Predire la risposta di trattamento alle terapie immagine-guida utilizzando Machine Learning: un esempio per Trans-arteriosa trattamento dell'epatocarcinoma
10 ottobre 2018
Le terapie intra-arteriose sono lo standard di cura per pazienti con carcinoma epatocellulare che non può subire la resezione chirurgica. Viene proposto un metodo per predire la risposta a queste terapie. La tecnica utilizza informazioni demografiche, formazione immagine e cliniche pre-procedurale per addestrare modelli di apprendimento macchina in grado di predire la risposta prima del trattamento.
Questo metodo può aiutare a prevedere la risposta alle terapie intra arteriosa. Le applicazioni di machine learning in oncologia interventica cambieranno il modo in cui trattiamo il cancro al fegato e altre malattie con terapie guidate dall'immagine. Questo metodo ha il potenziale per migliorare il modo in cui vengono prese due decisioni importanti.
In genere, le persone nuove a questo metodo avranno difficoltà a causa della necessità di generare le funzionalità e di eseguire l'apprendimento automatico e il codice. La dimostrazione visiva di questo metodo è fondamentale in quanto i passaggi di generazione delle funzionalità comportano l'estrazione di tali funzionalità utilizzando maschere di imaging. Per addestrare il modello è necessario un set di dati ben annotato e clinicamente rappresentativo.
Saranno necessari più dati sui pazienti e coorti di grandi dimensioni per migliorare ulteriormente tale algoritmo di machine learning. Dopo aver deciso quali caratteristiche cliniche includere nel modello, utilizzare un kit di strumenti in linguaggio naturale appropriato per analizzare le note della clinica in testo normale in frasi per consentire la ricerca di termini di interesse. Quindi memorizzare le funzionalità di ogni paziente in un file con una funzione per riga.
Per le feature non binarie, ottenere il valore mediano di ogni funzionalità in tutti i pazienti e binarizzare ogni funzionalità come valore vero o falso in base al valore mediano. Per calcolare una caratteristica media di miglioramento del fegato da un'immagine medica. Dopo aver isolato i voxel contenenti il fegato, inserire il comando medio di miglioramento del fegato.
Per determinare la funzione volume del fegato, immettere i comandi come indicato. Quindi calcolare i valori mediani per ogni feature di imaging e binarizzare le feature come illustrato. Per l'aggregazione e la riduzione delle feature, rimuovere innanzitutto le feature a bassa varianza dalla considerazione e leggere le feature nella matrice binaria.
Utilizzare quindi il modello di soglia di varianza per calcolare le feature visualizzate in almeno il 20% sia dei risponditori che dei non risponditori, in modo simile a quello illustrato nella tabella. Rimuovere tutte le funzionalità con una bassa associazione univariata con il risultato e filtrare solo quelle caratteristiche che superano lo screening originale a variante bassa mantenendo n caratteristiche in cui n è il numero di pazienti. Quindi leggere nella matrice binaria per ogni feature, simile a come illustrato nella tabella.
Dopo che le feature sono state binarizzate e filtrate, è il momento di addestrare il modello. Il training del modello è un processo semplice che si adatta alle funzionalità del risultato in esame e può essere utilizzato per fare previsioni sui nuovi pazienti. In questa analisi rappresentativa di 36 pazienti sottoposti a terapie trans arteriosa per carcinoma epatocellulare, sono state identificate e binarizzate 25 caratteristiche come dimostrato con 5 caratteristiche che soddisfano sia le varianti che i filtri di associazione univariati.
Ogni paziente è stato etichettato come rispondente o non rispondente nell'ambito dell'Associazione europea quantitativa per lo studio dei criteri di risposta al fegato. Come illustrato, sia la regressione logistica che i modelli forestali casuali hanno previsto una risposta al trattamento di chemioembolizzazione trans arteriosa con una precisione complessiva del 78%Seguendo questo metodo, è possibile fare previsioni sui nuovi pazienti applicando il modello di allenamento. Questa tecnica di machine learning può essere applicata universalmente a qualsiasi terapia che comporti immagini pre-procedurali, inter-procedurali e post-procedurali.
