Name: 実験ラットモデルにおける骨転移の早期発見のための機械学習アルゴリズム (動画) | JoVE Journal
Uploaded: 2020-08-16T13:00:00.000+00:00
Duration: 7 min 15 s
Description: 学ぶ機械学習アルゴリズムを用いた実験ラットモデルにおける骨転移の早期発見法。MRIとPET/CTの複数イメージングパラメータを統合し、個別パラメータを上回る予測精度を実現する革新的な診断アプローチです。

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

この研究はドイツ研究財団(DFG、共同研究センターCRC 1181、サブプロジェクトZ02;とZ02;)優先プログラムμBoneは、スキャンデバイス(INST 410/77-1 FUGGおよびINST 410/93-1 FUGG)、フリードリヒ・アレクサンダー大学アーランゲン・ニュルンベルクの新興フィールドイニシアチブ(EFI)「ビッグテラ」による追加サポートを含むBA 4027/10-1とBO 3811をプロジェクトします。

すべてのケアおよび実験手順は、動物保護に関する国内および地域の法律に従って行われ、すべての動物の手順は、ドイツのフランコニア州政府によって承認されました(参照番号55.2 DMS-2532-2-228)。
1. 裸ラットの右後ろ足における乳癌骨転移の誘導
注:ヌードラットにおける乳癌骨転移の誘導の詳細な説明は、他の6,88を出版しています。最も関連する手順を以下に示します。
<ol><li>培養MDA-MB-231ヒト乳癌細胞をRPMI-1640において、10%の胎児子牛血清(FCS)を補った。細胞を標準条件(37°C、5%CO2)2で保管し、週に2~3回通過します。</li>
	<li>リン酸緩衝生理食塩分(PBS)で2 mM EDTAで近コンフルエントMDA-MB-231細胞を洗浄し、0.25%トリプシンで細胞を取り外します。ノイバウアーのチャンバで細胞濃度を決定し、1.5 x 105 細胞/200 μLの濃度でRPMI-1640の200 μLで再中断します。</li>
	<li>6-8週齢のヌードラットを使用し、病原体を含まない制御条件下(21°C±2 °C室温、湿度60%、明暗リズム12時間)オートクレーブ飼料と水のアドリビタムを提供しています。</li>
	<li>手術を行う前に、鎮痛薬(例えば、カルプロフェン4mg/kg)を皮下注射する。ラットをイオブルラン(1~1.5 vol)/酸素混合物を流速2 L/minで麻酔します。</li>
	<li>手術には、16倍の倍率の手術用顕微鏡を使用してください。</li>
	<li>ラットの右のイングイナル領域で2〜3cmの切り傷を行います。大腿動脈(FA)、表在性上頭動脈(SEA)、下降性分膜動脈(DGA)、大窩動脈(PA)、および伏陰動脈(SA)を含む右のりぐるい領域のすべての動脈を解剖する。FA に 2 つのリムーバブル クリップを配置します: 1 つは SEA の先頭に近く、もう 1 つは DGA の先頭に直接近位です。</li>
	<li>SEA の遠位部分をリゲートします。SEAの壁の切断を実行し、海に直径0.3ミリメートルの針を挿入します。ステップ1.2から細胞懸濁液を含む注射器を針に接続します。FAから遠位クリップを取り外し、代わりにSAをクリップします。</li>
	<li>ステップ1.2(1.5 x 105 細胞/200 μL)からMDA-MB-231細胞懸濁液をゆっくりとSEAに注入します。針を取り外し、SEAをリゲートし、動脈クリップを取り外します。外科用クリップを使用して傷口を閉じ、麻酔を終了します。動物を毎日監視して、腫瘍の大きさと痛みの証拠を評価します。</li>
</ol>2. 磁気共鳴画像法(MRI)
注:MRI手順の詳細については、Bäuerleら11を参照してください。
<ol><li>専用の実験用スキャナー( 材料表を参照)または適切な動物コイルを備えたヒトMRシステムを使用して、MRI 10日間PIを実行します。</li>
	<li>上述のようにイオブルラン(1~1.5 vol.%)/酸素混合物でラットを麻酔します。ラットの尾静脈にカテーテルを置き、尾部にテープを貼ります。造影剤を含む注射器(約0.5 mLの0.1 mmol/kg Gd-DTPA)を接続します。</li>
	<li>麻酔ラットをMRシステムに配置します。解剖学的シーケンス(例えば、T2加重ターボスピンエコーシーケンス)で右後肢の遠位大腿骨および近位脛骨を見つける。TR = 8,654 ミリ秒;TE = 37 ミリ秒。行列320 x 272;FOV = 65 mm x 55 mm;スライスの厚み = 1 mm;スキャン時間 11:24 分)。</li>
