Name: Het voorspellen van behandeling reactie op Image-Guided therapieën met behulp van Machine Learning: een voorbeeld voor Trans-Arterial behandeling van hepatocellulaire Carcinoma (Video) | JoVE Journal
Uploaded: 2018-10-10T15:00:00.000+00:00
Duration: 4 min 9 s
Description: Ontdek machine learning voor het voorspellen van behandelrespons bij hepatocellulair carcinoom met behulp van pre-procedurele klinische en beeldvormingsgegevens. Deze methode ondersteunt klinische besluitvorming in interventie-oncologie.

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

A.A. ontvangen financiële steun van het Office of Student Research, Yale School of Medicine.
L.J.S. ontvangt subsidies van de National Institutes of Health (NIH/NCI R01CA206180), Leopoldina Postdoctoral Fellowship en de Rolf W. Guenther Foundation voor radiologische wetenschappen (Aken, Duitsland).
J.C. ontvangt subsidies van de National Institutes of Health (NIH/NCI R01CA206180), Philips Healthcare en de Duits-Israëlische Stichting voor wetenschappelijkonderzoek en ontwikkeling (Jeruzalem, Israël en Neuherberg, Duitsland); en beurzen uit de Rolf W. Guenther Foundation voor radiologische wetenschappen en het Charite Berlijn Instituut van gezondheid klinische wetenschapper programma (Berlijn, Duitsland).
J.S.D. en M.L. ontvangen subsidies van de National Institutes of Health (NIH/NCI R01CA206180) en Philips Healthcare (Best, Nederland).
J.F.G. ontvangt subsidies van de National Institutes of Health (NIH/NCI R01CA206180), Philips Healthcare, BTG (London, Verenigd Koninkrijk), Boston Scientific (Marlborough, Massachusetts), en Guerbet gezondheidszorg (Villepinte, Frankrijk)

