חיזוי טיפול בתגובה תמונה מונחה טיפולים באמצעות למידה חישובית: דוגמא לטיפול קרצינומה Hepatocellular הטרנס-עורקים
10 באוקטובר 2018
טיפולים התוך עורקי הם סטנדרטי של טיפול בחולים עם קרצינומה hepatocellular, אשר לא ניתן לעבור כריתה כירורגית. שיטה לחיזוי התגובה לטיפולים אלה מוצע. הטכניקה משתמשת במידע קליני, דמוגרפי, הדמיה מראש פרוצדורלי לאמן מכונת למידה מודלים מסוגל לחזות את התגובה לפני הטיפול.
שיטה זו יכולה לעזור לחזות תגובה לטיפולים תוך עורקיים. יישומי למידת מכונה באונקולוגיה התערבותית ישנו את האופן שבו אנו מטפלים בסרטן הכבד ומחלות אחרות עם טיפולים מונחי תמונה. לשיטה זו יש פוטנציאל לשפר את האופן שבו מתקבלות שתי החלטות חשובות.
בדרך כלל, אנשים חדשים בשיטה זו יתקשו בגלל הצורך ליצור את התכונות ולבצע למידת מכונה וקוד. הדגמה חזותית של שיטה זו היא קריטית מכיוון שלבי יצירת התכונות כרוכים בחילוץ תכונות אלה באמצעות מסיכות הדמיה. ערכת נתונים מבואר היטב ומייצג קלינית יש צורך לאמן את המודל.
יהיה צורך בנתונים סבלניים נוספים ובקבוצה גדולה כדי לשפר עוד יותר את האלגוריתם של למידת מכונה. לאחר שתחליט אילו תכונות קליניות לכלול במודל, השתמש בערכת כלי שפה טבעית מתאימה כדי לנתח את הערות המרפאה בטקסט רגיל למשפטים כדי לאפשר חיפוש אחר תנאי עניין. לאחר מכן אחסן את התכונות של כל מטופל בקובץ עם תכונה אחת בכל שורה.
עבור תכונות שאינן בינאריות, השג את הערך החציוני של כל תכונה בכל המטופלים והפוך כל תכונה לערך אמת או כערך כוזב בהתבסס על הערך החציוני. כדי לחשב תכונה ממוצעת של שיפור בכבד מתמונה רפואית. לאחר בידוד הווקסלים המכילים את הכבד, הזן את הפקודה הממוצעת לשיפור הכבד.
כדי לקבוע את תכונת נפח הכבד, הזן את הפקודות כמצוין. לאחר מכן חשב ערכים חציוניים עבור כל תכונת דימות והפוך את התכונות למחסנים כפי שהוכח. עבור צבירה וצמצום של התכונות, הסר תחילה את התכונות בעלות השונות הנמוכה מהתחשבות וקרא את התכונות במטריצה הבינארית.
לאחר מכן, השתמש במודל סף השונות כדי לחשב את התכונות המופיעות ב- 20% לפחות הן של המגיבים והן של המגיבים שאינם מגיבים, בדומה למודל המוצג בטבלה. הסר את כל התכונות עם שיוך univariate נמוך עם התוצאה ולסנן רק את התכונות שעוברות את ההקרנה המקורית גרסה נמוכה שמירה על n תכונות שבו n הוא מספר החולים. לאחר מכן קרא במטריצה הבינארית עבור כל תכונה, בדומה למהויר בטבלה.
לאחר שהתכונות עברו סינון וסינון, הגיע הזמן לאמן את הדגם. אימון מודל הוא תהליך פשוט שמתאים את התכונות לתוצאה תחת מחקר והוא יכול לשמש כדי להפוך תחזיות על חולים חדשים. בניתוח מייצג זה של 36 חולים שעברו טיפולים עורקיים טרנס עבור קרצינומה hepatocellular, 25 תכונות זוהו binarized כפי שהוכח עם 5 תכונות לספק הן את הגרסאות ואת מסנני האגודה univariate.
כל מטופל תויג כמגיב או כגיב תחת האגודה האירופית הכמותית לחקר הקריטריונים לתגובת הכבד. כפי שמודגם, הן הרגרסיה הלוגיסטית והן מודל היער האקראי חזו תגובה טיפולית כימומבוליזציה חוצת עורקים בדיוק כולל של 78% בעקבות שיטה זו, ניתן לבצע תחזיות על חולים חדשים על ידי יישום מודל האימון. טכניקה זו של למידת מכונה יכולה להיות מיושמת באופן אוניברסלי על כל טיפול הכרוך בהדמיה טרום-פרוצדורלית, בין-פרוצדורלית ופוסט-פרוצדורלית.