	<li>右後ろ足の遠位大腿骨と近位脛骨を覆うスライスを決定し、DCE-MRIシーケンス(例えば、高速低角度ショットシーケンス)を開始します。TR = 3.9 ミリ秒TE = 0.88 ミリ秒。行列 = 256 x 216;FOV = 65 x 54 mm2;スライスの厚み = 1 mm;8スライス。100のタイムポイント。スキャン時間 = 8:25分)。30sの後、10sの期間にわたって造影剤を注入し始める。 注:MRI検査の所要時間は、動物1匹につき約20分です。</li>
</ol>3. ポジトロン放射断層撮影/コンピュータ断層撮影(PET/CT)
注:PETの手順の詳細については、Al.12のChengを参照してください。
<ol><li>専用の実験用スキャナを使用して、PET/CTイメージングを10日間PIで行います( 資料表を参照)。</li>
	<li>画像撮影の前に動物を断食してください。ステップ2.2に記載されているようにラットを麻酔し、上述のように尾静脈にカテーテルを挿入する。</li>
	<li>18 F-フル18オロデオキシグルコース(18F-FDG)の6 MBqを尾静脈に注入し、トレーサーが適切に分配できるように〜30分待ちます。</li>
	<li>CT取得(チューブ電圧= 80 kV、チューブ電流= 500 μA、等方性分解能= 48.9 μm、持続時間= 10分)を実行します。</li>
	<li>静的 PET 取得を実行します (下/上の判別レベル = 350/650 keV;タイミング ウィンドウ = 3.438 ns;期間 = 15 分)。</li>
</ol>4. 代替画像戦略
<ol><li>後ろ足のMDA-MB-231細胞の早期評価のために、 インオキュレート1.5 x 10 5 標識細胞/200 μLの生物発光 (すなわち、ルシフェリンを発現する細胞、 MDA-MB-231-LUC13)または蛍光イメージング (すなわち、緑色または赤色の蛍光タンパク質を発現する細胞、 MDA-MB-231-GFP/RFP13)。腫瘍細胞接種後のMDA-MB-231細胞を検出するための前臨床光学イメージング用システムを使用する。</li>
	<li>マイクロバブルの静脈内注入後に専用スキャナーを用いて実験超音波を行い、MRI7に匹敵する血管形成の形態学的および機能的パラメータを導出する。</li>
</ol>5. MRI分析
<ol><li>DCEプラグイン16でDICOMビューア15を使用し、トップメニューの「インポート」ボタンをクリックし、ステップ2.4からMR画像を含むDICOMフォルダを選択し、トップメニューの「4Dビューア」をクリックして、DCEシーケンスを4Dモードでロードします。</li>
	<li>目標サイズが1.5mm2の円形の2次元領域(ROI)を配置し、2右後脚の脛骨近軸の骨髄に、これらの中心画像がより安定した結果を提供するので、8つの画像からなるシーケンスから画像番号4または5を使用するのが好ましい。</li>
	<li>上部メニューからDCEプラグインを起動し、「プロットタイプ」フィールドで「相対エンハンスメント」を選択し、それぞれのフィールドにこれらの数字を入力して、時間ポイント1から5までのベースライン範囲を定義します。分析をそれぞれのボタンを使用して .txt ファイルとしてエクスポートし、ファイル名として "DCEraw.txt" を選択します。</li>
	<li>RStudio17 を開き、提供されている DCE-Script.R ファイルを読み込む場合は、[ファイル] メニューの [ファイルを開く] を選択します。[コード]、次に [実行領域]、および [すべて実行] を選択して、スクリプト全体を実行します。出力を "ImagingFeatures.xlsx" という名前のテンプレート ファイルにコピーします (図 2)。</li>
	<li>DICOM ビューアで、動物の背筋内に 2 番目の ROI を配置し、ステップ 5.2 ~ 5.4 を繰り返して、正規化のために筋肉 DCE 測定を取得します。スプレッドシート「ImagingFeatures.xlsx」内では、それぞれの骨の測定値は正規化のためにそれぞれの筋肉の測定値で自動的に分割されます。</li>
	<li>すべての動物に対してステップ 5.1 ~ 5.5 を繰り返し、スプレッドシートを完成させます。</li>
</ol>6. ペット/CT分析
<ol><li>PET/CT解析ソフトウェアを開き、手順3で取得したデータをインポートするには、「ファイル」をクリックし、続いて「手動インポート」をクリックします。ct.img.hd ファイルと pet.img.hdr ファイルをマークします。[開く] をクリックし、[すべてインポート] を選択します。</li>
	<li>データセットを開くには、 "一般分析" を選択し、続いて " OK " を選択します。</li>