Visualizza la trascrizione completa e accedi a migliaia di video scientifici
Panoramica
In questo articolo viene illustrato un metodo per prevedere la risposta a terapie intra-arteriose in pazienti con carcinoma epatocellulare. Utilizzando dati clinici, demografici e di imaging pre-procedurali, è possibile addestrare modelli di apprendimento automatico a prevedere gli esiti del trattamento.
Componenti Chiave dello Studio
Ambito Scientifico
- Oncoematologia interventistica
- Applicazioni dell'apprendimento automatico
- Trattamento del carcinoma epatocellulare
Background
- Le terapie intra-arteriose sono standard per i pazienti che non possono sottoporsi a intervento chirurgico.
- La previsione della risposta al trattamento può migliorare il processo decisionale clinico.
- La generazione di caratteristiche a partire dai dati di imaging è fondamentale per l'addestramento del modello.
- Un dataset rappresentativo dal punto di vista clinico è necessario per prestazioni efficaci del modello.
Scopo dello studio
- Migliorare la previsione della risposta del paziente alle terapie intra-arteriose.
- Facilitare decisioni cliniche più accurate nel trattamento del cancro del fegato.
- Dimostrare l'importanza dell'apprendimento automatico nell'oncologia interventistica.
Metodi Utilizzati
- Raccolta di dati pre-procedurali (clinici, demografici, di imaging).
- Addestramento del modello di apprendimento automatico per la previsione della risposta.
- Estrazione di caratteristiche mediante maschere di imaging.
- Utilizzo di un dataset ben annotato per l'accuratezza del modello.
Risultati principali
- Il metodo proposto mostra potenzialità nella previsione degli esiti del trattamento.
- L'apprendimento automatico può trasformare l'approccio alle terapie per il cancro del fegato.
- Le dimostrazioni visive sono essenziali per comprendere la generazione delle caratteristiche.
- Esistono difficoltà per i principianti nell'implementare questo metodo.
Conclusioni
- Questo metodo potrebbe migliorare le strategie terapeutiche per il cancro del fegato.
- Le applicazioni dell'apprendimento automatico possono avere un impatto significativo sull'oncologia interventistica.
- Sono necessarie ulteriori ricerche e sviluppi per perfezionare questi modelli predittivi.
Domande frequenti
Rilevanza Industriale del Progetto
La previsione della risposta al trattamento prima dell'intervento affronta una sfida fondamentale nello sviluppo di farmaci oncologici: ridurre i fallimenti clinici in fase avanzata dovuti alla mancanza di efficacia. Permettendo una stratificazione dei pazienti basata sui dati e decisioni di avanzamento o interruzione del progetto, questo framework di apprendimento automatico supporta una riduzione del rischio di natura meccanicistica e migliora la fiducia predittiva nelle fasi iniziali della scoperta. La sua applicabilità alle terapie guidate da immagini amplia la rilevanza attraverso diverse modalità oncologiche, potenziando la priorizzazione a livello di portafoglio con adeguamento del rischio.
Applicazioni Strategiche nella Ricerca e Sviluppo in Biopharma
Prima Fase di Scoperta e Validazione del Target
- Valore scientifico: Supporta l'interrogazione di ipotesi terapeutiche collegando caratteristiche basali alla risposta al trattamento, chiarificando quali sottogruppi di pazienti siano più probabili a trarne beneficio.
- Valore operativo: Permette la validazione funzionale di target mediante analisi retrospettiva degli esiti clinici e di imaging, riducendo l'ambiguità meccanicistica nei programmi in fase iniziale.
- Valore predittivo: Migliora la selezione del portafoglio identificando precocemente i non risponditori, consentendo il reinvestimento delle risorse in indicazioni con maggiore probabilità di successo.
Sviluppo di screening e saggi
- Valore scientifico: Prepara sistemi biologici e clinici validati per flussi di lavoro successivi, stabilendo relazioni riproducibili tra caratteristiche e risposte.
