Method Article

Algorytmy uczenia maszynowego do wczesnego wykrywania przerzutów do kości w eksperymentalnym modelu szczurzym

DOI:

10.3791/61235

⸱

August 16th, 2020

 ,  ,  ,  ,  ,  ,  , 
1Department of Radiology, University Hospital Erlangen, Friedrich-Alexander Universität Erlangen-Nürnberg, 2Department of Medical Physics in Radiation Oncology, German Cancer Research Center, 3Department of Internal Medicine 3, University Hospital Erlangen, Friedrich-Alexander Universität Erlangen-Nürnberg

In This Article

Summary

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Ten protokół został zaprojektowany, aby wytrenować algorytm uczenia maszynowego do korzystania z kombinacji parametrów obrazowania pochodzących z rezonansu magnetycznego (MRI) i pozytonowej tomografii emisyjnej/tomografii komputerowej (PET/CT) w szczurzym modelu przerzutów raka piersi do kości w celu wykrycia wczesnej choroby przerzutowej i przewidywania późniejszej progresji do makroprzerzutów.

Abstract

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Algorytmy uczenia maszynowego (ML) pozwalają na integrację różnych funkcji w modelu w celu wykonywania zadań klasyfikacji lub regresji z dokładnością przekraczającą jego składniki. Protokół ten opisuje opracowanie algorytmu uczenia maszynowego do przewidywania wzrostu makroprzerzutów raka piersi do kości w modelu szczurzym, zanim jakiekolwiek nieprawidłowości będą możliwe do zaobserwowania za pomocą standardowych metod obrazowania. Taki algorytm może ułatwić wykrycie wczesnej choroby przerzutowej (tj. mikroprzerzutów), która jest regularnie pomijana podczas badań stopniowych.

Zastosowany model przerzutów jest specyficzny dla danego miejsca, co oznacza, że szczury rozwijają przerzuty wyłącznie w prawej tylnej nodze. Wskaźnik wchłaniania guza w modelu wynosi 60%-80%, przy czym makroprzerzuty stają się widoczne w obrazowaniu rezonansu magnetycznego (MRI) i pozytonowej tomografii emisyjnej/tomografii komputerowej (PET/CT) u podgrupy zwierząt 30 dni po indukcji, podczas gdy druga podgrupa zwierząt nie wykazuje wzrostu guza.

Zaczynając od badań obrazowych uzyskanych we wcześniejszym punkcie czasowym, ten protokół opisuje ekstrakcję cech wskazujących na unaczynienie tkanek wykryte przez MRI, metabolizm glukozy przez PET/CT, a następnie określenie najbardziej istotnych cech dla przewidywania choroby makroprzerzutowej. Cechy te są następnie wprowadzane do uśrednionej modelowo sieci neuronowej (avNNet) w celu sklasyfikowania zwierząt do jednej z dwóch grup: jednej, u której rozwiną się przerzuty, a drugiej, u której nie rozwiną się żadne nowotwory. Protokół opisuje również obliczanie standardowych parametrów diagnostycznych, takich jak ogólna dokładność, czułość, swoistość, ujemne/dodatnie wartości predykcyjne, współczynniki prawdopodobieństwa oraz opracowanie charakterystyki operacyjnej odbiornika. Zaletą proponowanego protokołu jest jego elastyczność, ponieważ można go łatwo dostosować do trenowania wielu różnych algorytmów uczenia maszynowego z regulowanymi kombinacjami nieograniczonej liczby funkcji. Ponadto może być używany do analizy różnych problemów w onkologii, infekcjach i stanach zapalnych.

Introduction

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Celem tego protokołu jest zintegrowanie kilku parametrów obrazowania funkcjonalnego z MRI i PET/CT do algorytmu ML sieci neuronowej uśrednionej według modelu (avNNet). Algorytm ten przewiduje wzrost makroprzerzutów w szczurzym modelu przerzutów raka piersi do kości we wczesnym momencie, gdy makroskopowe zmiany w obrębie kości nie są jeszcze widoczne.