1. Werkstation instellen voor machinaal leren
<ol><li>Het gebruik van een systeem met de volgende: Intel Core 2 Duo of hogere processor van 2,0 GHz 4 GB of meer systeemgeheugen POSIX-compatibel besturingssysteem (Linux of Mac OS) of Microsoft Windows 7 Gebruikersmachtigingen voor het uitvoeren van programma's en het opslaan van bestanden</li>
	<li>Installeer de volgende hulpprogramma's: Anaconda Python3: https://www.anaconda.com/download DICOM naar NIfTI converter (dcm2niix) - https://github.com/rordenlab/dcm2niix Sublime Text Editor: https://www.sublimetext.com/ itk-module (optioneel): http://www.itksnap.org<ol>
<li>Anaconda Python3, dcm2nii en sublieme tekst installeren, bezoek hun respectieve websites voor besturingssysteem specifieke installatiestappen.</li>
		<li>Maken en activeren van een Anaconda-omgeving. Conda maken--naam mlenv Conda activeren mlenv</li>
		<li>Anaconda pakketten installeren voor machinaal leren. Conda installeren numpy scipy scikit-leren van nltk nibabel Opmerking: Het nltk pakket is handig voor het parsen van leesbare tekst klinische notities, terwijl het nibabel-pakket nuttige functies voor medische beeldmanipulatie bevat. itk-module kan worden geïnstalleerd voor het uitvoeren van de segmentactie organen en tumoren van medische beelden. Het is nuttig voor beperkende functies aan specifieke regio's.</li>
	</ol>
</li>
</ol>2. Functie extractie uit leesbare tekst klinische notities en gestructureerde klinische gegevens
<ol><li>Maak een bovenliggende map voor het project en maak een map voor elke patiënt binnen de bovenliggende map. Directory-structuur moet lijken op: Project / Project/Patient_1 / Project/Patient_2 / Project/Patient_3 / ...</li>
	<li>Verkrijgen van leesbare tekst klinische notities uit de elektronische medische record (EMR). Notities handmatig via de EMR of door middel van het ziekenhuis informatie technologie (IT) kantoor via een data-dump ophalen. Van elke patiënt aantekeningen opslaan in hun respectieve mappen. Project/Patient_1/History_and_Physical.txt Project/Patient_1/Procedure_Note.txt<ol>
<li>Besloten welke klinische kenmerken in het model op te nemen. Parseren van de nota's van leesbare tekst, kliniek voor deze functies. De bibliotheek van Python Natural Language Toolkit (nltk) biedt nuttige commando's voor documenten splitsen in zinnen. Elke zin kan doorzocht worden op gepaste wijze geformuleerd zoals geelzucht. Van elke patiënt functies opslaan in een bestand met één eigenschap per regel. Project/Patient_1/Features.txt: leeftijd 67 geslacht man albumine 3.1 cirrhotic no hepatitis_c geen ...</li>
		<li>Voor niet-binaire functies, nemen de mediane waarde van elke functie in alle patiënten. Binarize elke functie als een waarde van het true(1) of false(0) op basis van de gemiddelde waarde. Project/Patient_1/Binary_Features.txt: age_over_60 0 male_sex 1 albumin_less_than_3.5 1 presence_of_cirrhosis 0 hepatitis_c 0 ...</li>
	</ol>
</li>
</ol>3. Functie extractie van medische beelden
Opmerking: Zie stap 3 aanvullende materialen voor voorbeelden van programmacode.
<ol><li>Download pre-en post therapie magnetische resonantie DICOM-afbeeldingen uit het ziekenhuis PACS. Afbeeldingen opslaan in de overeenkomstige patiënt mappen. Project / Project/Patient_1/Pre_TACE_MRI_Pre-Contrast.dcm Project/Patient_1/Pre_TACE_MRI_Arterial.dcm Project/Patient_1/Post_TACE_MRI_Pre-Constrast.dcm Project/Patient_1/Post_TACE_MRI_Arterial.dcm</li>
	<li>DICOM-afbeeldingen converteren naar NIfTI-formaat met behulp van het dcm2niix-programma. De volgende opdrachten converteert alle bestandstoevoeging afbeeldingen in de opgegeven map. Herhaal voor alle patiënten. dcm2niix Project/Patient_1 / dcm2niix Project/Patient_2 /</li>
	<li>Elk NIfTI-bestand laden in Python. nibabel importeren afbeelding = nibabel.load('Project/Patient_1/Pre_TACE_MRI_Pre-Contrast.dcm')<ol>
<li>Canonicalize de richting van elke afbeelding. Dit zorgt ervoor dat de x-, y- en z-assen identiek, ongeacht de machine gebruikt zijn te verwerven van de beelden. cImage = nibabel.as_closest_canonical(image)</li>
	</ol>
</li>
	<li>Itk-module (of een gelijkwaardige softwarepakket) om te segmenteren binaire lever en tumor maskers voor elke afbeelding te gebruiken. Project/Patient_1/Pre_TACE_MRI_Pre-Contrast_Liver_Mask.bin Project/Patient_1/Pre_TACE_MRI_Pre-Contrast_Tumor_Mask.bin</li>
	<li>Lees de lever en tumor maskers in Python. De onderstaande code laat zien hoe oriëntatie om problemen te verhelpen om te oriënteren van de maskers langs de dezelfde canonieke assen als de heer beelden. import numpy als np met open (liver_mask_file, 'rb') als f: liver_mask = f.read() liver_mask = np.fromstring (liver_mask, dtype = 'uint8') liver_mask = np.reshape (liver_mask, diff.shape, order = 'F') liver_mask = liver_mask [:,:: -1,:] liver_mask [liver_mask > 0] = 1<ol>
<li>Gebruik de lever en tumor maskers te isoleren voxels met lever en tumor. lever = np.copy(cImage) lever [liver_mask < = 0] = 0</li>
	</ol>
</li>
	<li>Bereken de gemiddelde verhoging van de lever functie. mean_liver_enhancement = mean(liver)<ol>
<li>Functie van de lever volume berekenen. pixdim cImage.header['pixdim ='] eenheden = pre.header['xyzt_units'] DX, dy, dz = pre_pixdim [1:4] liver_volume = length(liver) * dx * dx * dz</li>
		<li>(Optioneel) Bereken extra functies zoals gewenst.</li>
	</ol>
</li>
	<li>Patiënt-specifieke functies bestand bijgewerkt met de eigenschappen van de afbeelding. Project/Patient_1/Features.txt: leeftijd 67 geslacht man albumine 3.1 cirrhotic no hepatitis_c geen pre_tace_mean_liver_enhancement 78 pre_tace_liver_volume 10000<ol>
<li>Berekenen van de gemiddelde waarden voor elke beeldbewerking functie en binarize zoals in stap 2.2.2. Project/Patient_1/Binary_Features.txt: age_over_60 0 male_sex 1 albumin_less_than_3.5 1 presence_of_cirrhosis 0 hepatitis_c 0 pre_tace_mean_liver_enhancement 1 pre_tace_liver_volume 0</li>
	</ol>
</li>
</ol>4. beschikken over aggregatie en vermindering