	<li>"ROI 定量" を選択し、続いて "作成" を選択し、 "テンプレートから ROI を作成する " を選択します。右後ろ足の近位脛骨シャフトの骨髄に約4mm x 6mmの2次元ROIを入れる。</li>
	<li>「ROI (ターゲット 1 オーバーレイ)」を選択し、平均値、最小値、最大値を Bq/mL に書き留めます。</li>
	<li>最大標準化された取り込み値(SUVMax)を計算する: 最大値(Bq/mL)を注入されたアクティビティで割り、グラム単位で動物の重量で結果を乗算します。結果をスプレッドシートに入力します (図 2)。</li>
</ol>7. 腫瘍取り込み率の決定
<ol><li>右後ろ足の腫瘍の成長を診断するには、上記のように30日目PIに対してMRおよびPET/CTイメージングを繰り返す。 注:腫瘍は30日目PIではっきりと見え、PET/ CTで明らかに高いSUVマックス と共に、MRIでT2w過敏性病変と明確なコントラスト強化を特徴とします。これまでの実験によれば、動物の60~80%が右後足に転移を起用する。</li>
	<li>追加の「腫瘍」列を追加してスプレッドシートを完成させ、転移を示すすべての動物に「1」、目に見える腫瘍負担のないすべての動物に「0」と入力します(図2)。スプレッドシートをダウンロード フォルダー内に "ImagingFeatures.xlsx" として保存します。</li>
</ol>8. 機能の選択
<ol><li>今後の腫瘍の成長予測に最も関連性の高い機能を決定するには、オープンソースのデータビジュアライゼーション、機械学習、およびデータマイニングツールキット18にスプレッドシートをインポートします。</li>
	<li>[データ] メニューの [ファイル] サブルーチンを右側のワークスペースに描画し、ダブルクリックします。[フォルダ] アイコンをクリックし、ファイル "ImagingFeatures.xlsx" を選択して、スプレッドシートを読み込みます。[エクスポート] ワークシートを選択し、ターゲット属性を変数 "腫瘍" に割り当てます。動物番号に "スキップ" 機能を割り当てます (図 3)。</li>
	<li>[データ] メニューの [ランク] サブルーチンをワークスペースに描画し、"ファイル" および "ランク" サブルーチンを接続します。</li>
	<li>アイコンをダブルクリックして "ランク" サブルーチンを開き、 "情報取得" アルゴリズム19を選択します。</li>
	<li>取得した 5 つのパラメーターから、上位 3 つの値を使用して、さらに分析を行います (SUVの最大値、PE、および AUC)。 注: これらのパラメーターは代謝活性 (SUV最大) および組織血管化 (PE および AUC) を反映します。</li>
</ol>9. ML分析
<ol><li>RStudio 3.4.117 を開き、提供された TrainModel.R-Script を 「ファイル」メニューから読み込みます。</li>
	<li>必要なライブラリをインストールする (これは一度だけ行う必要があります) を入力します。
</li>
	<li>必要なライブラリをロードし、ダウンロード フォルダを作業ディレクトリとして設定するには、TrainModel.R スクリプト内の 3 ~ 5 行目を選択します。</li>
	<li>選択したコードを実行するには、メニューの [コード] をクリックし、[選択した行を実行]をクリックします。
</li>
</ol>10. avNNet ML アルゴリズムのトレーニング
<ol><li>avNNet アルゴリズムをトレーニングするには、TrainModel.R-スクリプトから 8 ~ 39 行目を選択します (ステップ 9.1 を参照)。</li>
	<li>選択したコードを実行するには、メニューの [コード] をクリックし、[選択した行を実行]をクリックします。
</li>
</ol>11. ML アルゴリズムの結果の分析
<ol><li>診断精度 (感度、特異性、正と負の予測値、および尤度比) の標準パラメーターを評価するには、TrainModel.R-Script から 41 ~ 50 の線を選択します。</li>
	<li>選択したコードを実行するには、メニューの [コード] をクリックし、[選択した行を実行]をクリックします。
</li>
</ol>12. 最終モデルのレシーバ動作特性(ROC)曲線とその構成パラメータのROC曲線との比較
<ol><li>DeLong のテストを実行して、モデルの ROC カーブとその構成パラメータの ROC カーブを比較するには、TrainModel.R-Script から 52 – 62 のラインを選択します (ステップ 9.1 を参照)。</li>
	<li>選択したコードを実行するには、メニューの [コード] をクリックし、[選択した行を実行]をクリックします。
</li>
</ol>