Przed wzrostem makroprzerzutów dochodzi do inwazji rozsianych komórek nowotworowych szpiku kostnego, powszechnie określanej jako choroba mikroprzerzutowa1,2. Ta początkowa inwazja może być uważana za wczesny etap choroby przerzutowej, ale zwykle jest pomijana podczas konwencjonalnych badań etapowych3,4. Chociaż obecnie dostępne metody obrazowania nie są w stanie wykryć mikroinwazji szpiku kostnego, gdy są stosowane samodzielnie, wykazano, że kombinacja parametrów obrazowania dostarczających informacji na temat unaczynienia i aktywności metabolicznej działa lepiej5. Ta komplementarna korzyść jest osiągana poprzez połączenie różnych parametrów obrazowania w avNNet, który jest algorytmem uczenia maszynowego. Taki avNNet pozwala na wiarygodne przewidywanie powstawania makroprzerzutów do kości, zanim pojawią się jakiekolwiek widoczne przerzuty. W związku z tym włączenie biomarkerów obrazowania do avNNet może służyć jako parametr zastępczy dla mikroinwazji szpiku kostnego i wczesnej choroby przerzutowej.

Do opracowania protokołu użyto wcześniej opisanego modelu przerzutów raka piersi do kości u nagich szczurów6,7,8. Zaletą tego modelu jest jego specyfika miejscowa, co oznacza, że przerzuty kostne u zwierząt rozwijają się wyłącznie w prawej tylnej nodze. Jednak wskaźnik wchłaniania guza w tym podejściu wynosi 60%-80%, więc znaczna liczba zwierząt nie rozwija żadnych przerzutów podczas badania. Korzystając z metod obrazowania, takich jak MRI i PET/CT, obecność przerzutów jest wykrywalna od 30 dnia po wstrzyknięciu (PI). We wcześniejszych punktach czasowych (np. 10 PI) obrazowanie nie rozróżnia między zwierzętami, u których rozwinie się choroba przerzutowa, a tymi, u których nie rozwinie się (Rysunek 1).

AvNNet wyszkolony na funkcjonalnych parametrach obrazowania uzyskanych w 10 dniu PI, jak opisano w poniższym protokole, wiarygodnie przewiduje lub wyklucza wzrost makroprzerzutów w ciągu następnych ~3 tygodni. Sieci neuronowe łączą sztuczne węzły w różnych warstwach. W protokole badania funkcjonalne parametry obrazowania dotyczące ukrwienia szpiku kostnego i aktywności metabolicznej reprezentują warstwę dolną, podczas gdy przewidywanie złośliwości reprezentuje warstwę górną. Dodatkowa warstwa pośrednia zawiera ukryte węzły, które są połączone zarówno z górną, jak i dolną warstwą. Siła połączeń między różnymi węzłami jest aktualizowana podczas trenowania sieci w celu wykonania odpowiedniego zadania klasyfikacyjnego z dużą dokładnością9. Dokładność takiej sieci neuronowej można dodatkowo zwiększyć, uśredniając dane wyjściowe kilku modeli, co daje avNNet10.

Access restricted. Please log in or start a trial to view this content.

Protocol

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Wszystkie procedury pielęgnacyjne i eksperymentalne zostały przeprowadzone zgodnie z krajowym i regionalnym ustawodawstwem dotyczącym ochrony zwierząt, a wszystkie procedury na zwierzętach zostały zatwierdzone przez Rząd Kraju Związkowego Frankonii, Niemcy (numer referencyjny 55.2 DMS-2532-2-228).

1. Indukcja przerzutów raka piersi do kości w prawej tylnej nodze nagich szczurów

UWAGA: Szczegółowy opis indukcji przerzutów raka piersi do kości u nagich szczurów został opublikowany gdzie indziej6,8. Najistotniejsze kroki przedstawiono poniżej.