Opmerking: Zie stap 4 aanvullende materialen voor voorbeelden van programmacode.
<ol><li>Combineer de Binary_Features.txt bestanden voor elke patiënt in een spreadsheet met patiënten op de y-as en functies op de x-as.<table fo:keep-together.within-page="1" fo:margin-left="-5mm"><tbody>
<tr>
<td>Patiënt</td>
				<td>Leeftijd > 60</td>
				<td>Mannelijk geslacht</td>
				<td>Albumine < 3.5</td>
				<td>Aanwezigheid van levercirrose</td>
				<td>Hepatitis C aanwezig</td>
				<td>bedoel lever Toebehoren > 50</td>
				<td>lever volume > 20000</td>
			</tr>
<tr>
<td>1</td>
				<td>0</td>
				<td>1</td>
				<td>1</td>
				<td>0</td>
				<td>0</td>
				<td>1</td>
				<td>0</td>
			</tr>
<tr>
<td>2</td>
				<td>1</td>
				<td>1</td>
				<td>1</td>
				<td>0</td>
				<td>0</td>
				<td>0</td>
				<td>0</td>
			</tr>
<tr>
<td>3</td>
				<td>0</td>
				<td>1</td>
				<td>1</td>
				<td>0</td>
				<td>1</td>
				<td>0</td>
				<td>0</td>
			</tr>
</tbody></table>
<ol>
<li>QEASL resultaat reactie labels toevoegen als de laatste kolom.<table fo:keep-together.within-page="1" fo:margin-left="-15mm"><tbody>
<tr>
<td>Patiënt</td>
					<td>Leeftijd > 60</td>
					<td>Mannelijk geslacht</td>
					<td>Albumine < 3.5</td>
					<td>Aanwezigheid van levercirrose</td>
					<td>Hepatitis C aanwezig</td>
					<td>bedoel lever Toebehoren > 50</td>
					<td>lever volume > 20000</td>
					<td>qEASL Responder</td>
				</tr>
<tr>
<td>1</td>
					<td>0</td>
					<td>1</td>
					<td>1</td>
					<td>0</td>
					<td>0</td>
					<td>1</td>
					<td>0</td>
					<td>1</td>
				</tr>
<tr>
<td>2</td>
					<td>1</td>
					<td>1</td>
					<td>1</td>
					<td>0</td>
					<td>0</td>
					<td>0</td>
					<td>0</td>
					<td>1</td>
				</tr>
<tr>
<td>3</td>
					<td>0</td>
					<td>1</td>
					<td>1</td>
					<td>0</td>
					<td>1</td>
					<td>0</td>
					<td>0</td>
					<td>0</td>
				</tr>
</tbody></table>
</li>
		<li>Het werkblad exporteren als een tabgescheiden bestand. Project/ML_Matrix.tsv: PatientAge > 60 mannelijke geslacht albumine < 3.5 aanwezigheid van levercirrose Hepatitis C huidige gemiddelde lever Toebehoren > 50 lever volume > 20000 qEASL Responder 1 0 1 1 0 0 1 0 1 2 1 1 1 0 0 0 0 1 3 0 1 1 0 1 0 0 0</li>
	</ol>
</li>
	<li>Lage-variantie-functies verwijderen van overweging. import numpy als np importeren uit sklearn.feature_selection VarianceThreshold # Lees in de binaire matrix. functies =] etiketten =] want ik, L in enumerate(sys.stdin): Als ik == 0 blijven n_fs_L = L.strip().split('\t') features.Append([float(_) voor _ in n_fs_L[1:-1]]) Labels.Append(n_fs_L[-1]) X = np.array(features) y = np.array(labels) # Berekenen functies verschijnen in ten minste 20% van zowel responders en niet-respnders. model = VarianceThreshold (drempel = 0,8 * (1 - 0.8)) X_new = model.fit_transform (X, y) Het mannelijk geslacht, albumine < 3.5, aanwezigheid van levercirrose en lever volume > 2000-functies zijn verwijderd.<table fo:keep-together.within-page="1"><tbody>
<tr>
<td>Patiënt</td>
				<td>Leeftijd > 60</td>
				<td>Hepatitis C aanwezig</td>
				<td>bedoel lever Toebehoren > 50</td>
				<td>qEASL Responder</td>
			</tr>
<tr>
<td>1</td>
				<td>0</td>
				<td>0</td>
				<td>1</td>
				<td>1</td>
			</tr>
<tr>
<td>2</td>
				<td>1</td>
				<td>0</td>
				<td>0</td>
				<td>1</td>
			</tr>
<tr>
<td>3</td>
				<td>0</td>
				<td>1</td>
				<td>0</td>
				<td>0</td>
			</tr>
</tbody></table>
</li>
	<li>Verwijderen van functies met lage univariate-vereniging met het resultaat. Alleen die functies die 4.2 doorgegeven filteren. Behouden (logboek2van (N)) functies, waarbij N staat voor het aantal patiënten ceil. Ceil (logboek2van (3)) = 2. importeren van math importeren uit sklearn.feature_selection SelectKBest vanuit sklearn.feature_selection importeren chi2 # Lees in de binaire matrix als in 4.2.1 ... # Berekenen top ceil(log2(N)) functies door univariate association. k = math.ceil(log2(length(y))) model = SelectKBest (chi2, k = k) X_new = model.fit_transform (X, y) De mannelijke geslacht leeftijd > 60 functie is verwijderd uit de overige functies van 4.2.1.</li>
</ol><table fo:keep-together.within-page="1"><tbody>
<tr>
<td>Patiënt</td>
			<td>Hepatitis C aanwezig</td>
			<td>bedoel lever Toebehoren > 50</td>
			<td>qEASL Responder</td>
		</tr>
<tr>
<td>1</td>
			<td>0</td>
			<td>1</td>
			<td>1</td>
		</tr>
<tr>
<td>2</td>
			<td>0</td>
			<td>0</td>
			<td>1</td>
		</tr>
<tr>
<td>3</td>
			<td>1</td>
			<td>0</td>
			<td>0</td>
		</tr>
</tbody></table>5. Model opleiding en testen
Zie stap 5 aanvullende materialen voor voorbeelden van programmacode
<ol><li>Train een logistische regressiemodel met behulp van de functies van de binaire matrix van 4.3. importeren van math importeren uit sklearn.linear_model LogisticRegression # Lees in de binaire matrix zoals in 4.2 en 4.3. ... # Voor elke patiënt, trein een model op alle andere patiënten. Score = 0.0 modellen =] voor patiënt in len(X): # Train model op alle, maar een van de patiënten. train_x = np.array ([_ want ik, _ in enumerate(X) als i! = patiënt]) train_y = np.array ([_ want ik, _ in enumerate(y) als i! = patiënt]) model = LogisticRegression(C=1e15) model.fit (train_x, train_y) # Test op de links-out patiënt. y_prediction = model.predict(X[patient]) Als y_prediction == y [patiënt]: Score van += 1 models.Append(model)</li>
	<li>Train een willekeurige forest-model met behulp van de functies van de binaire matrix van 4.2.2. Stappen zijn identiek aan 5.2.1, behalve het instantiëren van het model als volgt moet worden bijgewerkt: importeren uit sklearn.ensemble RandomForestClassifier ... model = RandomForestClassifier(n_estimators=100) ...</li>
	<li>Print score / len (X) voor 5.1 en 5.2. Hiermee wordt de gemiddelde nauwkeurigheid van alle logistische regressie-modellen en alle modellen van de willekeurige bos, respectievelijk. Alle N modellen moeten worden toegepast op nieuwe patiënten met gemiddelde declassificatie genomen als het resultaat voorspelling</li>
</ol>

