Name: Przewidywanie odpowiedzi na leczenie terapie sterowane obrazem z wykorzystaniem uczenia maszynowego: przykład leczenia przeztętniczego raka wątrobowokomórkowego (Wideo) | JoVE Journal
Uploaded: 2018-10-10T15:00:00.000+00:00
Duration: 4 min 9 s
Description: Poznaj metodę uczenia maszynowego do przewidywania odpowiedzi na terapie przeztnicze u pacjentów z rakiem wątrobowokomórkowym. Technika ta wspiera podejmowanie decyzji klinicznych w onkologii interwencyjnej.

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

AA otrzymało wsparcie finansowe od Biura Badań Studenckich, Yale School of Medicine.
L.J.S. otrzymuje granty od National Institutes of Health (NIH/NCI R01CA206180), Leopoldina Postdoctoral Fellowship oraz Fundacji Nauk Radiologicznych im. Rolfa W. Guenthera (Aachen, Niemcy).
J.C. otrzymuje granty od National Institutes of Health (NIH/NCI R01CA206180), Philips Healthcare, oraz Niemiecko-Izraelskiej Fundacji Badań Naukowych i Rozwoju (Jerozolima, Izrael i Neuherberg, Niemcy); oraz stypendia Fundacji Nauk Radiologicznych im. Rolfa W. Guenthera oraz Charite Berlin Institute of Health Clinical Scientist Program (Berlin, Niemcy).
J.S.D. i M.L. otrzymują granty od National Institutes of Health (NIH/NCI R01CA206180) i Philips Healthcare (Best, Holandia).
J.F.G. otrzymuje granty od National Institutes of Health (NIH/NCI R01CA206180), Philips Healthcare, BTG (Londyn, Wielka Brytania), Boston Scientific (Marlborough, Massachusetts) i Guerbet Healthcare (Villepinte, Francja)

