אלגוריתמים למידת מכונה לגילוי מוקדם של גרורות עצם במודל עכברוש ניסיוני
August 16th, 2020
פרוטוקול זה נועד לאמן אלגוריתם למידת מכונה להשתמש בשילוב של פרמטרי הדמיה הנגזרים מהדמיית תהודה מגנטית (MRI) ומטוגרפיה של פליטת פוזיטרונים/טומוגרפיה ממוחשבת (PET/CT) במודל חולדה של גרורות עצם סרטן השד כדי לזהות מחלה גרורתית מוקדמת ונבא התקדמות עוקבת למקרומטאזאזים.
פרוטוקול זה מאפשר פיתוח של אלגוריתם למידת מכונה לחיזוי הצמיחה של גרורות עצם במודל ניסיוני בשלב של קולוניזציה ארגון מוקדם. היתרון העיקרי של טכניקה זו הוא שהיא משלבת מספר פרמטרי הדמיה לתוך אלגוריתם למידת מכונה כי באופן משמעותי עולה על היכולת היצרנית של כל פרמטר בודד. אמנם, פרוטוקול זה נועד לאבחון מוקדם של גרורות בעצמות, זה יכול להיות מותאם לאיברים שונים או אזורים של מחקר הדמיה רב-מודלית ורב-תכליתית.
10 ימים לאחר הניתוח והזרקה בצופה DICOM עם תוסף DCE. בחרו 'ייבוא' לטעינת רצף DCE במצב 4D ובחרו בתיקיה DICOM הכוללת את תמונות ה-MRI. מניחים מעגלי 1.5 מילימטר מרובע לאזור מימדי של עניין במח עצם פיר טיביאלי proximal של הרגל האחורית הימנית בתוך תמונת MRI הרביעית או החמישית ובחר שיפור יחסי בסוג העלילה.
הזן את הטווח הבסיסי מנקודות זמן, אחת עד חמש לתוך השדות המתאימים וייצא את הניתוח כקובץ TXT נקודה בשם DCE raw dot TXT. פתח את RStudio וטען את קובץ ה- DCE של DCE נקודה R. בחר קוד, הפעל אזור והפעל הכל כדי להפעיל את קובץ ה- Script כולו ולהעתיק את הפלט לקובץ התבנית של תכונות הדימות שסופק.
בצופה DICOM, למקם אזור שני של עניין בתוך השריר האחורי של החיה ולחזור על מדידות DCE כפי שהוכח. בגיליון האלקטרוני של תכונת ההדמיה מדידות העצם המתאימות יחולקו באופן אוטומטי על ידי מדידות השרירים המתאימות לנורמליזציה של נתונים. כדי לנתח את תמונות PET /CT לפתוח את תוכנת ניתוח PET / CT ולייבא את תמונות PET / CT.
לחץ על ניתוח כללי ובחר אזור של כימות עניין, צור וצור אזור מעניין מתבנית. מניחים ארבעה על שישה מילימטר, לאזור מימדי של עניין בתוך מח העצם של פיר טיביאלי proximal של הרגל האחורית הימנית ולבחור אזורים של עניין היעד שכבת-על אחת. שים לב לערכים הממוצעים, המינימליים והמקסימום ב- becquerels למיליליטר.
לאחר מכן, לחלק את הערך המרבי על ידי הפעילות מוזרק להכפיל את התוצאה על ידי משקל החיה בגרמים כדי לחשב את ערך ספיגה מתוקן. כדי לאבחן את קצב הגידול ברגל האחורית מוזרק. לאחר קבלת תמונות MRI ו- PET/CT ביום 30 לאחר ההזרקה, נתח את התמונות כפי שהוכח והוסף עמודת גידול לגיליון האלקטרוני של תכונות ההדמיה.
לאחר מכן הזן אחד או אפס עבור בעלי חיים עם גרורות או ללא נטל גידול גלוי בהתאמה. כדי לקבוע את התכונות הרלוונטיות ביותר לחיזוי צמיחת הגידול בעתיד, יבא את הגיליון האלקטרוני לתוך ערכת כלים של למידת מכונה וכריית נתונים בקוד פתוח. גרור את תת-השגרה של הקובץ מתפריט הנתונים לסביבת העבודה ולחץ פעמיים על הקובץ.
לחץ על סמל התיקיה כדי לטעון את הגיליון האלקטרוני ולבחור בגיליון האלקטרוני של תכונות הדימות. בחר את גליון העבודה של הייצוא והקצה את תכונת היעד לגידול המשתנה. הקצה את פונקציית הדילוג למספר החייתי.
