기계 학습을 사용 하 여 이미지 기반 요법 치료 반응 예측: 간세포 암 종의 트랜스 동맥 치료 예
2018년 10월 10일
간 동맥 치료법은 외과 절제술을 받을 수 없는 간세포 암 환자에 대 한 치료의 표준 이다. 이러한 치료에 대 한 응답을 예측 하는 방법을 제안 했다. 기술은 기계 학습 모델 처리 이전 응답을 예측할 수 있는 훈련 사전 절차 임상, 통계, 및 이미징 정보를 사용 합니다.
이 방법은 동맥 내 치료에 대한 반응을 예측하는 데 도움이 될 수 있습니다. 중재 종양학의 기계 학습 응용 프로그램은 우리가 이미지 유도 치료와 간암 및 기타 질병을 치료하는 방식을 바꿀 것입니다. 이 방법은 두 가지 중요한 결정이 내려지는 방식을 개선할 수 있습니다.
일반적으로 이 메서드를 새로 사용하는 개인은 기능을 생성하고 기계 학습 및 코드를 수행해야 하기 때문에 어려움을 겪게 됩니다. 이 방법의 시각적 데모는 기능 생성 단계가 이미징 마스크를 사용하여 이러한 기능을 추출하는 것을 수반하기 때문에 중요합니다. 모델을 학습하려면 잘 인음이 추가되고 임상적으로 대표적인 데이터 집합이 필요합니다.
이러한 기계 학습 알고리즘을 더욱 개선하기 위해서는 더 많은 환자 데이터와 대규모 코호트가 필요할 것입니다. 모델에 포함 할 임상 기능을 결정한 후 적절한 자연어 도구 키트를 사용하여 일반 텍스트 클리닉 노트를 문장으로 구문 분석하여 관심 있는 용어를 검색할 수 있습니다. 그런 다음 각 환자의 기능을 한 줄당 하나의 피쳐가 있는 파일에 저장합니다.
비 바이너리 피쳐의 경우 모든 환자에 걸쳐 각 피쳐의 중앙값값을 얻고 각 피쳐를 중앙값에 따라 true 또는 false 값으로 비나이즈합니다. 의료 이미지에서 평균 간 향상 기능을 계산합니다. 간을 포함하는 복셀을 격리 한 후 평균 간 향상 명령을 입력합니다.
간 부피 피쳐를 확인하려면 표시된 대로 명령을 입력합니다. 그런 다음 각 이미징 피쳐에 대한 중간 값을 계산하고 설명된 대로 피처를 비나이즈합니다. 피처의 집계 및 감소를 위해 먼저 낮은 분산 기능을 고려에서 제거하고 이진 행렬의 피처를 읽습니다.
다음으로 분산 임계값 모델을 사용하여 테이블에 나와 있는 것과 유사한 응답자와 비응답자 모두의 20% 이상에 나타나는 피쳐를 계산합니다. 결과와 낮은 univariate 연결기능을 제거하고 n이 환자의 수인 n 기능을 유지 n 기능을 유지 원래 낮은 변이체 스크리닝을 통과하는 기능만 필터링합니다. 그런 다음 테이블에 표시된 것과 유사한 각 피쳐에 대한 이진 행렬을 읽습니다.
피처가 비나화되고 필터링된 후에는 모델을 학습할 시간입니다. 모델 교육은 연구 결과에 기능에 맞는 간단한 프로세스이며 새로운 환자에 대한 예측을 하는 데 사용할 수 있습니다. 간세포 암에 대한 트랜스 동맥 치료를 받은 36명의 환자를 대상으로 한 대표적인 분석에서, 25개의 특징은 변이체와 단변성 협회 필터를 모두 만족시키는 5개의 특징으로 입증된 바와 같이 확인되고 비나드화되었다.
각 환자는 간 반응 기준의 연구를 위한 정량적인 유럽 협회의 밑에 응답자 또는 비 응답자로 표시되었습니다. 도시된 바와 같이, 물류 회귀 및 무작위 산림 모델 모두 전체 정확도 78%의 전체 정확도로 트랜스 동맥 화학색색전화 치료 반응을 예측하고, 훈련 모델을 적용하여 새로운 환자에 대한 예측을 할 수 있다. 이 기계 학습 기술은 절차 전, 절차 간 및 절차 후 이미징을 포함하는 모든 치료에 보편적으로 적용 될 수 있습니다.