1 . Konfiguracja stacji roboczej na potrzeby uczenia maszynowego
<ol>
	<li>Użyj systemu z następującymi elementami: 
	Procesor Intel Core 2 Duo lub nowszy o częstotliwości 2,0 GHz 
	4 GB lub więcej pamięci systemowej 
	System operacyjny zgodny ze standardem POSIX (Linux lub Mac OS) lub Microsoft Windows 7 
	Uprawnienia użytkownika do uruchamiania programów i zapisywania plików</li>
	<li>Zainstaluj następujące narzędzia: 
	Anakonda Python3: https://www.anaconda.com/download 
	Konwerter DICOM na NIfTI (dcm2niix) - https://github.com/rordenlab/dcm2niix 
	Wysublimowany edytor tekstu: https://www.sublimetext.com/ 
	itk-SNAP (opcjonalnie): http://www.itksnap.org
	<ol>
		<li>Zainstaluj Anaconda Python3, dcm2nii i Sublime Text, odwiedź ich strony internetowe, aby zapoznać się z krokami instalacji specyficznymi dla systemu operacyjnego.</li>
		<li>Tworzenie i aktywowanie środowiska Anaconda. 
		conda create --name mlenv 
		conda aktywuj mlenv</li>
		<li>Zainstaluj pakiety Anaconda dla uczenia maszynowego. 
		conda install numpy scipy scikit-learn nltk nibabel 
		UWAGA: Pakiet nltk jest przydatny do analizowania notatek klinicznych w postaci zwykłego tekstu, podczas gdy pakiet nibabel zapewnia przydatne funkcje do manipulacji obrazami medycznymi. itk-SNAP może być instalowany do segmentacji narządów i guzów na podstawie obrazów medycznych. Jest to przydatne do ograniczania obiektów do określonych regionów.</li>
	</ol>
	</li>
</ol>
2 . Wyodrębnianie funkcji z notatek klinicznych w postaci zwykłego tekstu i ustrukturyzowanych danych klinicznych
<ol>
	<li>Utwórz katalog nadrzędny dla projektu i utwórz folder dla każdego pacjenta w folderze nadrzędnym. Struktura katalogów powinna wyglądać następująco: 
	Projekt/ 
	Project/Patient_1/ 
	Project/Patient_2/ 
	Projekt/Patient_3/ 
	Z drugiej strony,</li>
	<li>Uzyskaj notatki kliniczne w postaci zwykłego tekstu z elektronicznej dokumentacji medycznej (EMR). Notatki można pobierać ręcznie za pośrednictwem EMR lub za pośrednictwem szpitalnego biura informatycznego (IT) za pośrednictwem zrzutu danych. Przechowuj notatki każdego pacjenta w odpowiednich folderach. 
	Projekt/Patient_1/History_and_Physical.txt 
	Projekt/Patient_1/Procedure_Note.txt
	<ol>
		<li>Zdecydowano, które cechy kliniczne należy uwzględnić w modelu. Przeanalizuj notatki kliniczne w postaci zwykłego tekstu dla tych funkcji. Biblioteka Python Natural Language Toolkit (nltk) zapewnia przydatne polecenia do dzielenia dokumentów na zdania. W każdym zdaniu można wyszukać odpowiednie terminy, takie jak żółtaczka. Przechowuj cechy każdego pacjenta w pliku z jedną cechą w wierszu. 
		Projekt/Patient_1/Features.txt: 
		Wiek 67 
		płeć mężczyzna 
		albumina 3.1 
		marskość wątroby nr 
		hepatitis_c no 
		Z drugiej strony,</li>
		<li>W przypadku cech niebinarnych należy wziąć pod uwagę medianę wartości każdej cechy u wszystkich pacjentów. Binarnie każdą funkcję można podzielić na dwie wartości jako wartość true(1) lub false(0) na podstawie wartości mediany. 
		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 
		Z drugiej strony,</li>
	</ol>
	</li>
</ol>
3 . Ekstrakcja cech z obrazów medycznych
UWAGA: Zobacz Krok 3 Materiały uzupełniające dla przykładów kodu.
<ol>
	<li>Pobierz obrazy DICOM rezonansu magnetycznego przed i po terapii ze szpitalnego systemu PACS. Przechowuj obrazy w odpowiednich folderach pacjenta. 
	Projekt/ 
	Projekt/Patient_1/Pre_TACE_MRI_Pre-Contrast.dcm 
	Projekt/Patient_1/Pre_TACE_MRI_Arterial.dcm 
	Project/Patient_1/Post_TACE_MRI_Pre-Constrast.dcm 
	Projekt/Patient_1/Post_TACE_MRI_Arterial.dcm</li>
	<li>Konwertuj obrazy DICOM do formatu NIfTI za pomocą programu dcm2niix. Poniższe polecenia konwertują wszystkie obrazy .dcm w określonym folderze. Powtórz dla wszystkich pacjentów. 
	dcm2niix Projekt/Patient_1/ 
	Projekt dcm2niix/Patient_2/</li>
	<li>Załaduj każdy plik NIfTI do Python. 
	import nibabel 
	image = nibabel.load('Projekt/Patient_1/Pre_TACE_MRI_Pre-Contrast.dcm')
	<ol>
		<li>Kanonizacja orientacji każdego obrazu. Gwarantuje to, że osie x, y i z są identyczne, niezależnie od maszyny użytej do pobrania obrazów. 
		cImage = nibabel.as_closest_canonical(obraz)</li>
	</ol>
	</li>
	<li>Użyj itk-SNAP (lub równoważnego pakietu oprogramowania), aby podzielić binarne maski wątroby i guza dla każdego obrazu. 
	Projekt/Patient_1/Pre_TACE_MRI_Pre-Contrast_Liver_Mask.bin 
	Projekt/Patient_1/Pre_TACE_MRI_Pre-Contrast_Tumor_Mask.bin</li>
	<li>Przeczytaj maski wątroby i guza w Pythonie. Poniższy kod pokazuje, jak rozwiązać problemy z orientacją, aby zorientować maski wzdłuż tych samych osi kanonicznych, co obrazy MR. 
	importuj numpy jako np 
	z open(liver_mask_file, 'rb') jako 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>Użyj masek wątroby i guza, aby wyizolować woksele zawierające wątrobę i guz. 
		wątroba = np.copy(cObraz) 
		wątroba[liver_mask <= 0] = 0</li>
	</ol>
	</li>
	<li>Obliczać średnią funkcję poprawy wątroby. 
	mean_liver_enhancement = średnia (wątroba)
	<ol>
		<li>Funkcja obliczania objętości wątroby. 
		pixdim = cImage.header['pixdim'] 
		jednostki = pre.header['xyzt_units'] 
		dx, dy, dz = pre_pixdim[1:4] 
		liver_volume = długość (wątroba) * dx * dx * dz</li>
		<li>(Opcjonalnie) Oblicz dodatkowe elementy zgodnie z potrzebami.</li>
	</ol>
	</li>
	<li>Zaktualizuj plik z funkcjami specyficznymi dla pacjenta za pomocą obrazu features. 
	Projekt/Patient_1/Features.txt: 
	Wiek 67 
	płeć mężczyzna 
	albumina 3.1 
	marskość wątroby nr 
	hepatitis_c no 
	pre_tace_mean_liver_enhancement 78 
	pre_tace_liver_volume 10000
	<ol>
		<li>Oblicz wartości mediany dla każdej cechy obrazowania i zgrupuj je binarnie jak w kroku 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. Agregacja i redukcja funkcji
UWAGA: Zobacz Krok 4 Materiały uzupełniające, aby zapoznać się z przykładami kodu.
<ol>
	<li>Połącz pliki Binary_Features.txt dla każdego pacjenta w arkusz kalkulacyjny z pacjentami na osi y i cechami na osi x.
	<tabela fo:keep-together.within-page="1" fo:margin-left="-5mm">
		<tbody>
			<tr>
				<td>pacjent</td>
				<td>Wiek > 60</td>
				<td>Płeć męska</td>
				<td>Albumina < 3.5</td>
				<td>Obecność marskości wątroby</td>
				<td>Wirusowe zapalenie wątroby typu C</td>
				<td>średnie wzmocnienie wątroby > 50</td>
				<td>objętość wątroby > 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>cyfra arabska</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>Dodaj etykiety odpowiedzi na wynik qEASL jako ostatnią kolumnę.
		<tabela fo:keep-together.within-page="1" fo:margin-left="-15mm">
			<tbody>
				<tr>
					<td>pacjent</td>
					<td>Wiek > 60</td>
					<td>Płeć męska</td>
					<td>Albumina < 3.5</td>
					<td>Obecność marskości wątroby</td>
					<td>Wirusowe zapalenie wątroby typu C</td>
					<td>średnie wzmocnienie wątroby > 50</td>
					<td>objętość wątroby > 20000</td>
					<td>Responder qEASL</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>cyfra arabska</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>Wyeksportuj arkusz kalkulacyjny jako plik rozdzielany tabulatorami. 
		Project/ML_Matrix.tsv: 
		Wiek pacjenta > 60 Płeć męska Albumina < 3,5 Obecność marskości wątroby Wirusowe zapalenie wątroby typu C Obecne średnie wzmocnienie wątroby > 50 objętość wątroby > 20000 qEASL Responder 
		1 0 1 1 0 0 1 0 1 
		2 1 1 1 0 0 0 0 0 1 
		3 0 1 1 0 1 0 0 0</li>
	</ol>
	</li>
	<li>Usuń obiekty o niskiej wariancji z rozważań. 
	importuj numpy jako np 
	z sklearn.feature_selection import VarianceThreshold 
	 