גרור את שגרת המשנה של הדירוג לסביבת העבודה וצייר קו כדי להתחבר לשגרות המשנה של הקבצים והדרגות. לאחר מכן, לחץ פעמיים כדי לפתוח את שגרת המשנה של הדירוג ובחר את אלגוריתם רווח המידע. לניתוח למידת מכונה, פתח את RStudio 3.4.1 וטען את סקריפט R דגם הרכבת שסופק.
בחר שורות שלוש עד שש בתוך קובץ ה- Script כדי לטעון את הספריות הנדרשות. לחץ על קוד כדי להפעיל את הקוד הנבחר ולחץ על הפעל שורות נבחרות כדי להפעיל את השורות שנבחרו. כדי לאמן ממוצע דגמים לאלגוריתם רשת עצבית, בחר קווים 8 עד 39 מקובץ ה- Script של דגם הרכבת R ולחץ על קוד והפעל קווים נבחרים.
לאחר מכן, כדי להעריך את הפרמטרים הסטנדרטיים של דיוק אבחון, בחר קווים 41 עד 50 מקובץ ה- Script של דגם הרכבת R ולחץ על קוד והפעל קווים נבחרים. ביום 10 לאחר ניתוח והזרקת תאים סרטניים, ניתן לרכוש תמונות MRI ו- PET/CT. ניתוח DCE מאפשר מדידה של אזורי עניין של רקמת שריר ועצם.
ערכים אלה יכולים להיות מנורמלים על ידי חלוקת מדידות העצם על ידי מדידות השריר. ביום 30 לאחר ההזרקה, כל בעלי החיים מוערכים כדי לקבוע אם הם פיתחו מטסטיות עם אחד המציין נטל גידול חיובי ואפס המציין בעלי חיים בריאים ללא גידולים גלויים. הפעלת קובץ ה- Script של מודל הרכבת R מאפשרת לקבוע את שילוב פרמטר ההיפר האופטימלי ואת המודל הסופי שיש לחשב באמצעות שילוב פרמטר ההיפר האופטימלי.
נתונים אלה מאפשרים לחשב ערכה של פרמטרי אבחון סטנדרטיים ואת עקומת מאפיין הפעולה של המקלט של המודל להתוות. לדוגמה, בניתוח זה של 28 דגימות המודל מבצע באופן משמעותי טוב יותר מכל שלושת המרכיבים שלו. מספר אלגוריתמים של למידת מכונה נוטים לבצע ביצועים טובים יותר כאשר נתוני הקלט מנורמלים.
בפרוטוקול זה הנורמליזציה מושגת באמצעות הפונקציה Box Cox. פרוטוקול זה משתמש בממוצע מודלים במהלך הרשת כאלגוריתם למידת מכונה. עם זאת, ניתן להתאים בקלות את המסגרת שסופקה לאלגוריתמים אחרים כגון יערות אקראיים או מכונות וקטור תמיכה.
חילוץ מידע מספרי מחומר תמונה הפך חיוני. אלגוריתמים כאלה עשויים להקל על שילוב כמויות גדולות של נתונים כדי לאפשר ריבוד מטופלים.
View the full transcript and gain access to thousands of scientific videos
סקירה
פרוטוקול זה מאפשר את הפיתוח של אלגוריתם למידת מכונה לחיזוי צמיחת גרורות עצם במודל ניסויי בשלב ההתפשטות המוקדמת של האורגן. הטכניקה משלבת מספר פרמטרים של הדמיה לתוך אלגוריתם למידת מכונה שמבצע משמעותית טוב יותר מהיכולת הפרודוקטיבית של כל פרמטר בודד.
רכיבי מחקר מרכזיים
תחום המדע
- מדעי המוח
- אונקולוגיה
- למידת מכונה
רקע
- אבחון מוקדם של גרורות הוא קריטי לטיפול יעיל.
- גרורות עצם מציבות אתגרים ייחודיים בהדמיה ואבחון.
- שילוב שיטות הדמיה יכול לשפר את יכולות הגילוי.
- פרוטוקול זה ניתן להתאמה לאיברים או תחומים שונים של מחקר הדמיה מרובי-אופנים.
מטרת המחקר
- לאימן אלגוריתם למידת מכונה לגילוי מוקדם של מחלה גרורותית.
- לחזות התקדמות למקרומטסטות במודל של חולדה.
- לשפר את דיוק האבחון באמצעות פרמטרים של הדמיה משולבים.
שיטות ששימשו
- ניצול פרמטרים של הדמיה MRI ו-PET/CT.
- יישום טכניקות למידת מכונה לניתוח נתוני הדמיה.