צפו בתמליל המלא וקבלו גישה לאלפי סרטונים מדעיים
סקירה כללית
מאמר זה דן בשיטה לניבוי תגובה לטיפולים תוך-עורקיים בחולים עם קרצינומה של התאי הכבדיים (hepatocellular carcinoma). באמצעות שימוש בנתונים קליניים, דמוגרפיים ונתוני דימות טרום-פרוצדורליים, ניתן לאמן מודלים של למידת מכונה כדי לחזות את תוצאות הטיפול.
מרכיבי מפתח של המחקר
תחום המדע
- אונקולוגיה התערבותית
- יישומים של למידת מכונה
- טיפול בקרצינומה של התאי הכבדיים
רקע
- טיפולים תוך-עורקיים הם הסטנדרט עבור מטופלים שאינם כשירים לניתוח.
- חיזוי תגובה לטיפול יכול לשפר את קבלת ההחלטות הקלינית.
- הפקת מאפיינים מנתוני דימות היא קריטית לאימון המודל.
- סט נתונים המייצג את המצב הקליני נחוץ לביצועי מודל יעילים.
מטרת המחקר
- לשיפור החיזוי של תגובת המטופל לטיפולים תוך-עורקיים.
- לסיוע בקבלת החלטות קליניות טובות יותר בטיפול בסרטן הכבד.
- להדגמת החשיבות של למידת מכונה באונקולוגיה התערבותית.
שיטות שנעשה בהן שימוש
- איסוף נתונים טרום-פרוצדורליים (קליניים, דמוגרפיים, דימות).
- אימון מודל למידה מכונה לניבוי תגובה.
- חילוץ מאפיינים באמצעות מסכות דימות.
- שימוש במערך נתונים עם הערות שוליים (annotations) מקיפות לדיוק המודל.
תוצאות עיקריות
- השיטה המוצעת מבטיחה בניבוי תוצאות טיפול.
- למידת מכונה יכולה לשנות את הגישה לטיפולים בסרטן הכבד.
- הדגמות חזותיות הן חיוניות להבנת יצירת מאפיינים.
- קיימים אתגרים עבור מצטרפים חדשים ביישום שיטה זו.
מסקנות
- לשיטה זו יש פוטנציאל לשפר אסטרטגיות טיפול בסרטן הכבד.
- יישומים של למידת מכונה יכולים להשפיע משמעותית על אונקולוגיה התערבותית.
- נדרשים מחקר ופיתוח נוספים כדי לדייק מודלים ניבויים אלו.
שאלות נפוצות
רלוונטיות לתעשייה עבור מנהלים
חיזוי תגובה לטיפול לפני ההתערבות נותן מענה לאתגר קריטי בפיתוח תרופות אונקולוגיות: הפחתת כישלונות קליניים בשלבים מאוחרים עקב חוסר יעילות. באמצעות אפשור סטרטיפיקציה של חולים המבוססת על נתונים וקבלת החלטות לגבי המשכיות הפיתוח (go/no-go), מסגרת למידת מכונה זו תומכת בהפחתת סיכונים מנגנונית ומשפרת את הביטחון החזוי בשלבי הגילוי המוקדמים. התשומשיות שלה לטיפולים מונחי דימות מרחיבה את הרלוונטיות על פני מודליות אונקולוגיות שונות, ובכך משפרת את תיעדוף הסיכונים המותאם ברובד הפורטפוליו.
יישומים אסטרטגיים במחקר ופיתוח בביופארמה
גילוי מוקדם ותיקוף מטרה
- ערך מדעי: תומך בבחינה של היפותזות טיפוליות על ידי קישור מאפייני בסיס לתגובה לטיפול, ובכך מבהיר אילו תתי-קבוצות של חולים צפויות להפיק את התועלת המרבית.
- ערך תפעולי: מאפשר תיקוף של מטרות פונקציונליות באמצעות ניתוח רטרוספקטיבי של תוצאות קליניות ותוצאות דימות, ובכך מפחית עמימות מכניסטית בתוכניות בשלב מוקדם.
- ערך ניבוי: משפר את תעדוף הפורטפוליו על ידי זיהוי מוקדם שלו של חולים שאינם מגיבים, מה שמאפשר הקצאה מחדש של משאבים לאינדיקציות בעלות סבירות גבוהה יותר להצלחה.
סריקה ופיתוח בדיקות
- ערך מדעי: מכין מערכות ביולוגיות וקליניות עוברות תיקוף עבור זרימות עבודה המשך, על ידי ביסוס קשרים הדירים בין מאפיינים לתגובה.
- ערך תפעולי: מקדם סטנדרטיזציה של בדיקות ויכולת הרחבה באמצעות מיצוי מאפיינים בינאריים ופרוטוקולי תיקוף צולב.