	# Odczyt w macierzy binarnej. 
	cechy = [] 
	etykiety = [] 
	dla i, L w enumerate(sys.stdin): 
	jeśli i == 0 
	continue 
	n_fs_L = L.strip().split('\t') 
	features.append([float(_) for _ in n_fs_L[1:-1]]) 
	labels.append(n_fs_L[-1]) 
	X = np.array(cechy) 
	y = np.tablica(etykiety) 
	 
	# Funkcje obliczeniowe pojawiające się u co najmniej 20% zarówno osób odpowiadających, jak i nieodpowiadających. 
	model = Próg wariancji(próg=0,8 * (1 - 0,8)) 
	X_new = model.fit_transform(X, y) 
	Płeć męska, < albuminy 3,5, obecność marskości wątroby i objętość wątroby > 2000 zostały usunięte.
	<tabela dla:keep-together.within-page="1">
		<tbody>
			<tr>
				<td>pacjent</td>
				<td>Wiek > 60</td>
				<td>Wirusowe zapalenie wątroby typu C</td>
				<td>średnie wzmocnienie wątroby > 50</td>
				<td>Responder qEASL</td>
			</tr>
			<tr>
				<td>1</td>
				<td>0</td>
				<td>0</td>
				<td>1</td>
				<td>1</td>
			</tr>
			<tr>
				<td>cyfra arabska</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>Usuń obiekty o niskim skojarzeniu jednej zmiennej z wynikiem. Filtruj tylko te funkcje, które przeszły 4.2. Zachowaj cechy ceil(log2(N)), gdzie N to liczba pacjentów. Ceil(Log2(3)) = 2. 
	 