<ol><li>D'Oronzo, S., Brown, J., Coleman, R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+role+of+biomarkers+in+the+management+of+bone-homing+malignancies%5BTitle%5D)+AND+%22Journal+of+Bone+Oncology%22%5BJournal%5D)">The role of biomarkers in the management of bone-homing malignancies.</a> Journal of Bone Oncology. 9, 1-9 (2017).</li>
<li>Ellmann, S., Beck, M., Kuwert, T., Uder, M., Bäuerle, T. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Multimodal+imaging+of+bone+metastases%3A+From+preclinical+to+clinical+applications%5BTitle%5D)+AND+%22Journal+of+Orthopaedic+Translation%22%5BJournal%5D)">Multimodal imaging of bone metastases: From preclinical to clinical applications.</a> Journal of Orthopaedic Translation. 3 (4), 166-177 (2015).</li>
<li>Braun, S., Pantel, K. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Clinical+significance+of+occult+metastatic+cells+in+bone+marrow+of+breast+cancer+patients%5BTitle%5D)+AND+%22The+Oncologist%22%5BJournal%5D)">Clinical significance of occult metastatic cells in bone marrow of breast cancer patients.</a> The Oncologist. 6 (2), 125-132 (2001).</li>
<li>Braun, S., Rosenberg, R., Thorban, S., Harbeck, N. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Implications+of+occult+metastatic+cells+for+systemic+cancer+treatment+in+patients+with+breast+or+gastrointestinal+cancer%5BTitle%5D)+AND+%22Seminars+in+surgical+oncology%22%5BJournal%5D)">Implications of occult metastatic cells for systemic cancer treatment in patients with breast or gastrointestinal cancer.</a> Seminars in surgical oncology. 20 (4), 334-346 (2001).</li>
<li>Ellmann, S., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Prediction+of+early+metastatic+disease+in+experimental+breast+cancer+bone+metastasis+by+combining+PET%2FCT+and+MRI+parameters+to+a+Model-Averaged+Neural+Network%5BTitle%5D)+AND+%22Bone%22%5BJournal%5D)">Prediction of early metastatic disease in experimental breast cancer bone metastasis by combining PET/CT and MRI parameters to a Model-Averaged Neural Network.</a> Bone. 120, 254-261 (2018).</li>
<li>Bäuerle, T., Komljenovic, D., Berger, M. R., Semmler, W. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Multi-modal+imaging+of+angiogenesis+in+a+nude+rat+model+of+breast+cancer+bone+metastasis+using+magnetic+resonance+imaging%2C+volumetric+computed+tomography+and+ultrasound%5BTitle%5D)+AND+%22Journal+of+Visualized+Experiments%22%5BJournal%5D)">Multi-modal imaging of angiogenesis in a nude rat model of breast cancer bone metastasis using magnetic resonance imaging, volumetric computed tomography and ultrasound.</a> Journal of Visualized Experiments. (66), e4178(2012).</li>
<li>Merz, M., Komljenovic, D., Semmler, W., Bäuerle, T. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Quantitative+contrast-enhanced+ultrasound+for+imaging+antiangiogenic+treatment+response+in+experimental+osteolytic+breast+cancer+bone+metastases%5BTitle%5D)+AND+%22Investigative+Radiology%22%5BJournal%5D)">Quantitative contrast-enhanced ultrasound for imaging antiangiogenic treatment response in experimental osteolytic breast cancer bone metastases.</a> Investigative Radiology. 47 (7), 422-429 (2012).</li>
<li>Bäuerle, T., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Characterization+of+a+rat+model+with+site-specific+bone+metastasis+induced+by+MDA-MB-231+breast+cancer+cells+and+its+application+to+the+effects+of+an+antibody+against+bone+sialoprotein%5BTitle%5D)+AND+%22International+Journal+of+Cancer%22%5BJournal%5D)">Characterization of a rat model with site-specific bone metastasis induced by MDA-MB-231 breast cancer cells and its application to the effects of an antibody against bone sialoprotein.</a> International Journal of Cancer. 115 (2), 177-186 (2005).</li>
<li>Patel, J., Goyal, R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Applications+of+Artificial+Neural+Networks+in+Medical+Science%5BTitle%5D)+AND+%22Current+Clinical+Pharmacology%22%5BJournal%5D)">Applications of Artificial Neural Networks in Medical Science.</a> Current Clinical Pharmacology. 2 (3), 217-226 (2008).</li>
<li>Naftaly, U., Intrator, N., Horn, D. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Optimal+ensemble+averaging+of+neural+networks%5BTitle%5D)+AND+%22Network%3A+Computation+in+Neural+Systems%22%5BJournal%5D)">Optimal ensemble averaging of neural networks.</a> Network: Computation in Neural Systems. 8 (3), 283-296 (1997).</li>
<li>Bäuerle, T., Merz, M., Komljenovic, D., Zwick, S., Semmler, W. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Drug-induced+vessel+remodeling+in+bone+metastases+as+assessed+by+dynamic+contrast+enhanced+magnetic+resonance+imaging+and+vessel+size+imaging%3A+A+longitudinal+in+vivo+study%5BTitle%5D)+AND+%22Clinical+Cancer+Research%22%5BJournal%5D)">Drug-induced vessel remodeling in bone metastases as assessed by dynamic contrast enhanced magnetic resonance imaging and vessel size imaging: A longitudinal in vivo study.</a> Clinical Cancer Research. 16 (12), 3215-3225 (2010).</li>
<li>Cheng, C., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Evaluation+of+treatment+response+of+cilengitide+in+an+experimental+model+of+breast+cancer+bone+metastasis+using+dynamic+PET+with+18F-FDG%5BTitle%5D)+AND+%22Hellenic+Journal+of+Nuclear+Medicine%22%5BJournal%5D)">Evaluation of treatment response of cilengitide in an experimental model of breast cancer bone metastasis using dynamic PET with 18F-FDG.</a> Hellenic Journal of Nuclear Medicine. 14 (1), 15-20 (2011).</li>
<li>Marturano-Kruik, A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Human+bone+perivascular+niche-on-a-chip+for+studying+metastatic+colonization%5BTitle%5D)+AND+%22Proceedings+of+the+National+Academy+of+Sciences+of+the+United+States+of+America%22%5BJournal%5D)">Human bone perivascular niche-on-a-chip for studying metastatic colonization.</a> Proceedings of the National Academy of Sciences of the United States of America. 115 (6), 1256-1261 (2018).</li>