- מוכנות לסריקה: מייצר פלטים כמותיים (למשל, דיוק חיזוי, חשיבות מאפיין) המאפשרים הערכה מהימנה של תרכובות או התערבויות במודלים פרה-קליניים.
מחקר תרגומי ופרה-קליני
- המשכיות תרגומית: מקשרת בין זיהוי מאפיינים בשלב הגילוי לבין תיקוף פרה-קליני, על ידי שימוש בביומרקרים ממקור קליני להנחיית אימון המודל.
- קידום מותאם סיכון: תומכת בהחלטות המשך/עצירה (go/no-go) באמצעות כימות רמת הביטחון בניבוי, ובכך מפחיתה סיכון ביולוגי לפני ביצוע מחקרים פרה-קליניים יקרים.
- הפחתת סיכון מכניסטית: מתמקדת בערך הניבוי ולא במכניזם בלבד, בהתאמה לאסטרטגיות של ביומרקרים תרגומיים בנתיבי פיתוח (pipelines) אונקולוגיים.
שילוב תהליכי עבודה וצינורות עיבוד
השיטה משתלבת ברצף הגילוי, החל מתיקוף מטרה, דרך זיהוי מובילים ועד לבדיקת יעילות פרה-קלינית, ובמיוחד עבור מודליות אונקולוגיות הכוללות הובלה מודרכת בדימות.
- ביולוגיה של גילוי: תומך בבדיקת השערות על ידי זיהוי המאפיינים הקליניים ומאפייני הדימות הבסיסיים המתאימים לתגובה לטיפול, ובכך מבהיר את קריטריונים לבחירת מטופלים.
- סריקה: מאפשר מוכנות של הבדיקה באמצעות הפקה ובינאריזציה סטנדרטיות של מאפיינים, דבר המשפר את השחזוריות בין אתרים ומודלים שונים.
- אנליטיקה: מספק פלטים כמותיים כגון דיוק חיזוי (78% במחקר) ומדדי בחירת מאפיינים, המאפשרים השוואה אובייקטיבית של תנאי התערבות.
- מחקר תרגומי: מקשר לרציפות פרה-קלינית על ידי שימוש בתוויות תגובה הנגזרות מקריטריונים מבוססים (למשל, EASL), כדי להתאים את פלטי המודל לנקודות סוף רלוונטיות מבחינה קלינית.
- שימוש חוזר בארגון: מציג את גישת הנדסת המאפיינים וממוצע המודלים כיכולת לשימוש חוזר, הישימה על פני אינדיקציות שונות וטיפולים מונחי דימות מעבר לקרצינומה של התאים הכבדיים.
השפעה תפעולית ועסקית
- ערך מדעי: מגביר את הביטחון החזוי בתיקוף מטרה על ידי הפחתת ההסתמכות על נתוני תגובה אנקדוטליים ומאפשר סטרטיפיקציה של חולים המבוססת על נתונים.
- ערך תפעולי: משפר את השחזוריות והיכולת להרחבה (scalability) באמצעות חילוץ תכונות סטנדרטי, בינאריזציה ואימות צולב מסוג leave-one-out.
- ערך אסטרטגי: משפר את איכות קבלת החלטות ה-go/no-go, מה שמוביל ליעילות הון גבוהה יותר ולהפחתת סיכון ביולוגי בשלבים מאוחרים בתיקי פיתוח בתחום האונקולוגיה.
- השפעה על תיק הפיתוח: מאפשר תעדוף מותאם סיכונים על ידי זיהוי הת indicaciones או תת-קבוצות עם סבירות תגובה חזויה גבוהה יותר, ובכך תומך בהחלטות קידום חכמות יותר.
שיקולי יישום
- דורש מומחיות באוצרות נתונים קליניים, הנדסת מאפיינים (feature engineering), ואימון ותיקוף של מודלים של למידת מכונה.
- תלוי בגישה למאגרי נתונים עם הערות (annotations) מדויקות, המייצגים מצבים קליניים וכוללים נתוני דימות, דמוגרפיה ותוצאות תואמים.
- מצריך סטנדרטיזציה בין צוותים השונים בהגדרת מאפיינים ובספי סף בינאריזציה כדי להבטיח את יכולת ההכללה של המודל.
- כולל שיקולי התאמה בעת יישום המסגרת על מערכות מודלים שונות או שיטות דימות שונות.
- מוגבל על ידי המאמץ הידני הנדרש להפקת מאפיינים מתוך הדימות ומרשומות קליניות, דבר העלול להגביל את יכולת ההרחבה (scalability) ללא אוטומיזציה.