  1. Hodowla komórek ludzkiego raka piersi MDA-MB-231 w RPMI-1640, uzupełniona 10% płodową surowicą cielęcą (FCS). Utrzymuj komórki w standardowych warunkach (37 °C, 5% CO2 ) i przechodź przez komórki 2-3 razy w tygodniu.
  2. Przemyj prawie zlewające się komórki MDA-MB-231 2 mM EDTA w soli fizjologicznej buforowanej fosforanami (PBS), a następnie odłącz komórki 0,25% trypsyną. Określić stężenie komórek w komorze Neubauera i ponownie zawiesić je w 200 μl RPMI-1640 w stężeniu 1,5 x 105 komórek/200 μl.
  3. Używaj 6-8 tygodniowych nagich szczurów i trzymaj je w kontrolowanych warunkach wolnych od patogenów (21 °C ± 2 °C temperatura pokojowa, 60% wilgotności i 12 godzin rytm światła i ciemności). Oferuj autoklawowaną paszę i wodę ad libitum.
  4. Przed wykonaniem zabiegu należy wstrzyknąć podskórnie lek przeciwbólowy (np. Karprofen 4 mg/kg). Znieczulenie szczurów mieszaniną izofluranu (1–1,5% obj.) i tlenu o natężeniu przepływu 2 l/min. Sprawdź głębokość znieczulenia, ściskając palce.
  5. Do operacji należy użyć mikroskopu operacyjnego o powiększeniu 16x.
  6. Wykonaj 2–3 cm nacięcie w prawej okolicy pachwinowej szczura. Rozwiń wszystkie tętnice w prawej okolicy pachwinowej, w tym tętnicę udową (FA), powierzchowną tętnicę nadbrzusza (SEA), zstępującą tętnicę kolankową (DGA), tętnicę podkolanową (PA) i tętnicę odpiszczelową (SA). Umieść dwa zdejmowane klipsy na FA: jeden proksymalnie do początku SEA, a drugi bezpośrednio proksymalnie do początku DGA.
  7. Podliżuj dystalną część SEA. Wykonaj nacięcie ściany SEA i włóż igłę o średnicy 0,3 mm do SEA. Podłączyć strzykawkę zawierającą zawiesinę komórek z kroku 1.2 do igły. Zdejmij dystalny zacisk z FA i zamiast tego przypnij SA.
  8. Powoli wstrzyknąć zawiesinę komórek MDA-MB-231 z kroku 1.2 (1,5 x 105 komórek/200 μl) do SEA. Usuń igłę, podwiąż SEA i usuń zaciski tętnicze. Zamknij ranę za pomocą klipsów chirurgicznych i zakończ znieczulenie. Monitoruj zwierzęta codziennie, aby ocenić wielkość guza i wszelkie oznaki bólu.

2. Rezonans magnetyczny (MRI)

UWAGA: Szczegółowy opis procedur MRI można znaleźć w Bäuerle et al.11.

  1. Wykonaj rezonans magnetyczny 10 dni liczby PI przy użyciu dedykowanego skanera eksperymentalnego (patrz tabela materiałów) lub systemu MR dla człowieka z odpowiednią cewką zwierzęcą.
  2. Znieczulić szczura mieszaniną izofluranu (1–1,5% obj.) i tlenu, jak opisano powyżej. Umieść cewnik w żyle ogonowej szczura i przyklej go do ogona. Podłączyć strzykawkę zawierającą środek kontrastowy (0,1 mmol/kg Gd-DTPA w około 0,5 ml).
  3. Umieść znieczulonego szczura w systemie MR. Zlokalizuj dystalną część kości udowej i bliższą kość piszczelową prawej tylnej nogi w sekwencji anatomicznej (np. sekwencja echa turbospinowego z obciążeniem T2; TR = 8,654 ms; TE = 37 ms; matryca 320 x 272; Pole widzenia = 65 mm x 55 mm; grubość plastra = 1 mm; czas skanowania 11:24 min).
  4. Określ warstwy pokrywające dystalną część kości udowej i bliższą kość piszczelową prawej tylnej nogi i rozpocznij sekwencję DCE-MRI (np. szybka sekwencja strzałów pod niskim kątem; TR = 3,9 ms; TE = 0,88 ms; macierz = 256 x 216; Pole widzenia = 65 x 54 mm2; grubość plastra = 1 mm; 8 plastrów; 100 punktów czasowych; czas skanowania = 8:25 min). Po 30 sekundach należy rozpocząć wstrzykiwanie środka kontrastowego przez okres 10 s.
    UWAGA: Całkowity czas wykonania badania MRI wynosi około 20 minut na zwierzę.