	import math 
	z importu sklearn.feature_selection SelectKBest 
	Z sklearn.feature_selection importuj chi2 
	 
	# Odczytaj w macierzy binarnej jak w 4.2.1 
	... 
	 
	# Oblicz najlepsze funkcje ceil(log2(N)) według asocjacji jednej zmiennej. 
	k = math.ceil(log2(długość(y))) 
	model = SelectKBest(chi2, k=k) 
	X_new = model.fit_transform(X, y) 
	 
	Funkcja wieku > 60 lat płci męskiej została usunięta z pozostałych funkcji z wersji 4.2.1.</li>
</ol>
<tabela dla:keep-together.within-page="1">
	<tbody>
		<tr>
			<td>pacjent</td>
			<td>Wirusowe zapalenie wątroby typu C</td>
			<td>średnie wzmocnienie wątroby > 50</td>
			<td>Responder qEASL</td>
		</tr>
		<tr>
			<td>1</td>
			<td>0</td>
			<td>1</td>
			<td>1</td>
		</tr>
		<tr>
			<td>cyfra arabska</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 . Trenowanie i testowanie modeli
Zobacz Kroki 5: Materiały Uzupełniające, aby zapoznać się z przykładami kodu
<ol>
	<li>Trenowanie modelu regresji logistycznej przy użyciu macierzy funkcji binarnych z 4.3. 
	import math 
	z sklearn.linear_model importuj LogisticRegression 
	 
	# Odczyt w macierzy binarnej jak w 4.2 i 4.3. 
	... 
	 
	# Dla każdego pacjenta wytrenuj model na wszystkich innych pacjentach. 
	Wynik = 0.0 
	modele = [] 
	dla pacjenta w len(X): 
	# Trenuj model na wszystkich pacjentach z wyjątkiem jednego. 
	train_x = np.array([_ for i, _ in enumerate(X) if i != patient]) 
	train_y = np.array([_ for i, _ in enumerate(y) if i != pacjent]) 
	model = Regresja logistyczna(C=1e15) 
	model.fit(train_x, train_y) 
	 
	# Test na opuszczonym pacjencie. 
	y_prediction = model.predict(X[pacjent]) 
	jeśli y_prediction == y[pacjent]: 
	Wynik += 1 
	models.append(model)</li>
	<li>Trenowanie losowego modelu lasu przy użyciu macierzy funkcji binarnych z wersji 4.2.2. Kroki są identyczne jak w wersji 5.2.1, z wyjątkiem tego, że wystąpienie modelu powinno zostać zaktualizowane w następujący sposób: 
	z sklearn.ensemble importuj RandomForestClassifier 
	... 
	model = RandomForestClassifier(n_estimators=100) 
	Z drugiej strony,</li>
	<li>Wydrukuj wynik / len(X) dla 5.1 i 5.2. Reprezentuje to średnią dokładność odpowiednio wszystkich modeli regresji logistycznej i wszystkich losowych modeli lasów. Wszystkie modele N powinny być stosowane do nowych pacjentów, przy czym średnia klasyfikacja powinna być przyjmowana jako wynik predykcyjny</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>

AA pracuje jako konsultant ds. oprogramowania dla Health Fidelity, Inc., która wykorzystuje podobne techniki uczenia maszynowego w notatkach klinicznych w celu optymalizacji zwrotu kosztów leczenia.
J.F.G. otrzymuje honoraria osobiste od Guerbet Healthcare, BTG, Threshold Pharmaceuticals (San Francisco, Kalifornia), Boston Scientific i Terumo (Elkton, Maryland); i ma płatne doradztwo dla Prescience Labs (Westport, Connecticut).
Żaden z pozostałych autorów nie stwierdził konfliktu interesów.

Pacjentom z rakiem wątrobowokomórkowym, którzy nie są kandydatami do resekcji chirurgicznej, proponuje się terapie dotętnicze. Istnieje niewiele metod pozwalających określić, czy pacjent zareaguje przed leczeniem. Techniki oceny po leczeniu opierają się na zmianach wielkości guza lub wychwytu kontrastu guza. Są to tak zwane kryteria odpowiedzi, z których najdokładniejsze to kryterium Ilościowego Europejskiego Towarzystwa Badań nad Wątrobą (qEASL). qEASL opiera się zarówno na zmianach objętościowych, jak i wzmacn...