- Valore operativo: Favorisce la standardizzazione e la scalabilità dei saggi attraverso l'estrazione binarizzata delle caratteristiche e protocolli di convalida incrociata.
- Prontezza per lo screening: Genera output quantitativi (ad esempio, accuratezza delle previsioni, importanza delle caratteristiche) che consentono una valutazione affidabile di composti o interventi in modelli preclinici.
Ricerca Translazionale e Preclinica
- Continuità Translazionale: Collega l'identificazione delle caratteristiche nella fase di scoperta alla validazione preclinica, utilizzando biomarcatori derivati da contesti clinici per informare l'addestramento del modello.
- Avanzamento Basato sul Rischio: Supporta le decisioni di proseguire o interrompere un progetto quantificando l'attendibilità delle previsioni, riducendo il rischio biologico prima di costose indagini precliniche.
- De-risking Meccanicistico: Si concentra sul valore predittivo piuttosto che sul meccanismo in sé, allineandosi alle strategie di biomarcatori traslazionali nei percorsi oncologici.
Integrazione di Pipeline e Flusso di Lavoro
Il metodo si inserisce nel percorso di scoperta che va dalla validazione del bersaglio all'identificazione del capostazione fino ai test di efficacia preclinica, in particolare per le modalità oncologiche che prevedono un'erogazione guidata da immagini.
- Biologia della scoperta: Supporta la verifica delle ipotesi identificando quali caratteristiche cliniche e di imaging di base si correlano alla risposta al trattamento, chiarificando i criteri di selezione dei pazienti.
- Screening: Permette la prontezza del saggio attraverso l'estrazione e la binarizzazione standardizzate delle caratteristiche, migliorando la riproducibilità tra diversi siti e modelli.
- Analisi: Fornisce output quantitativi come l'accuratezza delle previsioni (78% nello studio) e metriche di selezione delle caratteristiche, consentendo un confronto oggettivo tra condizioni di intervento.
- Ricerca traslazionale: Si collega alla continuità preclinica utilizzando etichette di risposta derivate da criteri consolidati (ad esempio, EASL) per allineare gli output del modello con endpoint clinicamente rilevanti.
- Riutilizzo aziendale: Presenta l'approccio di ingegnerizzazione delle caratteristiche e di media dei modelli come una capacità riutilizzabile applicabile a diverse indicazioni e terapie guidate dall'imaging al di là del carcinoma epatocellulare.
Impatto Operativo ed Aziendale
- Valore scientifico: Aumenta la fiducia predittiva nella validazione degli obiettivi riducendo la dipendenza dai dati di risposta aneddotici e consentendo una stratificazione dei pazienti basata sui dati.
- Valore operativo: Migliora la riproducibilità e la scalabilità attraverso l'estrazione standardizzata di caratteristiche, la binarizzazione e la validazione incrociata con esclusione singola (leave-one-out).
- Valore strategico: Migliora la qualità delle decisioni di avanzamento o meno del progetto, portando a una maggiore efficienza del capitale e a una riduzione del rischio biologico in fase avanzata nei portafogli di oncologia.
- Impatto sul portafoglio: Permette una priorizzazione adeguata al rischio identificando indicazioni o sottogruppi con maggiore probabilità predetta di risposta, sostenendo decisioni di sviluppo più mirate.
Considerazioni sull'implementazione
- Richiede competenze specifiche nella cura dei dati clinici, nell'ingegnerizzazione delle caratteristiche e nell'addestramento e validazione di modelli di apprendimento automatico.
- È vincolato dalla disponibilità di set di dati ben annotati e rappresentativi dal punto di vista clinico, con dati abbinati di imaging, dati demografici e risultati clinici.
- Necessita di una standardizzazione tra team diversi nella definizione delle caratteristiche e nelle soglie di binarizzazione per garantire la generalizzabilità del modello.
- Comporta considerazioni di adattamento nell'applicare il framework a diversi sistemi modello o modalità di imaging.
- È limitato dallo sforzo manuale richiesto per estrarre caratteristiche dai dati di imaging e dalle annotazioni cliniche, il che potrebbe limitare la scalabilità in assenza di automazione.
