이 프로토콜은 유방암 뼈 전이의 쥐 모델에서 자기 공명 영상 (MRI) 및 양전자 방출 단층 촬영 /컴퓨터 단층 촬영 (PET/CT)에서 파생 된 이미징 매개 변수의 조합을 사용하여 기계 학습 알고리즘을 훈련하여 조기 전이성 질환을 감지하고 거식세포에 대한 후속 진행을 예측하도록 설계되었습니다.
이 콘텐츠를 보려면 JoVE 구독이 필요합니다. 로그인하거나 오늘 무료 평가판을 시작하세요.
이 논문에서
요약
초록
ML(기계 학습) 알고리즘은 다양한 기능을 모델에 통합하여 구성 성분을 초과하는 정확도로 분류 또는 회귀 작업을 수행할 수 있습니다. 이 프로토콜은 표준 이미징 방법으로 관찰할 수 있는 이상이 발생하기 전에 쥐 모델에서 유방암 뼈 거산제의 성장을 예측하는 ML 알고리즘의 개발을 설명합니다. 이러한 알고리즘은 응시 시험 중에 정기적으로 누락되는 조기 전이성 질환(즉, 미세메타증)의 검출을 용이하게 할 수 있습니다.
적용된 전이 모델은 현장별이므로 쥐가 오른쪽 뒷다리에만 전이를 개발한다는 의미입니다. 이 모델의 종양-테이크 비율은 60%-80%로, 매크로메타제는 유도 후 30일 동안 동물의 하위 집합에서 자기 공명 영상(MRI) 및 양전자 방출 단층 촬영(PET/CT)에서 가시화되는 반면, 동물의 두 번째 하위 집합은 종양 성장을 나타내지 않습니다.
이전 시점에서 획득 한 화상 검사에서 시작하여 MRI에 의해 검출 된 조직 혈관화, PET /CT에 의한 포도당 대사 및 거식성 질환 의 예측을위한 가장 관련성이 있는 특징의 후속 결정등을 나타내는 특징의 추출을 설명합니다. 이러한 특징은 다음 모델 평균 신경망으로 공급 (avNNet) 두 그룹 중 하나로 동물을 분류: 전이를 개발할 것입니다 하나 와 어떤 종양을 개발 하지 않습니다 다른. 또한 이 프로토콜은 전체 정확도, 감도, 특이성, 음수/긍정 예측 값, 가능성 비율 및 수신기 작동 특성의 개발과 같은 표준 진단 파라미터의 계산을 설명합니다. 제안된 프로토콜의 장점은 무제한 기능의 조정 가능한 조합으로 다양한 ML 알고리즘을 쉽게 학습하도록 쉽게 조정할 수 있기 때문에 유연성입니다. 또한 종양학, 감염 및 염증에 있는 다른 문제를 분석하기 위하여 이용될 수 있습니다.
서론
이 프로토콜의 목적은 MRI 및 PET/CT의 여러 기능 적 이미징 매개 변수를 모델 평균 신경망(avNNet) ML 알고리즘에 통합하는 것입니다. 이 알고리즘은 뼈 내의 거시적 변화가 아직 보이지 않는 초기 시점에서 유방암 뼈 전이의 쥐 모델에서 거시메타제의 성장을 예측합니다.
macrometastases의 성장 전에, 전파된 종양 세포의 골수 침입이 발생하며, 일반적으로 미세 전이성 질환1,,2로지칭된다. 이러한 초기 침공은 전이성 질환의 초기 단계로 간주될 수 있지만, 통상적으로 기존의 스테이징 시험3,,4에서 놓친다. 현재 사용 가능한 이미징 양식은 단독으로 사용될 때 골수 미세 침입을 검출할 수 없지만, 혈관화 및 대사 활동에 대한 정보를 산출하는 이미징 파라미터의 조합은 더 나은5를수행하는 것으로 나타났다. 이러한 보완적인 이점은 다양한 이미징 매개 변수를 ML 알고리즘인 avNNet에 결합하여 얻을 수 있습니다. 이러한 avNNet은 눈에 보이는 전이가 나타나기 전에 뼈 거형 형성....
액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.
프로토콜
모든 치료 및 실험 절차는 동물 보호에 대한 국가 및 지역 법률에 따라 수행되었으며, 모든 동물 절차는 독일 프랑코니아 주 정부에 의해 승인되었습니다 (참조 번호 55.2 DMS-2532-2-228).
1. 누드 쥐의 오른쪽 뒷다리에 유방암 뼈 전이의 유도
참고 : 누드 쥐의 유방암 뼈 전이의 유도에 대한 자세한 설명은 다른 곳에서 출판되었습니다6,,8. 가장 관련성이 가장 중요한 단계는 아래에 표시됩니다.
- 배양 MDA-MB-231 RPMI-1640에 있는 인간적인 유방암 세포, 10% 태아 송아지 혈청으로 보충 (FCS). 세포를 표준 조건(37°C, 5%CO2)으로유지하고 세포를 일주일에 2-3회 통과시한다.