Pacjentom z rakiem wątrobowokomórkowym, którzy nie są kandydatami do operacji, oferuje się terapie dotętnicze1,2,3. Nie ma jednego wskaźnika, który określałby, czy pacjent zareaguje na terapię dotętniczą przed zastosowaniem leczenia. Celem tego badania było zademonstrowanie metody, która przewiduje odpowiedź na leczenie poprzez zastosowanie metod uczenia maszynowego. Takie modele stanowią wskazówkę dla lekarzy i pacjentów przy podejmowaniu decyzji o kontynuowaniu leczenia.
Protokół pociąga za sobą powtarzalny proces trenowania i aktualizowania modelu, zaczynając od podstawowych danych pacjenta (notatki kliniczne, dane demograficzne, dane laboratoryjne i obrazowanie). Dane są początkowo analizowane pod kątem określonych cech, przy czym każdy pacjent jest reprezentowany przez zestaw cech binarnych i binarną etykietę docelową wyniku. Etykieta wyniku jest określana przy użyciu ustalonego kryterium odpowiedzi opartej na obrazowaniu dla terapii wątrobowokomórkowej4,5,6,7. Cechy i etykiety docelowe są przekazywane do oprogramowania do uczenia maszynowego, które uczy się mapowania między cechami i wynikami w ramach określonego modelu uczenia się (regresja logistyczna lub las losowy)8,9,10. Podobne techniki zostały zastosowane w radiologii i innych obszarach badań nad rakiem do diagnozowania i przewidywania leczenia11,12,13.
Metoda adaptuje techniki z informatyki do dziedziny radiologii interwencyjnej. Tradycyjne badania istotności w radiologii interwencyjnej i ogólnie w medycynie opierają się na analizach mono- lub oligo-cechowych. Na przykład model schyłkowej niewydolności wątroby obejmuje pięć wskaźników klinicznych do oceny zakresu choroby wątroby. Zaletą proponowanej metody jest możliwość swobodnego dodawania funkcji; W przykładowej analizie uwzględniono dwadzieścia pięć cech. W razie potrzeby można dodawać dodatkowe funkcje.
Technika może być zastosowana do innych interwencji radiograficznych, gdzie dostępne są dane obrazowe przed i po interwencji. Na przykład wyniki leczenia przezskórnego można przewidzieć w podobny sposób. Głównym ograniczeniem badania jest konieczność ręcznego selekcjonowania cech w celu uwzględnienia ich w modelu. Selekcja danych i ekstrakcja cech jest czasochłonna dla lekarza i może utrudnić kliniczne przyjęcie takich modeli uczenia maszynowego.

<table><tbody><tr><td>Komputerowa stacja robocza</td><td>Nie dotyczy</td> Nie <td>dotyczy</td><td>procesora Intel Core 2 Duo lub szybszego o częstotliwości 2,0 GHz; 4 GB lub więcej pamięci systemowej; System operacyjny zgodny ze standardem POSIX (Linux lub Mac OS) lub Microsoft Windows 7; Uprawnienia użytkownika do uruchamiania programów i zapisywania plików</td></tr><tr><td>Anaconda Python 3</td><td>Anaconda, Inc.</td><td>Wersja 3.6</td><td>System Python 3 i biblioteki w pakiecie dla naukowców i badaczy</td></tr><tr><td>DICOM do NIfTI</td><td>NeuroImaging Tools & Zasoby Collaboratory</td><td>Version 1.0 (wydanie 4/4/2018)</td><td>Samodzielny program do konwersji plików obrazowania DICOM do formatu NIfTI</td></tr><tr><td>Sublime Text Editor</td><td>Sublime HQ Pty Ltd</td><td>Version 3 (Build 3143)</td><td>Edytor tekstu do pisania kodu Python</td></tr><tr><td>Wymagane biblioteki Pythona</td><td>N/A</td><td>Wersja 3.2.25 (nltk) Wersja 0.19.1 (scikit-learn)</td><td>Zestaw narzędzi języka naturalnego (nltk) Scikit-learn</td></tr><tr><td>ITK-SNAP</td><td>N/A</td><td>Wersja 3.6.0</td><td>Opcjonalny zestaw narzędzi do wykonywania segmentacji układów narządów w obrazach medycznych.</td></tr></tbody></table>

przewidywanie odpowiedzi na leczenie terapie sterowane obrazem z wykorzystaniem uczenia maszynowego: przykład leczenia przeztętniczego raka wątrobowokomórkowego

