancéreuses, des images d’IRM et de PET/CT peuvent être acquises. L’analyse du DCE permet de mesurer les zones d’intérêt des tissus musculaires et osseux.

Ces valeurs peuvent être normalisées en divisant les mesures osseuses par les mesures musculaires. Le jour 30 post-injection, tous les animaux sont évalués pour déterminer s’ils ont développé des métaasticies avec un indiquant un fardeau positif de tumeur et un zéro indiquant des animaux sains sans tumeurs visibles. L’exécution du script R du modèle de train permet de déterminer la combinaison optimale d’hypermètres et de calculer le modèle final à l’aide de la combinaison optimale d’hypermètres.

Ces données permettent de calculer un ensemble de paramètres diagnostiques standard et de tracer la courbe caractéristique d’exploitation du récepteur du modèle. Par exemple, dans cette analyse de 28 échantillons, le modèle est nettement plus performant que ses trois constituants. Plusieurs algorithmes d’apprentissage automatique ont tendance à mieux fonctionner lorsque les données d’entrée sont normalisées.

Dans ce protocole, la normalisation est réalisée à l’aide de la fonction Box Cox. Ce protocole utilise une moyenne de modèle pendant le réseau comme algorithme d’apprentissage automatique. Toutefois, le cadre fourni peut facilement être adapté à d’autres algorithmes tels que les forêts aléatoires ou les machines vectorielles de soutien.

L’extraction d’informations numériques à partir de matériel d’image est devenue essentielle. Des algorithmes comme ceux-ci peuvent faciliter l’intégration de grandes quantités de données pour permettre la stratification des patients.