전체 스크립트를 보고 수천 개의 과학 동영상에 액세스하세요
개요
이 논문은 간세포암 환자의 동맥 내 치료 반응을 예측하는 방법에 대해 설명합니다. 시술 전 임상, 인구통계 및 영상 데이터를 활용하여 치료 결과를 예측하도록 머신러닝 모델을 훈련시킬 수 있습니다.
주요 연구 구성 요소
과학 분야
- 중재 종양학
- 머신러닝 응용
- 간세포암 치료
배경
- 수술이 불가능한 환자에게는 동맥 내 치료가 표준입니다.
- 치료 반응을 예측하면 임상적 의사 결정 능력을 향상시킬 수 있습니다.
- 모델 학습을 위해서는 영상 데이터로부터의 특징 생성(feature generation)이 매우 중요합니다.
- 효과적인 모델 성능을 위해서는 임상적으로 대표성 있는 데이터셋이 필요합니다.
연구 목적
- 동맥 내 치료에 대한 환자의 반응 예측력을 향상시키기 위함입니다.
- 간암 치료에서 더 나은 임상적 의사결정을 용이하게 하기 위함입니다.
- 중재 종양학에서 머신러닝의 중요성을 입증하기 위함입니다.
사용된 방법
- 시술 전 데이터 수집(임상, 인구통계학적 정보, 영상 데이터).
- 반응 예측을 위한 머신러닝 모델 학습.
- 영상 마스크를 이용한 특징 추출.
- 모델 정확도를 위한 잘 주석 처리된 데이터셋 활용.
주요 결과
- 제안된 방법은 치료 결과 예측에 있어 가능성을 보여줍니다.
- 머신러닝은 간암 치료법에 대한 접근 방식을 변화시킬 수 있습니다.
- 특징 생성을 이해하기 위해서는 시각적 시연이 필수적입니다.
- 초심자가 이 방법을 구현하는 데에는 어려움이 따릅니다.
결론
- 이 방법은 간암 치료 전략을 강화할 수 있는 잠재력을 가지고 있습니다.
- 머신러닝 응용 기술은 중재적 종양학에 상당한 영향을 미칠 수 있습니다.
- 이러한 예측 모델을 정교화하기 위해 추가적인 연구 및 개발이 필요합니다.
자주 묻는 질문
산업적 관련성 요약
중재 전 치료 반응을 예측하는 것은 종양학 약물 개발의 핵심 과제인 효능 부족으로 인한 후기 단계의 임상 실패를 줄이는 해결책이 됩니다. 데이터 기반의 환자 층화 및 진행/중단(go/no-go) 결정을 가능하게 함으로써, 이 머신러닝 프레임워크는 기전적 위험 제거를 지원하고 초기 발굴 단계에서의 예측 신뢰도를 높입니다. 영상 유도 치료에 대한 적용 가능성은 종양학의 다양한 치료 양식으로 관련성을 확장하여, 포트폴리오 수준의 위험 조정 우선순위 설정을 강화합니다.
바이오 제약 R&D의 전략적 응용
초기 발견 및 표적 검증
- 과학적 가치: 기저 특성과 치료 반응을 연결함으로써 치료 가설 검증을 지원하고, 어떤 환자 하위 집단이 혜택을 받을 가능성이 가장 높은지 명확히 합니다.
- 운영적 가치: 임상 및 영상 결과의 회고적 분석을 통해 기능적 타겟 검증을 가능하게 하여, 초기 단계 프로그램의 기전적 모호성을 줄입니다.
- 예측적 가치: 무반응자를 조기에 식별함으로써 포트폴리오 우선순위 결정을 개선하고, 가능성이 더 높은 적응증으로 자원을 재배분할 수 있도록 합니다.
스크리닝 및 분석법 개발
- 과학적 가치: 재현 가능한 특성-반응 관계를 설정함으로써 하위 워크플로우를 위한 검증된 생물학적 및 임상적 시스템을 준비합니다.