<ol><li>Benson, A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((NCCN+clinical+practice+guidelines+in+oncology%3A+hepatobiliary+cancers%5BTitle%5D)+AND+%22J+National+Comprehensive+Cancer+Network%22%5BJournal%5D)">NCCN clinical practice guidelines in oncology: hepatobiliary cancers.</a> J National Comprehensive Cancer Network. 7 (4), 350-391 (2009).</li>
<li>Siegel, R., Miller, K., Jemal, A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Cancer+statistics%2C+2016%5BTitle%5D)+AND+%22CA+Cancer+J+Clin%22%5BJournal%5D)">Cancer statistics, 2016.</a> CA Cancer J Clin. 66 (1), 7-30 (2016).</li>
<li>Bruix, J., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Clinical+management+of+hepatocellular+carcinoma.+Conclusions+of+the+Barcelona-2000+European+Association+for+the+Study+of+the+Liver+conference%5BTitle%5D)+AND+%22Journal+of+Hepatology%22%5BJournal%5D)">Clinical management of hepatocellular carcinoma. Conclusions of the Barcelona-2000 European Association for the Study of the Liver conference.</a> Journal of Hepatology. 35 (3), 421-430 (2001).</li>
<li>Eisenhauer, E., et al. <a target="_blank" href="https://www.ncbi.nlm.nih.gov/pubmed/19097774">New response evaluation criteria in solid tumours: revised RECIST guideline (version 1.1).</a> European Journal of Cancer. 45 (2), 228-247 (2009).</li>
<li>Gillmore, R., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((EASL+and+mRECIST+responses+are+independent+prognostic+factors+for+survival+in+hepatocellular+cancer+patients+treated+with+transarterial+embolization%5BTitle%5D)+AND+%22Journal+of+Hepatology%22%5BJournal%5D)">EASL and mRECIST responses are independent prognostic factors for survival in hepatocellular cancer patients treated with transarterial embolization.</a> Journal of Hepatology. 55 (6), 1309-1316 (2011).</li>
<li>Lin, M., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Quantitative+and+volumetric+European+Association+for+the+Study+of+the+Liver+and+Response+Evaluation+Criteria+in+Solid+Tumors+measurements%3A+feasibility+of+a+semiautomated+software+method+to+assess+tumor+response+after+transcatheter+arterial+chemoembolization%5BTitle%5D)+AND+%22Journal+of+Vascular+and+Interventional+Radiology%22%5BJournal%5D)">Quantitative and volumetric European Association for the Study of the Liver and Response Evaluation Criteria in Solid Tumors measurements: feasibility of a semiautomated software method to assess tumor response after transcatheter arterial chemoembolization.</a> Journal of Vascular and Interventional Radiology. 23 (12), 1629-1637 (2012).</li>
<li>Tacher, V., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Comparison+of+Existing+Response+Criteria+in+Patients+with+Hepatocellular+Carcinoma+Treated+with+Transarterial+Chemoembolization+Using+a+3D+Quantitative+Approach%5BTitle%5D)+AND+%22Radiology%22%5BJournal%5D)">Comparison of Existing Response Criteria in Patients with Hepatocellular Carcinoma Treated with Transarterial Chemoembolization Using a 3D Quantitative Approach.</a> Radiology. 278 (1), 275-284 (2016).</li>
<li>Pedregosa, F., et al. <a target="_blank" href="http://www.jmlr.org/papers/volume12/pedregosa11a/pedregosa11a.pdf">Scikit-learn: Machine Learning in Python.</a> Journal of Machine Learning Research. 12, 2825-2830 (2011).</li>
<li>Bishop, C. <a target="_blank" href="NULL">Pattern recognition and machine learning</a>. , Springer. New York. 738(2006).</li>
<li>Alpaydin, E. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aAlpaydin%2C+E+%22Introduction+to+machine+learning.+Third+edition%22">Introduction to machine learning. Third edition</a>. , The MIT Press. Cambridge, Massachusetts. 613(2014).</li>
<li>Kim, S., Cho, K., Oh, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Development+of+machine+learning+models+for+diagnosis+of+glaucoma%5BTitle%5D)+AND+%22PLoS+One%22%5BJournal%5D)">Development of machine learning models for diagnosis of glaucoma.</a> PLoS One. 12 (5), (2017).</li>
<li>Son, Y., Kim, H., Kim, E., Choi, S., Lee, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Application+of+support+vector+machine+for+prediction+of+medication+adherence+in+heart+failure+patients%5BTitle%5D)+AND+%22Healthcare+Informatics+Research%22%5BJournal%5D)">Application of support vector machine for prediction of medication adherence in heart failure patients.</a> Healthcare Informatics Research. 16 (4), 253-259 (2010).</li>
<li>Wang, S., Summers, R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Machine+learning+and+radiology%5BTitle%5D)+AND+%22Medical+Image+Analysis%22%5BJournal%5D)">Machine learning and radiology.</a> Medical Image Analysis. 16 (5), 933-951 (2012).</li>
<li>Abajian, A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Predicting+Treatment+Response+to+Intra-arterial+Therapies+for+Hepatocellular+Carcinoma+with+the+Use+of+Supervised+Machine+Learning-An+Artificial+Intelligence+Concept%5BTitle%5D)+AND+%22Journal+of+Vascular+and+Interventional+Radiology%22%5BJournal%5D)">Predicting Treatment Response to Intra-arterial Therapies for Hepatocellular Carcinoma with the Use of Supervised Machine Learning-An Artificial Intelligence Concept.</a> Journal of Vascular and Interventional Radiology. , (2018).</li>
</ol>