3. Pozytonowa tomografia emisyjna/tomografia komputerowa (PET/CT)

UWAGA: Szczegółowy opis procedur PET znajduje się w Cheng na al.12.

  1. Wykonaj obrazowanie PET/CT 10 dni PI za pomocą dedykowanego skanera eksperymentalnego (patrz Tabela Materiałów).
  2. Utrzymuj zwierzęta na czczo przed obrazowaniem. Znieczulić szczura zgodnie z opisem w kroku 2.2 i wprowadzić cewnik do żyły ogonowej, jak opisano powyżej.
  3. Wstrzyknąć 6 MBq 18F-Fluorodeoxyglukozy (18F-FDG) do żyły ogonowej i odczekać ~30 minut, aby znacznik mógł się prawidłowo rozprowadzić.
  4. Wykonaj akwizycję CT (napięcie lampy = 80 kV, prąd lampy = 500 μA, rozdzielczość izotropowa = 48,9 μm, czas trwania = 10 min).
  5. Wykonaj statyczną akwizycję PET (dolny/górny poziom dyskryminacji = 350/650 keV; okno czasowe = 3,438 ns; czas trwania = 15 min).

4. Alternatywne strategie obrazowania

  1. W celu wczesnej oceny komórek MDA-MB-231 w tylnej nodze należy zaszczepić 1,5 x 105 znakowanych komórek /200 μL w celu bioluminescencji (tj. komórek wykazujących ekspresję lucyferyny, MDA-MB-231-LUC13) lub obrazowania fluorescencyjnego (tj. komórek wykazujących ekspresję białka fluorescencyjnego zielonego lub czerwonego, MDA-MB-231-GFP/RFP13). Użyj systemu do przedklinicznego obrazowania optycznego do wykrywania śródkostnych komórek MDA-MB-231 po inokulacji komórek nowotworowych14.
  2. Wykonać eksperymentalne badanie ultrasonograficzne za pomocą dedykowanego skanera po dożylnym wstrzyknięciu mikropęcherzyków w celu uzyskania parametrów morfologicznych i funkcjonalnych unaczynienia porównywalnych z MRI7.

5. Analiza MRI

  1. Użyj przeglądarki DICOM 15 z wtyczką DCE16 i załaduj sekwencję DCE w trybie 4D, klikając przycisk "Importuj" w górnym menu, wybierając folder DICOM zawierający obrazy MR z kroku 2.4 i klikając "Przeglądarka 4D" w górnym menu.
  2. Umieść okrągły dwuwymiarowy obszar zainteresowania (ROI) o docelowym rozmiarze 1,5 mm2 w szpiku kostnym bliższego trzonu piszczelowego prawej tylnej nogi, najlepiej używając obrazów o numerach 4 lub 5 z sekwencji składającej się z 8 obrazów, ponieważ te środkowe obrazy zapewniają bardziej stabilne wyniki.
  3. Uruchom wtyczkę DCE z górnego menu, wybierz "Relative Enhancement" w polu "Plot Type" i zdefiniuj zakres linii bazowej od punktów czasowych 1 do 5, wpisując te liczby w odpowiednich polach. Wyeksportuj analizę jako plik .txt za pomocą odpowiedniego przycisku i wybierz "DCEraw.txt" jako nazwę pliku.
  4. Otwórz program RStudio17 i załaduj dostarczony plik DCE-Script.R za pomocą menu "Plik", wybierając opcję "Otwórz plik". Uruchom cały skrypt, wybierając z menu opcję "Kod", następnie "Uruchom region", a następnie "Uruchom wszystko". Skopiuj dane wyjściowe do dostarczonego pliku szablonu o nazwie "ImagingFeatures.xlsx" (Rysunek 2).
  5. W przeglądarce DICOM umieść drugi zwrot z inwestycji w mięśniu grzbietowym zwierzęcia i powtórz kroki 5.2–5.4, aby uzyskać pomiary DCE mięśni w celu normalizacji. W arkuszu kalkulacyjnym "ImagingFeatures.xlsx" odpowiednie wymiary kości są automatycznie dzielone przez odpowiednie wymiary mięśni w celu normalizacji.
  6. Powtórz kroki 5.1–5.5 dla wszystkich zwierząt i wypełnij arkusz kalkulacyjny.