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

Terapie dotętnicze są standardem opieki dla pacjentów z rakiem wątrobowokomórkowym, którzy nie mogą być poddani chirurgicznej resekcji. Celem tego badania było opracowanie metody przewidywania odpowiedzi na leczenie dotętnicze przed interwencją.
Metoda dostarcza ogólnych ram do przewidywania wyników przed terapią dotętniczą. Polega ona na łączeniu danych klinicznych, demograficznych i obrazowych z kohorty pacjentów i wykorzystaniu tych danych do trenowania modelu uczenia maszynowego. Wytrenowany model stosuje się u nowych pacjentów w celu przewidywania prawdopodobieństwa wystąpienia u nich odpowiedzi na leczenie dotętnicze.
Metoda polega na pozyskiwaniu i analizowaniu danych klinicznych, demograficznych i obrazowych od pacjentów N, którzy już przeszli terapię dotętniczą. Dane te są analizowane na cechy dyskretne (wiek, płeć, marskość wątroby, stopień wzmocnienia guza itp.) i binaryzowane na wartości prawda/fałsz (np. wiek powyżej 60 lat, płeć męska, wzmocnienie guza powyżej ustalonego progu itp.). Funkcje o niskiej wariancji i cechy o niskiej liczbie jednowymiarowych powiązań z wynikiem są usuwane. Każdy leczony pacjent jest oznaczany w zależności od tego, czy zareagował na leczenie, czy też nie. Każdy ćwiczący pacjent jest zatem reprezentowany przez zestaw cech binarnych i etykietę wyniku. Modele uczenia maszynowego są trenowane przy użyciu pacjentów N - 1 z testami na pominiętym pacjencie. Proces ten powtarza się dla każdego z N pacjentów. Modele N są uśredniane w celu uzyskania ostatecznego modelu.
Technika jest rozszerzalna i umożliwia włączenie dodatkowych funkcji w przyszłości. Jest to również uogólniony proces, który można zastosować do pytań badań klinicznych poza radiologią interwencyjną. Głównym ograniczeniem jest konieczność ręcznego wyprowadzania cech od każdego pacjenta. Popularna nowoczesna forma uczenia maszynowego zwana uczeniem głębokim nie cierpi na to ograniczenie, ale wymaga większych zbiorów danych.

Zaproponowaną metodę zastosowano u 36 pacjentów, którzy poddali się terapiom przezarteryjnym w związku z rakiem hepatokomórkowym. Zidentyfikowano dwadzieścia pięć cech, które zbinaryzowano zgodnie z krokami 1–5. Pięć cech spełniło kryteria obu filtrów – wariancji oraz asocjacji jednowymiarowej (patrz kroki 5.1 i 5.2) – i zostało wykorzystanych do trenowania modelu. Każdego pacjenta zaklasyfikowano jako respondenta lub nierespondenta zgodnie z kryteriami odpowiedzi qEASL. W związku z tym m...

Terapie dotętnicze są standardem opieki dla pacjentów z rakiem wątrobowokomórkowym, którzy nie mogą być poddani chirurgicznej resekcji. Zaproponowano metodę przewidywania odpowiedzi na te terapie. Technika ta wykorzystuje przedzabiegowe informacje kliniczne, demograficzne i obrazowe do trenowania modeli uczenia maszynowego zdolnych do przewidywania odpowiedzi przed leczeniem.

Przewidywanie odpowiedzi na leczenie terapie sterowane obrazem z wykorzystaniem uczenia maszynowego: przykład leczenia przeztętniczego raka wątrobowokomórkowego