- יישום צפייה DICOM עם תוסף DCE לניתוח תמונות.
- בחירת אזורי עניין במח העצם לצורך הדמיה משופרת.
תוצאות עיקריות
- האלגוריתם של למידת המכונה הפגין יכולות חיזוי משופרות.
- גילוי מוקדם של גרורות הושג ברמת דיוק גבוהה יותר.
- התוצאות מצביעות על פוטנציאל להתאמה לאיברים אחרים.
- הפרוטוקול מראה הבטחה למחקר עתידי בהדמיה מרובי-אופנים.
מסקנות
- פרוטוקול זה מציע גישה חדשנית לאבחון מוקדם של גרורות עצם.
- שילוב שיטות הדמיה משפר את הגילוי והחיזוי.
- יישומים עתידיים עשויים להתרחב למערכות איברים שונות.
שאלות נפוצות
Executive Industry Relevance
Early detection of bone metastases remains a critical challenge in oncology drug development, where current imaging often misses micrometastatic disease during preclinical staging. This machine learning approach integrates multimodal imaging features to improve predictive accuracy for metastatic progression, enabling earlier intervention and better model selection in preclinical studies. By identifying animals likely to develop metastases before standard imaging detection, the method supports mechanistic de-risking and improves confidence in target validation efforts.
Strategic Applications in Biopharma R&D
Early Discovery & Target Validation
- Scientific Value: Enables interrogation of therapeutic hypotheses by predicting metastatic outcome from early imaging biomarkers.
- Operational Value: Supports biological de-risking through stratification of models based on predicted metastatic potential.
- Predictive Value: Improves confidence in target selection by identifying models most likely to progress to macrometastasis.
Screening & Assay Development
- Assay Readiness: Prepares validated imaging-derived features for standardized compound screening in metastasis models.
- Quantitative Output: Generates normalized MRI and PET/CT metrics suitable for high-throughput feature extraction.
- Scalability: Framework adapts to unlimited features and multiple ML algorithms for assay optimization.
Translational & Preclinical Research
- Disease Relevance: Uses a site-specific rat model of breast cancer bone metastases with defined tumor-take rate.
- Translational Continuity: Links early imaging biomarkers to macrometastatic outcomes validated by MRI/PET/CT at day 30.
- Risk-Adjusted Decisions: Enables prioritization of compounds based on predicted metastasis suppression in high-risk models.
Pipeline & Workflow Integration
The method fits within the discovery continuum from early target validation through lead identification to preclinical efficacy testing, particularly in bone metastasis models where early prediction informs study design.
- Discovery Biology: Supports hypothesis testing by classifying animals into metastatic and non-metastatic groups using early imaging features.
- Screening: Enables assay standardization through normalized feature extraction from DCE-MRI and SUV-PET/CT measurements.
- Analytics: Provides diagnostic accuracy metrics including sensitivity, specificity, and ROC analysis for model evaluation.
- Translational Research: Connects early organ colonization signals to late-stage macrometastatic disease in a clinically relevant model.
- Enterprise Reuse: Framework can be adapted across oncology, infection, and inflammation studies using multimodal imaging.
Operational & Enterprise Impact
- Scientific Value: Increases predictive confidence in metastasis models by outperforming individual imaging parameters.
- Operational Value: Standardizes feature extraction and normalization across imaging modalities for reproducible results.
- Strategic Value: Improves go/no-go decisions by identifying non-progressing models early, reducing wasted resources.
- Portfolio Impact: Enables risk-adjusted advancement by focusing on compounds effective in high-risk metastatic models.
Implementation Considerations
- Requires expertise in MRI/PET/CT image analysis and feature extraction using DICOM tools.
- Needs RStudio and ML toolkits for model training, validation, and diagnostic metric calculation.
- Demands standardization of ROI placement and normalization procedures (e.g., bone-to-muscle ratios, Box-Cox).
- Involves adaptation considerations when applying the framework to different organs or imaging protocols.
- Limited by the need for longitudinal imaging at defined time points (day 10 and day 30) in the rat model.
Biopharma FAQs
Chapters in this video
0:04
Introduction
0:46
Magnetic Resonance Imaging (MRI) Analysis
2:11
Positron Emission Tomography/Computed Tomography (PET/CT) Analysis
3:03
Tumor-Take Rate Calculation
3:30
Feature Selection
4:23
Machine Learning (ML) Analysis, Model-Averaged Neural Network (avNNet) ML Algorithm Training, and ML Algorithm Data Analysis
5:12
Results: Representative Machine Learning Algorithm Rat Bone Metastasis Detection
6:19
Conclusion
