Algoritmi di apprendimento automatico per il rilevamento precoce delle metastasi ossee in un modello di ratto sperimentale

Questo protocollo facilita lo sviluppo di un algoritmo di machine learning per prevedere la crescita delle metastasi ossee in un modello sperimentale nella fase di colonizzazione precoce degli organi. Il vantaggio principale di questa tecnica è che combina diversi parametri di imaging in un algoritmo di machine learning che supera significativamente la capacità produttiva di ogni singolo parametro. Tuttavia, questo protocollo mira alla diagnosi precoce delle metastasi nell'osso, può essere adattato a diversi organi o aree di ricerca di imaging multimodale e multiparametrico.

10 giorni dopo l'intervento chirurgico e l'iniezione in un visualizzatore DICOM con un plug-in DCE. Selezionate importa (Import) per caricare la sequenza DCE in modalità 4D e selezionate la cartella DICOM contenente le immagini MRI. Posizionare un millimetro quadrato circolare di 1,5 millimetri alla regione dimensionale di interesse nel midollo osseo dell'albero tibiale prossimale della gamba posteriore destra all'interno della quarta o quinta immagine della risonanza tura e selezionare il miglioramento relativo nel tipo di grafico.

Immettere l'intervallo di riferimento dai punti di tempo, da uno a cinque nei rispettivi campi ed esportare l'analisi come file TXT punto denominato DCE raw dot TXT. Aprire RStudio e caricare il file R punto script DCE fornito. Selezionare il codice, eseguire l'area ed eseguire tutto per eseguire l'intero script e copiare l'output nel file del modello di funzionalità di imaging fornito.

Nello spettatore DICOM, posizionare una seconda regione di interesse all'interno del muscolo posteriore dell'animale e ripetere le misurazioni DCE come dimostrato. Nel foglio di calcolo delle funzionalità di imaging le rispettive misurazioni ossee verranno automaticamente divise per le rispettive misurazioni muscolari per la normalizzazione dei dati. Per analizzare le immagini PET/CT aprire il software di analisi PET/CT e importare le immagini PET/CT.

Fare clic su analisi generale e selezionare la quantificazione dell'area di interesse, creare e creare un'area di interesse da un modello. Posizionare un quattro per sei millimetri, nella regione dimensionale di interesse all'interno del midollo osseo dell'albero tibiale prossimale della gamba posteriore destra e selezionare le regioni di interesse bersaglio di una sovrapposizione. Si notano i valori medi, minimi e massimi in becquerel per millilitro.

Quindi, dividere il valore massimo per l'attività iniettata e moltiplicare il risultato per il peso animale in grammi per calcolare il valore di assorbimento standardizzato. Per diagnosticare il tasso di crescita tumorale nella gamba posteriore iniettata. Dopo aver ottenuto le immagini MRI e PET/CT il giorno 30 dopo l'iniezione, analizza le immagini come dimostrato e aggiungi una colonna tumorale al foglio di calcolo delle funzionalità di imaging.

Quindi inserire uno o zero per gli animali con metastasi o senza un peso tumorale visibile rispettivamente. Per determinare le funzionalità più rilevanti per la previsione della crescita futura del tumore, importare il foglio di calcolo in un toolkit di machine learning e data mining per la visualizzazione dei dati open source. Trascinare la sotto routine file dal menu dati nell'area di lavoro e fare doppio clic sul file.

Fare clic sull'icona della cartella per caricare il foglio di calcolo e selezionare il foglio di calcolo delle caratteristiche di imaging. Selezionare il foglio di lavoro di esportazione e assegnare l'attributo di destinazione al tumore variabile. Assegnare la funzione skip al numero animale.

Trascinare la sotto-routine di classificazione nell'area di lavoro e disegnare una linea per connettersi al file e classificare le sotto-routine. Quindi, fare doppio clic per aprire la sotto-routine di classificazione e selezionare l'algoritmo di guadagno delle informazioni. Per l'analisi di machine learning, aprire RStudio 3.4.1 e caricare lo script R del modello di training fornito.

Selezionare le righe da tre a sei all'interno dello script per caricare le librerie necessarie. Fare clic sul codice per eseguire il codice selezionato e fare clic su Esegui righe selezionate per eseguire le righe selezionate. Per eseguire il training di una media del modello all'algoritmo di rete neurale, selezionare le righe da otto a 39 dallo script R del modello di traino e fare clic sul codice ed eseguire le righe selezionate.

Quindi, per valutare i parametri standard di precisione diagnostica, selezionare le righe da 41 a 50 dallo script R del modello di treno e fare clic sul codice ed eseguire le righe selezionate. Il giorno 10 dopo l'intervento chirurgico e l'iniezione di cellule tumorali, è possibile acquisire immagini MRI e PET / CT. L'analisi DCE consente la misurazione delle aree di interesse del muscolo e del tessuto osseo.

Questi valori possono essere normalizzati dividendo le misure ossee per le misurazioni muscolari. Il giorno 30 dopo l'iniezione, tutti gli animali vengono valutati per determinare se hanno sviluppato metasticie con una che indica un peso tumorale positivo e uno zero che indica animali sani senza tumori visibili. L'esecuzione dello script R del modello di traino consente di determinare la combinazione ottimale di iperconto di parametri e di calcolare il modello finale utilizzando la combinazione ottimale di iperconto di parametri.

Questi dati consentono di calcolare un insieme di parametri diagnostici standard e di tracciare la curva caratteristica operativa del ricevitore del modello. Ad esempio, in questa analisi di 28 campioni il modello funziona significativamente meglio di tutti e tre i suoi componenti. Diversi algoritmi di machine learning tendono a funzionare meglio quando i dati di input vengono normalizzati.

In questo protocollo la normalizzazione si ottiene utilizzando la funzione Box Cox. Questo protocollo utilizza una media del modello durante la rete come algoritmo di machine learning. Tuttavia, il framework fornito può essere facilmente adattato ad altri algoritmi come foreste casuali o macchine vettoriali di supporto.

L'estrazione di informazioni numeriche dal materiale dell'immagine è diventata essenziale. Algoritmi come questi possono facilitare l'integrazione di grandi quantità di dati per consentire la stratificazione del paziente.