- 운영적 가치: 이진화된 특성 추출 및 교차 검증 프로토콜을 통해 분석법의 표준화와 확장성을 촉진합니다.
- 스크리닝 준비도: 전임상 모델에서 신뢰할 수 있는 화합물 또는 중재 평가를 가능하게 하는 정량적 결과물(예: 예측 정확도, 특성 중요도)을 생성합니다.
중개 및 전임상 연구
- 중개적 연속성: 임상 유래 바이오마커를 사용하여 모델 학습에 반영함으로써, 발견 단계의 특성 식별을 전임상 검증으로 연결합니다.
- 위험 조정 추진: 예측 신뢰도를 정량화하여 고비용의 전임상 연구 전 생물학적 위험을 줄임으로써, 진행 여부(go/no-go) 결정 과정을 지원합니다.
- 기전적 위험 완화: 단순한 기전보다는 예측 가치에 집중하여, 종양학 파이프라인의 중개 바이오마커 전략과 일치시킵니다.
파이프라인 및 워크플로 통합
이 방법은 표적 검증부터 리드 물질 발굴, 그리고 전임상 효능 시험에 이르는 발견 연속체에 적합하며, 특히 영상 유도 전달을 포함하는 종양학 양식에 유용합니다.
- 발견 생물학(Discovery Biology): 어떤 기초 임상 및 영상 특징이 치료 반응과 상관관계가 있는지 식별함으로써 가설 검증을 지원하고 환자 선정 기준을 명확히 합니다.
- 스크리닝(Screening): 표준화된 특징 추출 및 이진화를 통해 분석 준비 상태를 가능하게 하여, 여러 사이트와 모델 간의 재현성을 향상시킵니다.
- 분석(Analytics): 예측 정확도(본 연구에서는 78%) 및 특징 선택 지표와 같은 정량적 결과물을 제공하여 중재 조건의 객관적인 비교를 가능하게 합니다.
- 중개 연구(Translational Research): 기설정된 기준(예: EASL)에서 유도된 반응 레이블을 사용하여 모델 출력물을 임상적으로 유의미한 종점과 일치시킴으로써 전임상 연속성을 연결합니다.
- 기업적 재사용(Enterprise Reuse): 특징 공학 및 모델 평균화 접근 방식을 간세포암 외의 다른 적응증 및 영상 유도 치료에도 적용 가능한 재사용 가능한 역량으로 구성합니다.
운영 및 기업 영향
- 과학적 가치: 일화적인 반응 데이터에 대한 의존도를 낮추고 데이터 기반의 환자 층화를 가능하게 함으로써, 타겟 검증의 예측 신뢰도를 높입니다.
- 운영적 가치: 표준화된 특징 추출, 이진화 및 leave-one-out 교차 검증을 통해 재현성과 확장성을 향상시킵니다.
- 전략적 가치: go/no-go 결정의 품질을 개선하여, 종양학 포트폴리오 내에서 자본 효율성을 높이고 후기 단계의 생물학적 리스크를 감소시킵니다.
- 포트폴리오 영향: 예측 반응 가능성이 더 높은 적응증이나 하위 그룹을 식별하여 리스크 조정 우선순위 지정을 가능하게 하며, 보다 스마트한 진행 결정을 지원합니다.
실행 시 고려 사항
- 임상 데이터 큐레이션, 특성 공학(feature engineering), 그리고 머신러닝 모델 학습 및 검증에 관한 전문 지식이 필요합니다.
- 영상 데이터, 인구통계학적 데이터 및 결과 데이터가 쌍으로 구성되고 임상적 대표성을 갖춘, 잘 어노테이션된 데이터셋에 대한 접근이 필요합니다.
- 모델의 일반화 가능성을 보장하기 위해 특성 정의 및 이진화 임계값에 대한 팀 간 표준화가 필수적입니다.
- 해당 프레임워크를 서로 다른 모델 시스템이나 영상 모달리티에 적용할 때 적응 방안에 대한 고려가 수반됩니다.
- 영상 및 임상 노트에서 특성을 도출하는 데 수동 작업이 필요하며, 이는 자동화 없이는 확장성을 제한할 수 있습니다.