A.A. werkt als een software-consult voor gezondheid Fidelity, Inc. die gebruikmaakt van soortgelijke machine leertechnieken op klinische notities voor het optimaliseren van de medische vergoeding.
J.F.G. ontvangt persoonlijke kosten van de Guerbet gezondheidszorg, BTG drempel Pharmaceuticals (San Francisco, Californië), Boston Scientific en Terumo (Elkton (Maryland)); en heeft een betaalde adviesbureau voor voorwetenschap Labs (Westport, Connecticut).
Geen van de andere auteurs hebben geïdentificeerd een belangenconflict.

Patiënten met hepatocellulaire carcinoom die geen kandidaten voor chirurgische resectie zijn intra-arteriële therapieën aangeboden. Enkele methoden bestaan om te bepalen als een patiënt pre reageren zal-behandeling. Nabehandeling evaluatietechnieken zijn afhankelijk van wijzigingen in de grootte van de tumor of tumor contrast opname. Deze heten antwoord criteria, met de meest accurate is de kwantitatieve Europese vereniging voor de studie van het criterium van de lever (qEASL). qEASL berust op beide volumetrisch...

Patiënten met hepatocellulaire carcinoom die geen chirurgische kandidaten worden aangeboden intra-arteriële therapieën1,2,3. Er is geen enkele statistiek die bepaalt of een patiënt op een intra-arteriële therapie reageren zal voordat de behandeling wordt beheerd. Het doel van deze studie was om aan te tonen van een methode die behandeling reactie voorspelt door toepassing van de methoden van machine learning. Dergelijke modellen een leidraad voor artsen en patiënten zijn bij het bepalen of u wilt doorgaan met een behandeling.
Het protocol houdt een reproduceerbare proces voor opleiding en bijwerken van een primaire patiëntgegevens (klinische notities, demografie, laboratorium gegevens en imaging) vanaf model. De gegevens wordt het aanvankelijk geparseerd voor specifieke functies, met elke patiënt door een reeks binaire eigenschappen en een binaire resultaat target label aangegeven. Het resultaat-label wordt bepaald met behulp van een gevestigde imaging gebaseerde reactie criterium voor hepatocellulaire therapie4,5,6,7. De functies en de doelgroep labels worden doorgegeven aan software voor het leren van machine die leert de toewijzing tussen functies en resultaten onder een specifiek model (logistische regressie of willekeurige forest)8,9,10te leren. Soortgelijke technieken zijn toegepast in de radiologie en andere gebieden van kankeronderzoek voor diagnose en behandeling voorspelling11,12,13.
De methode past technieken uit de informatica op het gebied van Interventionele radiologie. Traditionele betekenis studies in Interventionele radiologie en geneeskunde in het algemeen afhankelijk van mono - of oligo-functie-analyses. Bijvoorbeeld, bevat het Model voor End-Stage leverziekte vijf klinische statistieken om te beoordelen in welke mate van leverziekte. Het voordeel van de voorgestelde methode is de mogelijkheid om toe te voegen functies royaal; vijfentwintig functies worden beschouwd als in de voorbeeld-analyse. Extra functies kunnen worden toegevoegd als gewenste.
De techniek kan worden toegepast op andere radiografische interventies waar pre- en post interventie imaging gegevens beschikbaar zijn. Bijvoorbeeld kunnen resultaten na percutane behandelingen worden voorspeld op een vergelijkbare manier. De belangrijkste beperking van de studie is de noodzaak tot handmatige curate functies voor opname in het model. Curatie en functie gegevensextractie is tijdrovend voor de beoefenaar en klinische aanneming van zo'n machine leren modellen kan belemmeren.