<li>Sonntag, E., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((In+vivo+proof-of-concept+for+two+experimental+antiviral+drugs%2C+both+directed+to+cellular+targets%2C+using+a+murine+cytomegalovirus+model%5BTitle%5D)+AND+%22Antiviral+Research%22%5BJournal%5D)">In vivo proof-of-concept for two experimental antiviral drugs, both directed to cellular targets, using a murine cytomegalovirus model.</a> Antiviral Research. 161, 63-69 (2019).</li>
<li>Horos - Free DICOM Medical Image Viewer | Open-Source. , Available from: 
 <a target="_blank" href="https://www.horosproject.org/">https://www.horosproject.org/</a> (2015).</li>
<li>DCE Tool Plugin. , Available from: 
 <a target="_blank" href="http://kyungs.bol.ucla.edu/software/DCE_tool/DCE_tool.html">http://kyungs.bol.ucla.edu/software/DCE_tool/DCE_tool.html</a> (2020).</li>
<li>RStudio Team RStudio: Inteegrated Development for R. , Available from: 
 <a target="_blank" href="https://rstudio.com">https://rstudio.com</a> (2015).</li>
<li>Demšar, J., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Orange%3A+Data+Mining+Toolbox+in+Python%5BTitle%5D)+AND+%22Journal+of+Machine+Learning+Research%22%5BJournal%5D)">Orange: Data Mining Toolbox in Python.</a> Journal of Machine Learning Research. 14, 2349-2353 (2013).</li>
<li>Saeys, Y., Inza, I., Larrañaga, P. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+review+of+feature+selection+techniques+in+bioinformatics%5BTitle%5D)+AND+%22Bioinformatics%22%5BJournal%5D)">A review of feature selection techniques in bioinformatics.</a> Bioinformatics. 23 (19), 2507-2517 (2007).</li>
<li>Kuhn, M. CRAN - Package caret. , Available from: 
 <a target="_blank" href="https://cran.r-project.org/web/packages/caret/index.html">https://cran.r-project.org/web/packages/caret/index.html</a> (2016).</li>
<li>Chen, T., et al. CRAN: Package xgboost - Extreme Gradient Boosting. , Available from: 
 <a target="_blank" href="https://cran.r-project.org/web/packages/xgboost/">https://cran.r-project.org/web/packages/xgboost/</a> (2019).</li>
<li>Available Models | The caret Package. , Available from: 
 <a target="_blank" href="http://topepo.github.io/caret/available-models.html">http://topepo.github.io/caret/available-models.html</a> (2020).</li>
<li>Fernández-Delgado, M., Cernadas, E., Barro, S., Amorim, D., Fernández-Delgado, A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Do+we+Need+Hundreds+of+Classifiers+to+Solve+Real+World+Classification+Problems%5BTitle%5D)+AND+%22Journal+of+Machine+Learning+Research%22%5BJournal%5D)">Do we Need Hundreds of Classifiers to Solve Real World Classification Problems.</a> Journal of Machine Learning Research. 15, 3133-3181 (2014).</li>
<li>Hira, Z. M., Gillies, D. F. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+Review+of+Feature+Selection+and+Feature+Extraction+Methods+Applied+on+Microarray+Data%5BTitle%5D)+AND+%22Advances+in+Bioinformatics%22%5BJournal%5D)">A Review of Feature Selection and Feature Extraction Methods Applied on Microarray Data.</a> Advances in Bioinformatics. 2015, 198363(2015).</li>
<li>Sánchez-Maroño, N., Alonso-Betanzos, A., Tombilla-Sanromán, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Filter+methods+for+feature+selection+-+A+comparative+study%5BTitle%5D)+AND+%22Lecture+Notes+in+Computer+Science+%28including+subseries+Lecture+Notes+in+Artificial+Intelligence+and+Lecture+Notes+in+Bioinformatics%29%22%5BJournal%5D)">Filter methods for feature selection - A comparative study.</a> Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics). 4881, 178-187 (2007).</li>
<li>Cawley, G. C., Talbot, N. L. C. C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Fast+exact+leave-one-out+cross-validation+of+sparse+least-squares+support+vector+machines%5BTitle%5D)+AND+%22Neural+Network%22%5BJournal%5D)">Fast exact leave-one-out cross-validation of sparse least-squares support vector machines.</a> Neural Network. 17 (10), 1467-1475 (2004).</li>
<li>Forghani, R., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Radiomics+and+Artificial+Intelligence+for+Biomarker+and+Prediction+Model+Development+in+Oncology%5BTitle%5D)+AND+%22Computational+and+Structural+Biotechnology+Journal%22%5BJournal%5D)">Radiomics and Artificial Intelligence for Biomarker and Prediction Model Development in Oncology.</a> Computational and Structural Biotechnology Journal. 17, 995-1008 (2019).</li>
<li>Jaffe, C. C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Measures+of+response%3A+RECIST%2C+WHO%2C+and+new+alternatives%5BTitle%5D)+AND+%22Journal+of+Clinical+Oncology+Official+Journal+of+the+American+Society+of+Clinical+Oncology%22%5BJournal%5D)">Measures of response: RECIST, WHO, and new alternatives.</a> Journal of Clinical Oncology Official Journal of the American Society of Clinical Oncology. 24 (20), 3245-3251 (2006).</li>
<li>Lambin, P., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Radiomics%3A+Extracting+more+information+from+medical+images+using+advanced+feature+analysis%5BTitle%5D)+AND+%22European+Journal+of+Cancer%22%5BJournal%5D)">Radiomics: Extracting more information from medical images using advanced feature analysis.</a> European Journal of Cancer. 48 (4), 441-446 (2012).</li>
<li>Gillies, R. J., Kinahan, P. E., Hricak, H. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Radiomics%3A+Images+are+more+than+pictures%2C+they+are+data%5BTitle%5D)+AND+%22Radiology%22%5BJournal%5D)">Radiomics: Images are more than pictures, they are data.</a> Radiology. 278 (2), 563-577 (2016).</li>
<li>Nioche, C., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Lifex%3A+A+freeware+for+radiomic+feature+calculation+in+multimodality+imaging+to+accelerate+advances+in+the+characterization+of+tumor+heterogeneity%5BTitle%5D)+AND+%22Cancer+Research%22%5BJournal%5D)">Lifex: A freeware for radiomic feature calculation in multimodality imaging to accelerate advances in the characterization of tumor heterogeneity.</a> Cancer Research. 78 (16), 4786-4789 (2018).</li>
<li>Ellmann, S., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Application+of+machine+learning+algorithms+for+multiparametric+MRI-based+evaluation+of+murine+colitis%5BTitle%5D)+AND+%22PLOS+ONE%22%5BJournal%5D)">Application of machine learning algorithms for multiparametric MRI-based evaluation of murine colitis.</a> PLOS ONE. 13 (10), 0206576(2018).</li>
</ol>

