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

Dit protocol vergemakkelijkt de ontwikkeling van een machine learning-algoritme voor het voorspellen van de groei van botmetastasen in een experimenteel model in het stadium van vroege orgaankolonisatie. Het belangrijkste voordeel van deze techniek is dat het verschillende beeldvormingsparameters combineert in een machine learning-algoritme dat aanzienlijk beter presteert dan het productieve vermogen van elke afzonderlijke parameter. Hoewel dit protocol gericht is op de vroege diagnose van metastasen in het bot, kan het worden aangepast aan verschillende organen of gebieden van multimodaal en multiparametrisch beeldvormingsonderzoek.

10 dagen na de operatie en injectie in een DICOM viewer met een DCE plugin. Kies importeren om de DCE-reeks in de 4D-modus te laden en selecteer de DICOM-map met de MRI-beelden. Plaats een cirkelvormige 1,5 vierkante millimeter aan het dimensionale gebied van belang in de proximale scheenschacht beenmerg van het rechter achterbeen binnen de vierde of vijfde MRI-afbeelding en selecteer relatieve verbetering in het plottype.

Voer het basislijnbereik in van tijdstippen, één tot vijf in de respectievelijke velden en exporteer de analyse als een punt TXT-bestand met de naam DCE raw dot TXT. Open RStudio en laad het meegeleverde DCE-script dot R-bestand. Selecteer code, voer het gebied uit en voer alles uit om het hele script uit te voeren en kopieer de uitvoer naar het meegeleverde sjabloonbestand voor beeldvormende functies.

Plaats in de DICOM-viewer een tweede interessegebied in de rugspier van het dier en herhaal de DCE-metingen zoals aangetoond. In de beeldfunctie spreadsheet de respectieve botmetingen worden automatisch gedeeld door de respectieve spiermetingen voor gegevens normalisatie. Om de PET/CT-beelden te analyseren, open je de PET/CT-analysesoftware en importeer je de PET/CT-beelden.

Klik op algemene analyse en selecteer regio van belang kwantificering, maak en maak een interessegebied op basis van een sjabloon. Plaats een vier bij zes millimeter, naar dimensionale regio van belang binnen het beenmerg van de proximale scheenschacht van het rechter achterbeen en selecteer gebieden van belang doel een overlay. Let op de gemiddelde, minimale en maximumwaarden in becquerels per milliliter.

Verdeel vervolgens de maximale waarde door de geïnjecteerde activiteit en vermenigvuldig het resultaat met het diergewicht in grammen om de gestandaardiseerde opnamewaarde te berekenen. Om de tumorgroei in het geïnjecteerde achterbeen te diagnosticeren. Na het verkrijgen van MRI en PET / CT-beelden op dag 30 na de injectie, analyseren van de beelden zoals aangetoond en voeg een tumor kolom aan de beeldvorming functies spreadsheet.

Voer dan een een of nul voor dieren met metastase of zonder een zichtbare tumor last respectievelijk. Als u de meest relevante functies wilt bepalen voor de voorspelling van toekomstige tumorgroei, importeert u de spreadsheet in een open source datavisualisatie machine learning en data mining toolkit. Sleep de bestandssubroutine uit het gegevensmenu naar de werkruimte en dubbelklik op het bestand.

Klik op het mappictogram om de spreadsheet te laden en selecteer de spreadsheet met beeldfuncties. Selecteer het exportwerkblad en wijs het doelkenmerk toe aan de variabele tumor. Wijs de overslaan-functie toe aan het dierennummer.

Sleep de subroutine rang in de werkruimte en teken een lijn om verbinding te maken met het bestand en subroutines te rangschikken. Dubbelklik vervolgens om de subroutine van de rang te openen en het algoritme voor informatieverdwintiging te selecteren. Open RStudio 3.4.1 voor machine learning-analyse en laad het meegeleverde treinmodel R-script.

Selecteer lijnen drie tot en met zes in het script om de vereiste bibliotheken te laden. Klik op code om de geselecteerde code uit te voeren en klik op geselecteerde regels uitvoeren om de geselecteerde regels uit te voeren. Als u een modelgemiddelde wilt trainen tot een algoritme voor neuraal netwerk, selecteert u lijnen acht tot en met 39 uit het model R-treinmodel en klikt u op code en voert u geselecteerde lijnen uit.

Selecteer vervolgens de lijnen 41 tot en met 50 van het model R-model van het treinmodel R om de standaardparameters van diagnostische nauwkeurigheid te beoordelen en geselecteerde regels uit te voeren. Op dag 10 na de operatie en kankercelinjectie kunnen MRI- en PET/CT-beelden worden aangeschaft. DCE-analyse maakt het mogelijk om spier- en botweefselgebieden te meten.

Deze waarden kunnen worden genormaliseerd door de botmetingen te delen door de spiermetingen. Op dag 30 na de injectie worden alle dieren geëvalueerd om te bepalen of ze metasticies hebben ontwikkeld met een een die wijst op een positieve tumorlast en een nul die gezonde dieren aangeeft zonder zichtbare tumoren. Als u het treinmodel R-script uitvoert, kan de optimale hyperparametercombinatie worden bepaald en kan het uiteindelijke model worden berekend met behulp van de optimale hyperparametercombinatie.

Deze gegevens maken het mogelijk een set standaarddiagnostische parameters te berekenen en de kenmerkende curve van het model te plotten. Bijvoorbeeld, in deze analyse van 28 monsters het model presteert aanzienlijk beter dan alle van de drie bestanddelen. Verschillende machine learning-algoritmen presteren meestal beter wanneer de invoergegevens worden genormaliseerd.

In dit protocol wordt normalisatie bereikt met behulp van de Box Cox-functie. Dit protocol gebruikt een modelgemiddelde tijdens het netwerk als een machine learning-algoritme. Het meegeleverde framework kan echter eenvoudig worden aangepast aan andere algoritmen, zoals willekeurige bossen of ondersteuningsvectormachines.

Het extraheren van numerieke informatie uit beeldmateriaal is essentieel geworden. Algoritmen zoals deze kunnen de integratie van grote hoeveelheden gegevens vergemakkelijken om de gelaagdheid van patiënten mogelijk te maken.