<table><tbody><tr><td>Computerwerkstation</td><td>N/A</td><td>N/A</td><td>Intel Core 2 Duo of hoger CPU op 2,0 GHz; 4 GB of meer systeemgeheugen; POSIX-compatibel besturingssysteem (Linux of Mac OS) of Microsoft Windows 7; Gebruikersrechten voor het uitvoeren van programma's en het opslaan van bestanden</td></tr><tr><td>Anaconda Python 3</td><td>Anaconda, Inc.</td><td>Versie 3.6</td><td>Python 3 systeem en bibliotheken verpakt voor wetenschappers en onderzoekers</td></tr><tr><td>DICOM naar NIfTI</td><td>NeuroImaging Tools &amp; Resources Collaboratory</td><td>Versie 1.0 (4/4/2018 release)</td><td>Standalone programma voor het converteren van DICOM beeldbestanden naar NIfTI formaat</td></tr><tr><td>Sublime Text Editor</td><td>Sublime HQ Pty Ltd</td><td>Versie 3 (Build 3143)</td><td>Teksteditor voor het schrijven van Python code</td></tr><tr><td>Vereiste Python Bibliotheken</td><td>N/A</td><td>Versie 3.2.25 (nltk) Versie 0.19.1 (scikit-learn)</td><td>Natural Language Toolkit (nltk) Scikit-learn</td></tr><tr><td>ITK-SNAP</td><td>N/A</td><td>Versie 3.6.0</td><td>Optionele toolkit voor het uitvoeren van segmentatie van orgaansystemen in medische beelden.</td></tr></tbody></table>

het voorspellen van behandeling reactie op image-guided therapieën met behulp van machine learning: een voorbeeld voor trans-arterial behandeling van hepatocellulaire carcinoma

Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma

Intra-arteriële therapieën zijn de standaard van zorg voor patiënten met hepatocellulaire carcinoom, die kan niet chirurgische resectie ondergaan. Het doel van deze studie was het ontwikkelen van een methode om te voorspellen reactie op intra-arteriële behandeling voorafgaand aan interventie.
De methode biedt een algemeen kader voor het voorspellen van de resultaten voordat intra-arteriële therapie. Het gaat om bundeling van klinisch en beeldvorming en demografische gegevens over een cohort van patiënten en het gebruik van deze gegevens om te trainen op een machine leren model. De opgeleide model wordt toegepast op nieuwe patiënten om te voorspellen van hun kans van respons op intra-arteriële therapie.
De methode leidt tot de verwerving en het ontleden van klinisch en beeldvorming en demografische gegevens van N -patiënten die al een trans-arterial therapieën hebben ondergaan. Deze gegevens zijn geparseerd in afzonderlijke kenmerken (leeftijd, geslacht, levercirrose, mate van verhoging van de tumor, etc.) en binarized in waar/onwaar-waarden (bijvoorbeeld leeftijd boven 60, mannelijk geslacht, verhoging van de tumor boven een bepaalde drempel, enz.). Low-variantie-functies en functies met lage univariate verenigingen met het resultaat worden verwijderd. Elke behandelde patiënt heet volgens gereageerd of niet reageren op de behandeling. Elke opleiding patiënt is dus vertegenwoordigd door een set van binaire eigenschappen en een resultaat-label. Machine leren modellen worden getraind met behulp van N - 1 patiënten met testen op de links-out patiënt. Dit proces wordt herhaald voor elk van de N -patiënten. De N -modellen zijn gemiddeld om te komen tot een definitief model.
De techniek is uitbreidbaar en kan de opname van extra functies in de toekomst. Het is ook een gegeneraliseerd proces dat kan worden toegepast op klinisch onderzoeksvragen buiten Interventionele radiologie. De belangrijkste beperking is de noodzaak om de functies van handmatig ontlenen met elke patiënt. Een populaire moderne vorm van machinaal leren genaamd diepe vereist leren geen last van deze beperking, maar grotere datasets.

De voorgestelde methode werd toegepast op 36 patiënten die trans-arterial therapieën voor hepatocellulaire carcinoom had ondergaan. Vijfentwintig functies werden geïdentificeerd en met behulp van de binarized stappen 1-5. Vijf functies tevreden van zowel de variantie en univariate vereniging filters (zie stap 5.1 en 5.2) en werden gebruikt voor model opleiding. Elke patiënt was gelabeld als een-responder of non-responder onder de criteria van qEASL reactie. De functies matrix was dus een ...