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

Metoda ta może pomóc w przewidywaniu odpowiedzi na terapie dotętnicze. Zastosowania uczenia maszynowego w onkologii interwencyjnej zmienią sposób, w jaki leczymy raka wątroby i inne choroby za pomocą terapii sterowanych obrazem. Metoda ta może poprawić sposób podejmowania dwóch ważnych decyzji.Ogólnie rzecz biorąc, osoby, które są nowe w tej metodzie, będą miały trudności z powodu konieczności generowania funkcji oraz wykonywania uczenia maszynowego i kodowania. Wizualna demonstracja tej metody ma kluczowe znaczenie, ponieważ etapy generowania cech obejmują wyodrębnienie tych cech za pomocą masek obrazowania. Do wytrenowania modelu niezbędny jest dobrze opisany i klinicznie reprezentatywny zestaw danych.Aby jeszcze bardziej udoskonalić taki algorytm uczenia maszynowego, konieczne będzie zebranie większej ilości danych o pacjentach i dużych kohortach. Po podjęciu decyzji, które cechy kliniczne mają zostać uwzględnione w modelu, użyj odpowiedniego zestawu narzędzi języka naturalnego, aby przeanalizować notatki kliniczne w postaci zwykłego tekstu na zdania, aby umożliwić wyszukiwanie interesujących terminów. Następnie zapisz cechy każdego pacjenta w pliku z jedną funkcją w wierszu.W przypadku cech niebinarnych uzyskaj medianę wartości każdej cechy u wszystkich pacjentów i zbinaryzuj każdą cechę jako wartość true lub false na podstawie wartości mediany. Aby obliczyć średnią cechę wzmocnienia wątroby na podstawie obrazu medycznego. Po wyizolowaniu wokseli zawierających wątrobę wprowadź polecenie średniego wzmocnienia wątroby.Aby określić funkcję objętości wątroby, wprowadź polecenia zgodnie ze wskazaniami. Następnie oblicz wartości mediany dla każdej cechy obrazowania i zbinaryzuj cechy, jak pokazano. W przypadku agregacji i redukcji cech najpierw usuń funkcje o niskiej wariancji z rozważań i odczytaj cechy w macierzy binarnej.Następnie użyj modelu progu wariancji, aby obliczyć cechy pojawiające się u co najmniej 20% zarówno respondentów, jak i osób nieodpowiadających, podobnie jak pokazano w tabeli. Usuń wszystkie cechy o niskim związku jednowymiarowym z wynikiem i przefiltruj tylko te cechy, które przeszły oryginalne badanie przesiewowe niskiego wariantu, zachowując n cech, gdzie n to liczba pacjentów. Następnie odczytaj macierz binarną dla każdej funkcji, podobnie jak pokazano w tabeli.Po zbinaryzowaniu i przefiltrowaniu funkcji nadszedł czas na wytrenowanie modelu. Trenowanie modelu to prosty proces, który dopasowuje cechy do badanego wyniku i może być używany do przewidywania nowych pacjentów. W tej reprezentatywnej analizie 36 pacjentów, którzy przeszli transtętnicze terapie raka wątrobowokomórkowego, zidentyfikowano i binaryzowano 25 cech, jak wykazano, z 5 cechami spełniającymi zarówno warianty, jak i jednoczynnikowe filtry asocjacyjne.Każdy pacjent został oznaczony jako odpowiadający lub nieodpowiadający na leczenie w ramach ilościowego Europejskiego Towarzystwa Badań nad Kryteriami Odpowiedzi Wątroby. Jak pokazano, zarówno regresja logistyczna, jak i losowe modele lasów przewidywały odpowiedź na leczenie chemoembolizacją tętniczą z ogólną dokładnością 78%Zgodnie z tą metodą możliwe jest przewidywanie nowych pacjentów poprzez zastosowanie modelu treningowego. Ta technika uczenia maszynowego może być uniwersalnie stosowana w każdej terapii, która obejmuje obrazowanie przedzabiegowe, międzyproceduralne i pozabiegowe.

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

Research

JoVE Journal

Medicine

Medycyna

Dwufazowa tomografia komputerowa wiązki stożkowej (DP-CBCT) jest użyteczną techniką obrazowania śródproceduralnego do przeztętniczego leczenia chemo-embolizacji za pomocą kulek uwalniających leki raka wątrobowokomórkowego. DP-CBCT jest stosowany do wykonywania trzech głównych etapów onkologicznej radiologii interwencyjnej: lokalizacji guza (zobacz), nawigacji i prowadzenia cewnika śródzabiegowego (REACH) oraz śródzabiegowej oceny powodzenia leczenia (treat).

Dwufazowa tomografia komputerowa wiązki stożkowej w celu zobaczenia, dotarcia i leczenia raka wątrobowokomórkowego podczas kulek uwalniających leki Transarterial chemo-emboliization

Stereotaktyczna radioterapia ciała (SBRT) wymaga rygorystycznej dokładności i precyzji do dostarczania wysokich dawek promieniowania na frakcję do małych objętości leczenia, aby poprawić kontrolę guza i jednocześnie zmniejszyć toksyczność. W niniejszym artykule przedstawiamy nieinwazyjny i klinicznie wygodny protokół zarządzania ruchami oddechowymi dla SBRT w przypadku przerzutów do wątroby.