6. Analiza PET/CT

  1. Otwórz oprogramowanie do analizy PET/CT i zaimportuj dane uzyskane w kroku 3, klikając "Plik", a następnie "Import ręczny". Zaznacz pliki ct.img.hd i pet.img.hdr. Kliknij "Otwórz" i wybierz "Importuj wszystko".
  2. Otwórz zestawy danych, wybierając pozycję "Analiza ogólna", a następnie "OK".
  3. Wybierz "Kwantyfikacja ROI", a następnie "Utwórz", a następnie "Utwórz ROI na podstawie szablonu". Umieść 2-wymiarowy ROI o wymiarach około 4 mm x 6 mm w szpiku kostnym bliższego trzonu piszczelowego prawej tylnej nogi.
  4. Wybierz "ROIs (nakładka Target 1)" i zapisz średnie, minimalne i maksymalne wartości w Bq/ml.
  5. Obliczyć maksymalną znormalizowaną wartość wchłaniania (SUV max): Podzielić maksymalną wartość (Bq/ml) przez wstrzykniętą aktywność i pomnożyć wynik przez masę ciała zwierzęcia w gramach. Wprowadź wynik do arkusza kalkulacyjnego (Rysunek 2).

7. Określanie wskaźnika przyjmowania nowotworów

  1. Aby zdiagnozować rozrost guza w prawej tylnej nodze, powtórz obrazowanie MR i PET/CT w 30 dniu PI, jak opisano powyżej.
    UWAGA: Guzy będą wyraźnie widoczne w 30 dniu PI i będą charakteryzować się hiperintensywnymi zmianami T2w i wyraźnym wzmocnieniem kontrastu w MRI, a także wyraźnie podwyższonymSUV max w PET/CT. Zgodnie z wcześniejszymi eksperymentami, u 60%-80% zwierząt rozwiną się przerzuty do prawej tylnej nogi.
  2. Uzupełnij arkusz kalkulacyjny, dodając dodatkową kolumnę "Guza" i wprowadź "1" dla każdego zwierzęcia, u którego występują przerzuty, oraz "0" dla każdego zwierzęcia bez widocznego obciążenia nowotworem (Rysunek 2). Zapisz arkusz kalkulacyjny jako "ImagingFeatures.xlsx" w folderze Pobrane.

8. Wybór funkcji

  1. Aby określić najistotniejsze funkcje do przewidywania przyszłego wzrostu guza, zaimportuj arkusz kalkulacyjny do zestawu narzędzi do wizualizacji danych typu open source, uczenia maszynowego i eksploracji danych18.
  2. Narysuj podprogram Plik z menu Dane do obszaru roboczego po prawej stronie i kliknij go dwukrotnie. Załaduj arkusz kalkulacyjny, klikając ikonę "Folder" i wybierając plik "ImagingFeatures.xlsx". Wybierz arkusz roboczy "Eksportuj" i przypisz atrybut docelowy do zmiennej "Guza". Przypisz funkcję "Pomiń" do numeru zwierzęcia (Rysunek 3).
  3. Narysuj podprogram "Ranga" z menu Dane do obszaru roboczego i połącz podprogramy "Plik" i "Ranga", rysując linię między nimi.
  4. Otwórz podprogram "Ranga", klikając dwukrotnie na jego ikonę, a następnie wybierz algorytm "Information Gain"19.
  5. Z pięciu pozyskanych parametrów użyj trzech pierwszych do dalszych analiz (SUVmax, PE i AUC).
    Uwaga: Parametry te odzwierciedlają aktywność metaboliczną (SUVmax) i unaczynienie tkanek (PE i AUC).