著者らは利益相反を宣言しない。資金提供者は研究の設計に何の役割も持っていなかった。データの収集、分析、または解釈に含まれる。原稿の執筆、または結果を公表する決定に含まれる。

ML アルゴリズムは、複数の予測機能を組み合わせたモデルに統合し、単独で使用した場合に個別の構成要素を超える精度を得るために使用される強力なツールです。それにもかかわらず、実際の結果はいくつかの重要なステップに依存します。まず、使用される ML アルゴリズムは、異なる ML アルゴリズムによって異なる結果が得られるため、重要な要素です。このプロトコルで使用されるアルゴリズムは avNNet ですが、他の有望なアルゴリズムには、エクストリーム グラデーションブースト21 またはランダム フォレストが含まれます。RStudio 用のキャレット パッケージ20 は、さまざまなアルゴリズム (現在 >175) を多数提供し、提案されたプロトコルは、単一行のコード (メソッド = "avNNet" をメソッド ="rf" に変更する) を変更し、TunedGrid 設定をそれぞれの ML アルゴリズムに適応させるだけで、アルゴリズム間の切り替えという点で非常に柔軟です。詳細については、キャレット github リポジトリ<sup class="xref...

このプロトコルの目的は、MRIおよびPET/CTの複数の機能的イメージングパラメータをモデル平均ニューラルネットワーク(avNNet)MLアルゴリズムに統合することです。このアルゴリズムは、骨内の巨視的変化がまだ見えない早期の時点で乳癌骨転移のラットモデルにおけるマクロ転移の成長を予測する。
マクロメタスターゼの増殖に先立ち、骨髄浸潤性腫瘍細胞の浸潤が起こり、一般に微小転移性疾患11,22と呼ばれる。この初期の侵入は転移性疾患の初期段階と考えられるが、通常は従来の段階試験33,44の間に見逃される。現在利用可能な撮像様式では単独で使用した場合に骨髄微小浸潤を検出することはできないが、血管化と代謝活性に関する情報を得る画像化パラメータの組み合わせが、より良い5を行うことが示されている。この補完的な利点は、異なるイメージングパラメータをMLアルゴリズムであるavNNetに組み合わせることによって達成されます。このようなavNNetは、目に見える転移が存在する前に、骨マクロメタスターゼ形成の信頼性の高い予測を可能にする。したがって、イメージングバイオマーカーをavNNetに統合することは、骨髄微小浸潤および早期転移性疾患の代理パラメータとして役立つ可能性がある。
プロトコルを開発するために、ヌードラットにおける乳癌骨転移の以前に説明したモデルを66、7、87,8を使用した。このモデルの利点は、その部位特異性であり、動物が右後肢だけで骨転移を発症することを意味する。しかし、このアプローチの腫瘍取り率は60%~80%であるため、かなりの数の動物が研究中に転移を起こすわけではありません。MRIやPET/CTなどの画像化モダリティを用いて、30日目からインジェクション後に転移の存在が検出可能である。初期の時点(例えば、10PI)イメージングでは、転移性疾患を発症する動物とそうでない動物を区別しない(図1)。
10日目に取得した機能的イメージングパラメータについて訓練されたavNNetは、以下のプロトコルに記載されているように、マクロメタスターゼの増殖を以下の〜〜3週間以内に確実に予測または除外する。ニューラルネットワークは、異なる層内の人工的なノードを組み合わせます。研究プロトコルにおいて、骨髄血液供給および代謝活性のための機能的イメージングパラメータは最下層を表し、悪性腫瘍の予測は最上層を表す。追加の中間層には、上部レイヤーと下部レイヤーの両方に接続されている非表示ノードが含まれます。異なるノード間の接続の強度は、高精度9でそれぞれの分類タスクを実行するために、ネットワークのトレーニング中に更新されます。このようなニューラルネットワークの精度は、複数のモデルの出力を平均化することによってさらに向上することができ、その結果、avNNet10.

<table><tbody><tr><td>双眼手術顕微鏡</td><td>Leica</td><td>NA</td><td></td></tr><tr><td>ClinScan MR System</td><td>Bruker</td><td>NA</td><td></td></tr><tr><td>DICOM Viewer</td><td>Horos</td><td>NA</td><td>www.horosproject.org</td></tr><tr><td>Excel: スプレッドシート</td><td>Microsoft</td><td>NA</td><td></td></tr><tr><td>FCS</td><td>Sigma</td><td>F2442-500ML</td><td></td></tr><tr><td>Gadovist</td><td>Bayer-Schering</td><td>NA</td><td></td></tr><tr><td>Inveon PET/CT</td><td>Siemens</td><td>NA</td><td></td></tr><tr><td>Inveon Research Workplace Software</td><td>Siemens Healthcare GmbH</td><td>NA</td><td></td></tr><tr><td>IVIS SPECTRUM</td><td>PerkinElmer</td><td>NA</td><td></td></tr><tr><td>MDA-MB-231 ヒト乳がん細胞</td><td>アメリカンタイプカルチャーコレクション</td><td>N/A</td><td></td></tr><tr><td>オープンソースのデータ視覚化、機械学習、データマイニングツールキット。</td><td>Orange3, University of Ljubljana</td><td>NA</td><td></td></tr> <tr><td>https://orange.biolab.si/ RPMI-1640</td><td>Invitrogen/ThermoFisher</td><td>11875093</td><td></td></tr><tr><td>Trypsin</td><td>Sigma</td><td>9002-07-7</td><td></td></tr><tr><td>Vevo 3100</td><td>VisualSonics</td><td>NA</td><td></td></tr></tbody></table>

実験ラットモデルにおける骨転移の早期発見のための機械学習アルゴリズム

Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model

機械学習 (ML) アルゴリズムを使用すると、さまざまな機能をモデルに統合して、その構成要素を超える精度で分類または回帰タスクを実行できます。このプロトコルは、標準的なイメージング法で異常が観察される前に、ラットモデルにおける乳癌骨マクロメタスターゼの成長を予測するMLアルゴリズムの開発を記述する。このようなアルゴリズムは、ステージング検査中に定期的に見逃される早期転移性疾患(すなわち微小転移)の検出を容易にすることができる。
適用された転移モデルは部位特異的であり、ラットは右後ろ足だけで転移を発症することを意味する。モデルの腫瘍取り率は60%~80%で、マクロメタスターゼは誘導の30日後に動物のサブセット中の磁気共鳴画像(MRI)および陽電子放出断層撮影(PET/CT)で見えるようになり、動物の第2サブセットは腫瘍増殖を示さない。
このプロトコルは、早期に取得した画像検査から始まり、MRIによって検出された組織血管化、PET/CTによるグルコース代謝、およびマクロ転移性疾患の予測に最も関連する特徴のその後の決定を示す特徴の抽出を記述する。これらの特徴は、モデル平均ニューラルネットワーク(avNNet)に供給され、動物を転移を発症するグループと腫瘍を発症しない2つのグループのいずれかに分類します。このプロトコルは、全体的な精度、感度、特異性、負/正の予測値、尤度比、および受信機動作特性の開発など、標準の診断パラメータの計算についても説明します。提案されたプロトコルの利点は、機能の無制限の調整可能な組み合わせで異なるMLアルゴリズムの多くを訓練するために容易に適応することができるので、その柔軟性です。さらに、腫瘍学、感染、炎症の異なる問題を分析するために使用することができます。