Intra-arteriële therapieën zijn de standaard van zorg voor patiënten met hepatocellulaire carcinoom, die kan niet chirurgische resectie ondergaan. Een methode voor het voorspellen van de reactie op deze therapie wordt voorgesteld. De techniek maakt gebruik van vooraf procedurele informatie over klinische, demografische en imaging te trainen van machine learning modellen kunnen voorspellen van de respons voorafgaand aan de behandeling.

Het voorspellen van behandeling reactie op Image-Guided therapieën met behulp van Machine Learning: een voorbeeld voor Trans-Arterial behandeling van hepatocellulaire Carcinoma

Intra-arterial therapies are the standard of care for patients with hepatocellular carcinoma who cannot undergo surgical resection. The objective of this ...

Deze methode kan helpen bij het voorspellen van de respons op intra arteriële therapieën. Machine learning-toepassingen in interventionele oncologie veranderen de manier waarop we leverkanker en andere ziekten behandelen met beeldgestuurde therapieën. Deze methode heeft het potentieel om de manier waarop twee belangrijke beslissingen worden genomen te verbeteren.Over het algemeen zullen personen die nieuw zijn bij deze methode worstelen vanwege de noodzaak om de functies te genereren en machine learning en code uit te voeren. Visuele demonstratie van deze methode is van cruciaal belang als de functie generatie stappen inhouden extraheren die functies met behulp van imaging maskers. Een goed geannoteerde en klinisch representatieve dataset is nodig om het model te trainen.Meer patiëntgegevens en grote cohorten zullen nodig zijn om een dergelijk machine learning-algoritme verder te verbeteren. Na te hebben besloten welke klinische kenmerken in het model moeten worden opgenomen, gebruikt u een geschikte toolkit voor natuurlijke taal om de notities van de kliniek met platte tekst in zinnen te ontleden om te zoeken naar interessevoorwaarden. Bewaar vervolgens de functies van elke patiënt in een bestand met één functie per regel.Voor niet-binaire functies, het verkrijgen van de mediane waarde van elke functie over alle patiënten, en binarize elke functie als een echte of valse waarde op basis van de mediane waarde. Om een gemiddelde leververbeteringsfunctie te berekenen op een medisch beeld. Na het isoleren van de voxels met de lever, voer de gemiddelde leververbetering commando.Voer de opdrachten in zoals aangegeven om de functie levervolume te bepalen. Bereken vervolgens mediane waarden voor elke beeldfunctie en binarize de functies zoals aangetoond. Voor aggregatie en vermindering van de functies, eerst verwijderen van de lage variantie functies uit overweging en lees de functies in de binaire matrix.Gebruik vervolgens het variantiedrempelmodel om de functies te berekenen die worden weergegeven in ten minste 20% van zowel responders als niet-responders, vergelijkbaar met die in de tabel. Verwijder alle functies met een lage univariate associatie met het resultaat en filter alleen die functies die de oorspronkelijke lage variant screening behouden n functies waar n is het aantal patiënten passeren. Lees vervolgens in de binaire matrix voor elke functie, vergelijkbaar met zoals geïllustreerd in de tabel.Nadat de functies zijn binarized en gefilterd, is het tijd om het model te trainen. Modeltraining is een eenvoudig proces dat past bij de kenmerken van de resultaten die worden onderzocht en kan worden gebruikt om voorspellingen te doen over nieuwe patiënten. In deze representatieve analyse van 36 patiënten die trans arteriële therapieën voor hepatocellulair carcinoom ondergingen, werden 25 kenmerken geïdentificeerd en binarized zoals aangetoond met 5 functies die zowel de varianten als de univariate associatiefilters bevredigden.Elke patiënt werd gelabeld als een responder of niet-responder onder de kwantitatieve Europese Vereniging voor de studie van de lever respons criteria. Zoals geïllustreerd, zowel de logistieke regressie en willekeurige bos modellen voorspelde een trans arteriële chemoembolisatie behandeling reactie met een algehele nauwkeurigheid van 78%Volgens deze methode, is het mogelijk om voorspellingen te doen over nieuwe patiënten door het toepassen van het trainingsmodel. Deze machine learning-techniek kan universeel worden toegepast op elke therapie die preprocedurele, interprocedurele en postprocedurele beeldvorming omvat.

predicting-treatment-response-to-image-guided-therapies-using-machine

Research

JoVE Journal

Medicine

Geneeskunde

Dual-phase conische straal computertomografie (DP-CBCT) is een nuttige intraprocedurale beeldvormingstechniek voor transarterielle chemo-embolisatiebehandeling met geneesmiddelafgevende kralen bij hepatocellulair carcinoom. DP-CBCT is gebruikt om drie belangrijke stappen in oncologische interventionele radiologie uit te voeren: tumorlokalisatie (zien), navigatie en intraprocedurale katheterbegeleiding (bereiken) en intraprocedurale evaluatie van de behandelingssucces (behandelen).