9. Analiza ML

  1. Otwórz program RStudio 3.4.117 i załaduj dostarczony skrypt TrainModel.R-Script za pomocą menu "Plik".
  2. Zainstaluj wymagane biblioteki (wystarczy to zrobić tylko raz), wpisując: install.packages(c("caret", "readxl", "pROC", "RcmdrPlugin.EZR", "ggplot2"))
  3. Aby załadować wymagane biblioteki i ustawić folder Pobrane jako katalog roboczy, wybierz wiersze 3–5 w skrypcie TrainModel.R.
  4. Uruchom wybrany kod, klikając "Kod" w menu, a następnie "Uruchom wybrane wiersze".

10. Trenowanie algorytmu avNNet ML

  1. Aby wytrenować algorytm avNNet, wybierz wiersze 8–39 ze skryptu TrainModel.R-Script (patrz krok 9.1).
  2. Uruchom wybrany kod, klikając "Kod" w menu, a następnie "Uruchom wybrane wiersze".

11. Analiza wyników algorytmu ML

  1. Aby ocenić standardowe parametry dokładności diagnostycznej (czułość, swoistość, dodatnie i ujemne wartości predykcyjne oraz współczynniki prawdopodobieństwa), wybierz wiersze 41–50 ze skryptu TrainModel.R-Script.
  2. Uruchom wybrany kod, klikając "Kod" w menu, a następnie "Uruchom wybrane wiersze".

12. Porównanie charakterystyki operacyjnej odbiornika (ROC) końcowego modelu z krzywymi ROC parametrów składowych

  1. Aby wykonać testy DeLonga w celu porównania krzywej ROC modelu z krzywymi ROC parametrów składowych, wybierz wiersze 52–62 ze skryptu TrainModel.R-Script (patrz krok 9.1).
  2. Uruchom wybrany kod, klikając "Kod" w menu, a następnie "Uruchom wybrane wiersze".

Access restricted. Please log in or start a trial to view this content.

Results

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Szczury szybko wróciły do zdrowia po operacji i wstrzyknięciu komórek raka piersi MDA-MB-231, a następnie zostały poddane obrazowaniu MR i PET/CT w dniach 10 i 30 PI (Rysunek 1). Reprezentatywna analiza DCE prawej bliższej kości piszczelowej szczura jest przedstawiona w Rysunek 2A. Surowe pomiary DCE zostały zapisane poprzez wybranie przycisku "Eksport" i wybranie "DCEraw.txt" jako nazwy pliku.

Kolejne obliczenia parametr...

Access restricted. Please log in or start a trial to view this content.

Discussion

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Algorytmy uczenia maszynowego to potężne narzędzia służące do integrowania kilku funkcji predykcyjnych w połączonym modelu i uzyskiwania dokładności przewyższającej dokładność jego oddzielnych składników, gdy są używane samodzielnie. Niemniej jednak rzeczywisty wynik zależy od kilku krytycznych kroków. Po pierwsze, zastosowany algorytm uczenia maszynowego jest kluczowym czynnikiem, ponieważ różne algorytmy uczenia maszynowego dają różne wyniki. Algorytm używany w tym protokole to avNNet, ale inne obiecujące algorytmy to ...

Access restricted. Please log in or start a trial to view this content.

Disclosures

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Autorzy deklarują brak konfliktu interesów. Fundatorzy nie odegrali żadnej roli w projektowaniu badania; w gromadzeniu, analizie lub interpretacji danych; w pisaniu manuskryptu lub w decyzji o publikacji wyników.

