אלגוריתמים למידת מכונה לגילוי מוקדם של גרורות עצם במודל עכברוש ניסיוני
16 באוגוסט 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.
צפו בתמליל המלא וקבלו גישה לאלפי סרטונים מדעיים
סקירה כללית
פרוטוקול זה מסייע בפיתוח אלגוריתם למידת מכונה לחיזוי צמיחה של גרורות בעצם במודל ניסויי בשלב מוקדם של התנחלות באיברים. הטכניקה משלבת מספר פרמטרים של דימות לכדי אלגוריתם למידת מכונה, אשר ביצועיו עולים באופן משמעותי על היכולת החיזוית של כל פרמטר בנפרד.
מרכיבי מפתח של המחקר
תחום המדע
- מדעי המוח
- אונקולוגיה
- למידת מכונה
רקע
- אבחון מוקדם של גרורות הוא חיוני לטיפול יעיל.
- גרורות בעצם מציבות אתגרים ייחודיים בדימות ובאבחון.
- שילוב של שיטות דימות שונות יכול לשפר את יכולות הגילוי.
- פרוטוקול זה ניתן להתאמה לאיברים שונים או לתחומי מחקר אחרים של דימות רב-מודאלי.
מטרת המחקר
- לאמן אלגוריתם למידת מכונה לזיהוי מוקדם של מחלה גרורתית.
- לחזות התקדמות למקרו-גרורות במודל חולדה.
- לשפר את הדיוק האבחנתי באמצעות שילוב של פרמטרי דימות.
שיטות שנעשה בהן שימוש
- ניצול פרמטרים של דימות MRI ו-PET/CT.
- יישום טכניקות של למידת מכונה לניתוח נתוני דימות.
- הטמעה של תוכנת DICOM viewer עם תוסף DCE לניתוח תמונות.
- בחירת אזורי עניין (regions of interest) במח העצם לדימות משופר.
תוצאות עיקריות
- אלגוריתם הלמידה המכנית הדגים יכולות ניבוי משופרות.
- גילוי מוקדם של גרורות הושג בדיוק גבוה יותר.
- התוצאות מצביעות על פוטנציאל להתאמה לאיברים אחרים.
- הפרוטוקול מבטיח למחקרים עתידיים בדימות רב-מודאלי.
מסקנות
- פרוטוקול זה מציע גישה חדשנית לאבחון מוקדם של גרורות בעצם.
- שילוב של שיטות דימות משפר את הגילוי והניבוי.
- יישומים עתידיים עשויים להתרחב למערכות איברים שונות.
שאלות נפוצות
רלוונטיות לתעשייה
גילוי מוקדם של גרורות בעצמות נותר אתגר קריטי בפיתוח תרופות אונקולוגיות, כאשר הדמיות נוכחיות מחמיצות לעיתים קרובות מחלות מיקרו-גרורתיות במהלך השלב הפרה-קלני. גישה זו של למידת מכונה משלבת מאפייני הדמיה רב-מודאליים כדי לשפר את הדיוק החזוי של התקדמות גרורתית, מה שמאפשר התערבות מוקדמת יותר ובחירה טובה יותר של מודלים במחקרים פרה-קלניים. על ידי זיהוי בעלי חיים בעלי סבירות גבוהה לפתח גרורות לפני זיהוי באמצעות הדמיה סטנדרטית, השיטה תומכת בהפחתת סיכונים מכניסטית ומשפרת את הביטחון במאמצי תיקוף המטרה.
יישומים אסטרטגיים במחקר ופיתוח בביופארמה
גילוי מוקדם ותיקוף מטרה
- ערך מדעי: מאפשר בחינה של השערות טיפוליות על ידי חיזוי תוצאות גרורתיות באמצעות סמנים ביולוגיים של דימות מוקדם.
- ערך תפעולי: תומך בהפחתת סיכונים ביולוגיים באמצעות סיווג של מודלים על בסיס פוטנציאל גרורתי חזוי.
- ערך ניבוי: משפר את הביטחון בבחירת המטרה על ידי זיהוי המודלים בעלי הסבירות הגבוהה ביותר להתקדם למאקרו-גרורה.