Leczenie przerzutów do wątroby metodą wewnętrznej objętości docelowej w stereotaktycznej radioterapii ciała

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.

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

Lezkość jest zaburzeniem rozwojowym kory wzrokowej, któremu często towarzyszy silna supresja jednego oka. Przedstawiamy nową technikę pomiaru i leczenia supresji międzypocznej u pacjentów z amblyopią, którą można wdrożyć przy użyciu gogli wirtualnej rzeczywistości lub przenośnego urządzenia iPod Touch.

Pomiar i leczenie supresji w amblyopii

Łuszczyca jest przewlekłą, immunologiczną chorobą zapalną skóry. Schemat Goeckermana, opracowany do leczenia łuszczycy, polega na ekspozycji na światło ultrafioletowe B (UVB) i zastosowaniu surowej smoły węglowej (CCT). Poniższy protokół dotyczy podawania terapii Goeckermana w leczeniu łuszczycy o nasileniu umiarkowanym do ciężkiego.

Schemat Goeckermana stosowany w leczeniu łuszczycy o nasileniu umiarkowanym do ciężkiego

Precyzyjny pomiar neurologicznego i neuropsychologicznego upośledzenia i niepełnosprawności w stwardnieniu rozsianym jest wyzwaniem. Przedstawiamy szczegóły metodologiczne dotyczące nowego testu, Testu Wydajności Stwardnienia Rozsianego (MSPT). To nowe podejście do celu, jakim jest kwantyfikacja niepełnosprawności związanej ze stwardnieniem rozsianym, stanowi platformę komputerową do precyzyjnego i wiarygodnego pomiaru ciężkości stwardnienia rozsianego.

Test wydajności stwardnienia rozsianego (MSPT): narzędzie do oceny niepełnosprawności oparte na iPadzie

Błona kosmówkowo-omoczniowa (CAM) jest niedoszczepiona immunologicznie i wysoce unaczyniona, co czyni ją naturalnym modelem in vivo wzrostu guza i angiogenezy. W tym protokole opisujemy wiarygodną metodę hodowli trójwymiarowych, unaczynionych guzów raka wątrobowokomórkowego (HCC) za pomocą testu CAM.

Test błony chorioomoczniowej piskląt in ovo (CAM) jako skuteczny model ksenoprzeszczepu raka wątrobowokomórkowego

Tutaj opisana jest metoda tworzenia syngenicznego mysiego modelu ortotopowego guza pęcherza moczowego w celu oceny skuteczności przeciwnowotworowej białka bakteryjnego HP-NAP.

Ocena skuteczności białka H. pylori HP-NAP jako narzędzia terapeutycznego w leczeniu raka pęcherza moczowego w ortotopowym modelu myszy

Tutaj przedstawiamy procedurę powtarzalnej przezczaszkowej stymulacji magnetycznej pod kontrolą MRI do grzbietowo-przyśrodkowej kory przedczołowej jako eksperymentalnego leczenia dużego zaburzenia depresyjnego.

dmPFC-rTMS pod kontrolą MRI jako metoda leczenia opornego na leczenie dużego zaburzenia depresyjnego

Opisujemy metodę wykrywania rozwoju guzka guza w płucach mysiego modelu gruczolakoraka za pomocą mikrotomografii komputerowej i jej użycie do monitorowania zmian wielkości guzka w czasie i w odpowiedzi na leczenie. Dokładność oceny potwierdzono kwantyfikacją histologiczną punktu końcowego.

Wykorzystanie mikrotomografii komputerowej do oceny rozwoju guza i obserwacji odpowiedzi na leczenie w mysim modelu raka płuc

Poznaj metodę uczenia maszynowego do przewidywania odpowiedzi na terapie przeztnicze u pacjentów z rakiem wątrobowokomórkowym. Technika ta wspiera podejmowanie decyzji klinicznych w onkologii interwencyjnej.

Przewidywanie odpowiedzi na leczenie terapie sterowane obrazem z wykorzystaniem uczenia maszynowego: przykład leczenia przeztętniczego raka wątrobowokomórkowego (Wideo) | JoVE Journal

Przewidywanie odpowiedzi na leczenie terapie sterowane obrazem z wykorzystaniem uczenia maszynowego: przykład leczenia przeztętniczego raka wątrobowokomórkowego

Przeglądaj więcej filmów