Acknowledgements

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Ta praca była wspierana przez Niemiecką Fundację Badawczą (DFG, Collaborative Research Centre CRC 1181, podprojekt Z02; Program priorytetowy μBone, projekty BA 4027/10-1 i BO 3811), w tym dodatkowe wsparcie dla urządzeń skanujących (INST 410/77-1 FUGG i INST 410/93-1 FUGG) oraz przez Inicjatywę Nowych Dziedzin (EFI) "Big Thera" Uniwersytetu Friedricha Alexandra w Erlangen-Norymberdze.

Access restricted. Please log in or start a trial to view this content.

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
Lornetka Mikroskop OperacyjnyLeicaNA
ClinScan MR SystemBrukerNA
DICOM ViewerHorosNAwww.horosproject.org
Excel: Arkusz kalkulacyjnyMicrosoftNA
FCSSigmaF2442-500ML
GadovistBayer-ScheringNA
Inveon PET/CTSiemensNA
Inveon Research Workplace SoftwareSiemens Healthcare GmbHNA
IVIS SpectrumPerkinElmerNA
MDA-MB-231 ludzkie komórki raka piersiType Culture CollectionN/A
danych o otwartym kodzie źródłowym.Orange3, Uniwersytet w Lublanie,AmerykaPółnocna https://orange.biolab.si/
RPMI-1640Invitrogen/ThermoFisher11875093
TrypsinSigma9002-07-7
Vevo 3100VisualSonicsNA
American Zestaw narzędzi do wizualizacji danych, uczenia maszynowego i eksploracji