סריקה ופיתוח בדיקה
- מוכנות הבדיקה: מכין מאפיינים מתוקתקים המופקים מדימות עבור סריקה סטנדרטית של תרכובות במודלים של גרורות.
- פלט כמותי: מייצר מדדי MRI ו-PET/CT מנורמלים המתאימים להפקת מאפיינים בסריקה רב-מדגמית (high-throughput).
- סקליביליות: המסגרת מותאמת למספר בלתי מוגבל של מאפיינים ולמספר אלגוריתמי ML לצורך אופטימיזציה של הבדיקה.
מחקר תרגומי ופרה-קליני
- רלוונטיות למחלה: שימוש במודל חולדה ספציפי לאתר של גרורות לסרטן השד בעצמות עם שיעור קליטה מוגדר של הגידול.
- המשכיות תרגומית: קישור בין סמנים ביולוגיים של הדמיה מוקדמת לתוצאות של מקרו-גרורות שאומתו באמצעות MRI/PET/CT ביום 30.
- החלטות מותאמות סיכון: מאפשר תיעדוף של תרכובות בהתבסס על דיכוי גרורות חזוי במודלים בסיכון גבוה.
שילוב זרימת עבודה ותהליכי עיבוד (Pipeline)
השיטה משתלבת ברצף הגילוי, החל מתיקוף מטרות בשלב מוקדם, דרך זיהוי מובילים ועד לבדיקות יעילות פרה-קליניות, במיוחד במודלים של גרורות בעצם שבהם חיזוי מוקדם מנחה את תכנון המחקר.
- ביולוגיה של גילוי: תומך בבדיקת היפותזות על ידי סיווג בעלי חיים לקבוצות גרורתיות ושאינן גרורתיות באמצעות מאפייני הדמיה מוקדמים.
- סריקה: מאפשר סטנדרטיזציה של בדיקות באמצעות חילוץ מאפיינים מנורמלים ממדידות DCE-MRI ו-SUV-PET/CT.
- אנליטיקה: מספק מדדי דיוק אבחנתיים הכוללים רגישות, סגוליות ואנליזת ROC להערכת המודל.
- מחקר תרגומי: מקשר בין סימנים מוקדמים של התנחלות באיברים לבין מחלה גרורתית מאקרוסקופית בשלב מאוחר במודל רלוונטי קלינית.
- שימוש חוזר ארגוני: ניתן להתאים את המסגרת למחקרי אונקולוגיה, זיהומים ודלקות באמצעות הדמיה מולטי-מודאלית.
השפעה תפעולית וארגונית
- ערך מדעי: מגביר את הביטחון החזוי במודלים של גרורות על ידי ביצועים העולים על פרמטרי דימות בודדים.
- ערך תפעולי: סטנדרטיזציה של מיצוי מאפיינים ונורמליזציה בין שיטות דימות שונות להשגת תוצאות הניתנות לשחזור.
- ערך אסטרטגי: משפר את קבלת ההחלטות לגבי המשך או הפסקת הפיתוח (go/no-go) על ידי זיהוי מוקדם של מודלים שאינם מתקדמים, ובכך מפחית בזבוז של משאבים.
- השפעה על הפורטפוליו: מאפשר קידום מותאם סיכונים על ידי התמקדות בתרכובות יעילות במודלים גרורתיים בסיכון גבוה.
שיקולי יישום
- דורש מומחיות בניתוח תמונות MRI/PET/CT ובחילוץ מאפיינים באמצעות כלי DICOM.
- נדרשים RStudio וערכות כלים ל-ML לצורך אימון המודל, תיקוף וחישוב מדדי אבחנה.
- דורש סטנדרטיזציה של מיקום ה-ROI ונהלי נרמול (למשל, יחס עצם-שריר, Box-Cox).
- כולל שיקולי התאמה בעת יישום המסגרת על איברים שונים או פרוטוקולי דימות שונים.
- מוגבל על ידי הצורך בדימות אורך (longitudinal) בנקודות זמן מוגדרות (יום 10 ויום 30) במודל החולדה.
שאלות נפוצות בנושאי ביו-פרמה
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