ラットはMDA-MB-231乳癌細胞の手術および注射から素早く回復し、その後、10日目および30日目にMR-およびPET/CTイメージングを行った(図1)。ラットの右近位脛種の代表的なDCE分析を 図2Aに示す。DCE の未加工の測定値は、[エクスポート] ボタンを選択し、ファイル名として [DCEraw.txt] を選択して保存されました。
動的パラメータ、AUC、PE、およびウォッシュアウトの後続の計算は、RStudio でそれぞれのスクリプトを使用して実行されました。DCE 測定値の出力は、図 2Bに示すように、データ テーブルを提供する追加の構成なしでスクリプトを直接実行できるように、"ダウンロード" フォルダー内に "DCEraw.txt" として保存する必要があります。これらのデータは、提供されたスプレッドシートにコピーされました (<strong class...

このプロトコルは、早期転移性疾患を検出し、マクロ転移へのその後の進行を予測するために、乳癌骨転移のラットモデルにおける磁気共鳴画像(MRI)および陽電子放出断層撮影/コンピュータ断層撮影(PET/CT)に由来する画像化パラメータを組み合わせて使用する機械学習アルゴリズムを訓練するように設計された。

Machine learning (ML) algorithms permit the integration of different features into a model to perform classification or regression tasks with an accuracy ...

このプロトコルは、初期臓器形成の段階で実験モデルにおける骨転移の成長を予測するための機械学習アルゴリズムの開発を促進する。この手法の主な利点は、複数のイメージング パラメータを機械学習アルゴリズムに組み合わせて、個々のパラメータの生産性を大幅に上回る点です。しかし、このプロトコルは骨内の転移の早期診断を目的としており、異なる器官やマルチモーダルおよびマルチパラメトリックイメージング研究の領域に適応することができる。DCEプラグインを備えたDICOMビューアでの手術後10日間と注射。インポートを選択して DCE シーケンスを 4D モードでロードし、MRI イメージを含む DICOM フォルダを選択します。4 番目または 5 番目の MRI 画像内の右後ろ脚の近位脛骨シャフト骨髄に関心のある寸法領域に 1.5 平方ミリメートルの円を配置し、プロット タイプの相対的な強化を選択します。時間ポイントのベースライン範囲を 1 ~ 5 個ずつ各フィールドに入力し、DCE raw dot TXT という名前のドット TXT ファイルとして分析をエクスポートします。RStudio を開き、提供された DCE スクリプトドット R ファイルを読み込みます。コードを選択し、領域を実行し、スクリプト全体を実行し、提供されたイメージング機能テンプレートファイルに出力をコピーするためにすべてを実行します。DICOMビューアでは、動物の背筋内に関心のある第2領域を配置し、実証したようにDCE測定を繰り返します。イメージング機能スプレッドシートでは、それぞれの骨の測定値は、データの正規化のためにそれぞれの筋肉測定によって自動的に分割されます。PET/CT画像を解析するには、PET/CT解析ソフトウェアを開き、PET/CT画像をインポートします。一般分析をクリックし、対象領域の定量を選択し、テンプレートから対象地域を作成および作成します。右後ろ足の近位脛骨シャフトの骨髄内の関心領域を4%6ミリメートル配置し、対象領域を1つのオーバーレイに選択する。ミリリットル当たりのベクレルの平均値、最小値、最大値に注意してください。次に、注入された活性で最大値を割り、その結果にグラム単位で動物の体重を掛け、標準化された取り込み値を計算する。注射後脚における腫瘍増殖率を診断する。30日目の注射後にMRIおよびPET/CT画像を取得した後、実証された画像を分析し、画像化機能スプレッドシートに腫瘍列を追加します。次に、転移を伴う動物または目に見える腫瘍の負担がない動物に対して、それぞれ1または0を入力します。今後の腫瘍の成長予測に最も関連性の高い機能を決定するには、スプレッドシートをオープン ソースのデータ視覚化機械学習およびデータ マイニング ツールキットにインポートします。データメニューからワークスペースにファイルサブルーチンをドラッグし、ファイルをダブルクリックします。フォルダ アイコンをクリックしてスプレッドシートを読み込み、イメージング フィーチャ スプレッドシートを選択します。エクスポート・ワークシートを選択し、ターゲット属性を可変腫瘍に割り当てます。動物番号にスキップ機能を割り当てます。ランク サブルーチンをワークスペースにドラッグし、ラインを描画してファイルに接続し、サブルーチンをランク付けします。次に、ダブルクリックしてランクサブルーチンを開き、情報ゲインアルゴリズムを選択します。機械学習分析の場合は、RStudio 3.4.1 を開き、提供されたトレイン モデル R スクリプトを読み込みます。スクリプト内の 3 行目から 6 行目を選択して、必要なライブラリをロードします。選択したコードを実行するコードをクリックし、[選択した行を実行] をクリックして、選択した行を実行します。ニューラル ネットワーク アルゴリズムに対するモデル平均をトレーニングするには、train モデル R スクリプトから 8 行目から 39 行目を選択し、コードをクリックして選択したラインを実行します。次に、診断精度の標準パラメータを評価するには、トレインモデルRスクリプトから41~50行目を選択し、コードをクリックして選択したラインを実行します。手術後10日目、がん細胞注射後、MRIやPET/CT画像を取得できます。DCE分析は、目的の筋肉および骨組織領域の測定を可能にする。これらの値は、筋肉の測定値で骨の測定値を除算することによって正規化することができます。30日目の注射後に、すべての動物が、腫瘍の腫瘍負担を示す1つと、目に見える腫瘍のない健康な動物を示すゼロを持つ転移を発症したかどうかを判断するために評価される。トレインモデルRスクリプトを実行することで、最適なハイパーパラメータの組み合わせを決定し、最終的なモデルを最適なハイパーパラメータの組み合わせを使用して計算することができます。これらのデータにより、一連の標準診断パラメータを計算し、モデルのレシーバ動作特性曲線をプロットすることができます。たとえば、28 サンプルのこの分析では、モデルは 3 つの構成要素のすべてに比べて大幅に優れたパフォーマンスを発揮します。いくつかの機械学習アルゴリズムは、入力データが正規化されると、より優れたパフォーマンスを発揮する傾向があります。このプロトコルでは、Box Cox 関数を使用して正規化が行われます。このプロトコルは、機械学習アルゴリズムとしてネットワーク中のモデル平均を使用します。ただし、提供されたフレームワークは、ランダムフォレストやサポートベクターマシンなどの他のアルゴリズムに簡単に適応させることができます。画像素材から数値情報を抽出することが必須となっている。このようなアルゴリズムは、患者の階層化を可能にするために大量のデータの統合を容易にする可能性があります。