- 인산염 완충식식염(PBS)에 2mM EDTA로 거의 컨블릭 MDA-MB-231 세포를 세척한 다음 0.25%의 트립신으로 세포를 분리합니다. Neubauer의 챔버로 세포 농도를 결정하고 1.5 x 105 셀/200 μL의 농도에서 RPMI-1640의 200 μL에서 이를 재중단합니다.
- 6....
액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.
결과
쥐는 MDA-MB-231 유방암 세포의 수술 및 주입에서 빨리 회복하고 그 후에 10 및 30 PI(그림 1)에MR-및 PET/CT 화상 진찰을 복종하였다. 쥐의 오른쪽 근위 경골에 대한 대표적인 DCE 분석은 도 2A에제시된다. DCE 원시 측정값은"내보내기"버튼을 선택하고 "DCEraw.txt"를 파일 이름으로 선택하여 저장되었습니다.
동적 매개 변수, AUC, PE 및 세척에 대한 후속 계산은 각각의 스크립트와 함께 RStudio에서 수행되었습니다. 도 2B에설명된 대로 추가 구성 없이 스크립트를 실행하여 데이터 테이블을 제공할 수 있도록 DCE 측정의 출력을 "다운로드" 폴더 내에서 "DCEraw.txt"로 저장해야 했습니다. 이러한 데이터는 제공된 스프레드시트(그림
액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.
토론
ML 알고리즘은 여러 예측 기능을 결합된 모델에 통합하고 단독으로 사용할 때 별도의 구성 요소보다 높은 정확도를 얻는 데 사용되는 강력한 도구입니다. 그럼에도 불구하고 실제 결과는 몇 가지 중요한 단계에 따라 달라집니다. 첫째, 사용되는 ML 알고리즘은 다른 ML 알고리즘이 다른 결과를 산출하기 때문에 중요한 요소입니다. 이 프로토콜에 사용되는 알고리즘은 avNNet이지만 다른 유망한 알고리즘에는 익스트림 그라데이션 증폭21 또는 임의포리스트가 포함됩니다. RStudio의 caret패키지(20)는 다양한 알고리즘(현재>175)의 과다를 제공하며, 제안된 프로토콜은 단일 코드 라인(예: 메서드 = "avNNet"을 메서드 ="rf"으로 변경)으로 변경하고 각 ML 알고리즘에 맞게 조정된 그리드 설정을 조정하는 측면에서 매우 유연합니다. 자세한 내용은 caret github 저장소22를참조하십시오. 다른 .......
액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.
공개 사항
저자는 이해 상충을 선언하지 않습니다. 기금은 연구의 디자인에 아무런 역할이 없었다; 데이터의 수집, 분석 또는 해석에서; 원고를 작성하거나 결과를 게시하기로 결정합니다.
감사의 글
이 작품은 독일 연구 재단 (DFG, 공동 연구 센터 CRC 1181, 하위 프로젝트 Z02)에 의해 지원되었다; 우선 프로그램 μBone, 프로젝트 BA 4027/10-1 및 BO 3811), 스캔 장치에 대한 추가 지원을 포함 (INST 410/77-1 FUGG 및 INST 410/93-1 FUGG), 그리고 신흥 필드 이니셔티브에 의해 (EFI) 프리드리히 - 알렉산더 대학 에를랑겐 - Nürnberg의 "빅 테라".
....액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.
재료
| 이름 | 회사 | 카탈로그 번호 | 댓글 |
|---|---|---|---|
| 양안 작동 현미경 | Leica | NA | |
| ClinScan MR 시스템 | Bruker | NA | |
| DICOM Viewer | Horos | NA | www.horosproject.org |
| Excel: 스프레드시트 | Microsoft | NA | |
| FCS | Sigma | F2442-500ML | |
| Gadovist | Bayer-Schering | NA | |
| Inveon PET/CT | Siemens | NA | |
| Inveon Research Workplace Software | Siemens Healthcare GmbH | NA | |
| IVIS Spectrum | PerkinElmer | NA | |
| MDA-MB-231 human breast cancer cells | American Type Culture Collection | N/A | |
| 오픈 소스 데이터 시각화, 머신 러닝 및 데이터 마이닝 툴킷. | Orange3, 류블랴나 대학교 | NA | https://orange.biolab.si/ |
| RPMI-1640 | Invitrogen/ThermoFisher | 11875093 | |
| 트립신 | 시그마 | 9002-07-7 | |
| Vevo 3100 | VisualSonics | NA |
참고문헌
- D'Oronzo, S., Brown, J., Coleman, R. The role of biomarkers in the management of bone-homing malignancies. Journal of Bone Oncology. 9, 1-9 (2017).
- Ellmann, S., Beck, M., Kuwert, T., Uder, M., Bäuerle, T. Multimodal imaging of bone m....
액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.
재인쇄 및 허가