Dual-phase Cone-beam Computertomografie om hepatocellulair carcinoom te zien, te bereiken en te behandelen tijdens transarteriële chemo-embolisatie met geneesmiddelafgevende kralen

Lichaam stereotactische radiotherapie (SBRT) vereist strenge nauwkeurigheid en precisie voor het leveren van hoge stralingsdoses per fractie aan kleine behandeling volumes te verbeteren van de controle van de tumor en tegelijkertijd verminderen toxiciteit. Hierin presenteren wij een noninvasive en klinisch handige respiratoire beweging-beheerprotocol voor SBRT voor lever metastasen.

Behandeling van lever metastasen met behulp van een interne doel Volume methode voor lichaam stereotactische radiotherapie

Dit protocol is ontworpen om een machine learning-algoritme te trainen om een combinatie van beeldvormingsparameters te gebruiken die zijn afgeleid van magnetic resonance imaging (MRI) en positron emissietomografie/computertomografie (PET/CT) in een ratmodel van botmetastasen van borstkanker om vroege gemetastaseerde ziekte op te sporen en latere progressie naar macrometastasen te voorspellen.

Machine Learning-algoritmen voor vroegtijdige opsporing van botmetastasen in een experimenteel ratmodel

Amblyopie is een ontwikkelingsstoornis van de visuele cortex die vaak gepaard gaat met een sterke onderdrukking van een oog. We presenteren een nieuwe techniek voor het meten en behandelen van interocular onderdrukking bij patiënten met amblyopie die kunnen worden ingezet met behulp van virtual reality bril of een draagbaar iPod Touch-apparaat.

De meting en behandeling van Onderdrukking in Amblyopie

Psoriasis is een chronische, immuun-gemedieerde inflammatoire huidziekte. De Goeckerman regime, geformuleerd voor de behandeling van psoriasis, uit blootstelling aan ultraviolet B (UVB) licht en toepassing van ruwe koolteer (CCT). Het volgende protocol is voor het beheer van Goeckerman therapie voor de behandeling van matige tot ernstige psoriasis.

De Goeckerman Regimen voor de behandeling van matige tot ernstige psoriasis

Nauwkeurige meting van neurologische en neuropsychologische stoornissen en invaliditeit bij multiple sclerose is een uitdaging. Wij rapporteren methodologische details over een nieuwe test, de Multiple Sclerose Test van prestaties (MSPT). Deze nieuwe benadering van de doelstelling van kwantificering van MS-gerelateerde invaliditeit zorgt voor een computer-based platform voor nauwkeurige, geldige meting van MS ernst.

De Multiple Sclerose Test van prestaties (MSPT): Een iPad-Based Disability Assessment Tool

Het dooierzakmembraan van het kuiken (CAM) is immuundeficiënt en sterk gevasculariseerd, waardoor het een natuurlijke in vivo model van tumorgroei en angiogenesis is. In dit protocol beschrijven we een betrouwbare methode om driedimensionale, gevasculariseerde hepatocellulair carcinoom (HCC) tumoren te laten groeien met behulp van de CAM-assay.

De<em&gt; In Ovo</em&gt; Chick chorioallantoïsmembraan (CAM) Assay als een efficiënte xenotransplantaatmodel van Hepatocellular Carcinoom

Hier wordt de methode beschreven om een syngene muismodel van orthotope blaastumor op te zetten om de antitumoreffectiviteit van het bacteriële eiwit HP-NAP te evalueren.

Evaluatie van de werkzaamheid van de<em&gt; H. pylori</em&gt; Protein HP-NAP als een therapeutisch hulpmiddel voor de behandeling van blaaskanker in een orthotope Murine Model

Hier schetsen we de procedure voor MRI-geleide repetitieve transcraniële magnetische stimulatie naar de dorsomediale prefrontale cortex als een experimentele behandeling voor een ernstige depressieve stoornis.

MRI-geleide dmPFC-rTMS als een behandeling voor de behandeling-resistente Depressieve stoornis

We beschrijven een methode voor de detectie van tumorknobbelontwikkeling in de longen van een adenocarcinoom muismodel met behulp van micro-computertomografie en het gebruik ervan voor het monitoren van veranderingen in knobbelgrootte over tijd en als reactie op behandeling. De nauwkeurigheid van de beoordeling werd bevestigd met histologische kwantificering aan het eindpunt.

Met behulp van micro-computertomografie voor de evaluatie van de ontwikkeling van tumoren en follow-up van de respons op de behandeling in een muismodel van longkanker

Ontdek machine learning voor het voorspellen van behandelrespons bij hepatocellulair carcinoom met behulp van pre-procedurele klinische en beeldvormingsgegevens. Deze methode ondersteunt klinische besluitvorming in interventie-oncologie.

Het voorspellen van behandeling reactie op Image-Guided therapieën met behulp van Machine Learning: een voorbeeld voor Trans-Arterial behandeling van hepatocellulaire Carcinoma (Video) | JoVE Journal

Het voorspellen van behandeling reactie op Image-Guided therapieën met behulp van Machine Learning: een voorbeeld voor Trans-Arterial behandeling van hepatocellulaire Carcinoma

Meer video's verkennen