References

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. 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).
  2. Ellmann, S., Beck, M., Kuwert, T., Uder, M., Bäuerle, T. Multimodal imaging of bone metastases: From preclinical to clinical applications. Journal of Orthopaedic Translation. 3 (4), 166-177 (2015).
  3. Braun, S., Pantel, K. Clinical significance of occult metastatic cells in bone marrow of breast cancer patients. The Oncologist. 6 (2), 125-132 (2001).
  4. Braun, S., Rosenberg, R., Thorban, S., Harbeck, N. Implications of occult metastatic cells for systemic cancer treatment in patients with breast or gastrointestinal cancer. Seminars in surgical oncology. 20 (4), 334-346 (2001).
  5. Ellmann, S., et al. Prediction of early metastatic disease in experimental breast cancer bone metastasis by combining PET/CT and MRI parameters to a Model-Averaged Neural Network. Bone. 120, 254-261 (2018).
  6. Bäuerle, T., Komljenovic, D., Berger, M. R., Semmler, W. Multi-modal imaging of angiogenesis in a nude rat model of breast cancer bone metastasis using magnetic resonance imaging, volumetric computed tomography and ultrasound. Journal of Visualized Experiments. (66), e4178(2012).
  7. Merz, M., Komljenovic, D., Semmler, W., Bäuerle, T. Quantitative contrast-enhanced ultrasound for imaging antiangiogenic treatment response in experimental osteolytic breast cancer bone metastases. Investigative Radiology. 47 (7), 422-429 (2012).
  8. Bäuerle, T., et al. 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. International Journal of Cancer. 115 (2), 177-186 (2005).
  9. Patel, J., Goyal, R. Applications of Artificial Neural Networks in Medical Science. Current Clinical Pharmacology. 2 (3), 217-226 (2008).
  10. Naftaly, U., Intrator, N., Horn, D. Optimal ensemble averaging of neural networks. Network: Computation in Neural Systems. 8 (3), 283-296 (1997).
  11. Bäuerle, T., Merz, M., Komljenovic, D., Zwick, S., Semmler, W. 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. Clinical Cancer Research. 16 (12), 3215-3225 (2010).
  12. Cheng, C., et al. Evaluation of treatment response of cilengitide in an experimental model of breast cancer bone metastasis using dynamic PET with 18F-FDG. Hellenic Journal of Nuclear Medicine. 14 (1), 15-20 (2011).
  13. Marturano-Kruik, A., et al. Human bone perivascular niche-on-a-chip for studying metastatic colonization. Proceedings of the National Academy of Sciences of the United States of America. 115 (6), 1256-1261 (2018).
  14. Sonntag, E., et al. In vivo proof-of-concept for two experimental antiviral drugs, both directed to cellular targets, using a murine cytomegalovirus model. Antiviral Research. 161, 63-69 (2019).
  15. Horos - Free DICOM Medical Image Viewer | Open-Source. , Available from: https://www.horosproject.org/ (2015).
  16. DCE Tool Plugin. , Available from: http://kyungs.bol.ucla.edu/software/DCE_tool/DCE_tool.html (2020).
  17. RStudio Team RStudio: Inteegrated Development for R. , Available from: https://rstudio.com (2015).
  18. Demšar, J., et al. Orange: Data Mining Toolbox in Python. Journal of Machine Learning Research. 14, 2349-2353 (2013).
  19. Saeys, Y., Inza, I., Larrañaga, P. A review of feature selection techniques in bioinformatics. Bioinformatics. 23 (19), 2507-2517 (2007).
  20. Kuhn, M. CRAN - Package caret. , Available from: https://cran.r-project.org/web/packages/caret/index.html (2016).
  21. Chen, T., et al. CRAN: Package xgboost - Extreme Gradient Boosting. , Available from: https://cran.r-project.org/web/packages/xgboost/ (2019).
  22. Available Models | The caret Package. , Available from: http://topepo.github.io/caret/available-models.html (2020).
  23. Fernández-Delgado, M., Cernadas, E., Barro, S., Amorim, D., Fernández-Delgado, A. Do we Need Hundreds of Classifiers to Solve Real World Classification Problems. Journal of Machine Learning Research. 15, 3133-3181 (2014).
  24. Hira, Z. M., Gillies, D. F. A Review of Feature Selection and Feature Extraction Methods Applied on Microarray Data. Advances in Bioinformatics. 2015, 198363(2015).
  25. Sánchez-Maroño, N., Alonso-Betanzos, A., Tombilla-Sanromán, M. Filter methods for feature selection - A comparative study. Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics). 4881, 178-187 (2007).
  26. Cawley, G. C., Talbot, N. L. C. C. Fast exact leave-one-out cross-validation of sparse least-squares support vector machines. Neural Network. 17 (10), 1467-1475 (2004).
  27. Forghani, R., et al. Radiomics and Artificial Intelligence for Biomarker and Prediction Model Development in Oncology. Computational and Structural Biotechnology Journal. 17, 995-1008 (2019).
  28. Jaffe, C. C. Measures of response: RECIST, WHO, and new alternatives. Journal of Clinical Oncology Official Journal of the American Society of Clinical Oncology. 24 (20), 3245-3251 (2006).
  29. Lambin, P., et al. Radiomics: Extracting more information from medical images using advanced feature analysis. European Journal of Cancer. 48 (4), 441-446 (2012).
  30. Gillies, R. J., Kinahan, P. E., Hricak, H. Radiomics: Images are more than pictures, they are data. Radiology. 278 (2), 563-577 (2016).
  31. Nioche, C., et al. Lifex: A freeware for radiomic feature calculation in multimodality imaging to accelerate advances in the characterization of tumor heterogeneity. Cancer Research. 78 (16), 4786-4789 (2018).
  32. Ellmann, S., et al. Application of machine learning algorithms for multiparametric MRI-based evaluation of murine colitis. PLOS ONE. 13 (10), 0206576(2018).

Access restricted. Please log in or start a trial to view this content.

Reprints and Permissions

Request permission to reuse the text or figures of this JoVE article

Request Permission

Tags

Machine Learning AlgorithmsBone Metastases DetectionExperimental Rat ModelMRI PET CT ImagingFeature ExtractionModel Averaged Neural NetworkDiagnostic Accuracy ParametersReceiver Operating CharacteristicDCE AnalysisStandardized Uptake Value

Related Articles