machine-learning-algorithms-for-early-detection-bone-metastases-an

Research

JoVE Journal

Cancer Research

がん研究

骨転移の病態に、血管新生は重要なプロセスであるため、イメージングおよび治療の標的を表しています。ここでは、サイト固有の乳癌骨転移のラットモデルを提示し、非侵襲的に画像の血管新生への戦略を説明...

磁気共鳴イメージング、体積CT画像と超音波を用いた乳がんの骨転移のヌードラットモデルにおける血管新生のマルチモーダルイメージング

動物モデルは頻繁に骨への癌の転移を研究するために利用されている。このプロトコルでは、骨転移の研究のために腫瘍接種の2つの一般的な方法を説明し、簡単にこれらのモデルを監視し、定量化するために利用される分析のいくつかを説明します。...

骨転移モデル

ヒト前立腺癌の同所このモデルは、循環腫瘍細胞、腫瘍サイズの定量化を可能にし、肺への明確な転移の形成。細胞が原発臓器をエスケープする必要がありますように、血流に入り、セカンダリサイトへのインプラントは、このモデルは効果的にヒトでシナリオを再現。...

ヒト前立腺癌転移の同所マウスモデル

ラットの胸膜表面の肺癌転移における微小循環血流速度を、閉鎖胸部肺生体内顕微鏡法を用いて自動的に測定する方法が提示されています。このモデルは、げっ歯類の肺転移に関する生理学的研究を実施するための広範なツールとして使用される可能性を秘めています。...

ラットの肺転移における微小循環血流速度の自動測定

この原稿は、骨を含む後肢組織にがん細胞を特異的に送達し、実験的な骨転移を確立する技術である腸骨内動脈（IIA）注射の詳細な手順を提供します。当初は乳房腫瘍モデルで確立されましたが、このプロトコルは他の種類のがんにも簡単に拡張できます。...

顕微鏡骨転移の効率的かつ選択的モデリングのためのイントラ腸骨動脈注入

この原稿は、腫瘍低酸素症が転移に及ぼす影響を直接テストし、その作用メカニズムを解読することを可能にする動物モデルの開発について説明しています。ここで説明する実験はユーイング肉腫に焦点を当てていますが、同様のアプローチを他の腫瘍タイプにも適用できます。...

腫瘍転移に対する低酸素のテストの効果のためのインビボモデル

癌細胞の静脈内注射は転移研究でよく用いられるが、転移性腫瘍の負担は分析が難しい。本明細書において、転移の尾静脈注入モデルを示し、生じる転移性肺腫瘍の負担を分析する新しいアプローチを含む。...

腫瘍細胞の横尾静脈注入後の肺転移の病理学的解析

骨転移モデルは、一様に転移を発症したり、発生率が100%であったりすることはありません。骨内腫瘍細胞を直接注射すると、肺の塞栓術を引き起こす可能性があります。固形腫瘍移植による骨への移植を用いて原発性骨腫瘍と骨転移をモデル化し,再現性のある生着と成長に導く技術を紹介します。...

固形腫瘍移植による骨原発性骨腫瘍と骨転移のモデリング

ここでは、転移生物学の前臨床調査や新規治療薬の開発に使用できる自発的な肺転移を伴う骨肉腫の切断手順に続く同種の同一性の好交性移植法について説明する。...

転移率を制御する切断を用いた同種異形性骨肉腫スプレイグ・ドーリーラットモデル

本プロトコールは、同所性骨肉腫および肺転移病変を有するマウスモデルを生成するための脛骨内骨肉腫細胞注射を記載する。...

同所性骨肉腫および肺転移マウスモデルを生成するための脛骨内骨肉腫細胞注射

ここでは、骨転移病変を有するマウスモデルを生成するためのヒト前立腺癌細胞の心臓内注射のためのプロトコルを提示する。...

骨転移異種移植マウスモデルを作成するためのヒト前立腺癌細胞の心臓内注射

学ぶ機械学習アルゴリズムを用いた実験ラットモデルにおける骨転移の早期発見法。MRIとPET/CTの複数イメージングパラメータを統合し、個別パラメータを上回る予測精度を実現する革新的な診断アプローチです。

実験ラットモデルにおける骨転移の早期発見のための機械学習アルゴリズム

さらに動画を探す