Przewidywanie odpowiedzi na leczenie terapie sterowane obrazem z wykorzystaniem uczenia maszynowego: przykład leczenia przeztętniczego raka wątrobowokomórkowego
10 października 2018
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.
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.
Wyświetl pełny transkrypt i uzyskaj dostęp do tysięcy filmów naukowych
Przegląd
Niniejszy artykuł omawia metodę przewidywania odpowiedzi na terapie dożylne wewnątrzarterialne u pacjentów z rakiem wątrobowokomórkowym. Dzięki wykorzystaniu przedproceduralnych danych klinicznych, demograficznych oraz obrazowych, możliwe jest wytrenowanie modeli uczenia maszynowego do prognozowania wyników leczenia.
Kluczowe elementy badania
Dziedzina nauki
- Onkologia interwencyjna
- Zastosowania uczenia maszynowego
- Leczenie raka hepatokomórkowego
Wprowadzenie
- Terapie dojelmiowe są standardem w przypadku pacjentów, u których nie można przeprowadzić operacji.
- Przewidywanie odpowiedzi na leczenie może usprawnić proces podejmowania decyzji klinicznych.
- Generowanie cech z danych obrazowych jest kluczowe dla trenowania modelu.
- Zbiór danych reprezentatywny klinicznie jest niezbędny dla efektywnego działania modelu.
Cel badania
- Aby poprawić przewidywanie odpowiedzi pacjenta na terapie dojelmiowe.
- Aby ułatwić podejmowanie lepszych decyzji klinicznych w leczeniu raka wątroby.
- Aby wykazać znaczenie uczenia maszynowego w onkologii zabiegowej.
Zastosowane metody
- Zbieranie danych przedproceduralnych (klinicznych, demograficznych, obrazowych).
- Trenowanie modelu uczenia maszynowego w celu przewidywania odpowiedzi.
- Ekstrakcja cech z wykorzystaniem masek obrazowych.
- Wykorzystanie dobrze adnotowanego zbioru danych dla zapewnienia dokładności modelu.
Główne wyniki
- Proponowana metoda rokuje nadzieję w przewidywaniu wyników leczenia.
- Uczenie maszynowe może przekształcić podejście do terapii raka wątroby.
- Demonstracje wizualne są niezbędne do zrozumienia procesu generowania cech.
- Wdrażanie tej metody wiąże się z wyzwaniami dla osób początkujących.
Wnioski
- Ta metoda ma potencjał do usprawnienia strategii leczenia raka wątroby.
- Zastosowania uczenia maszynowego mogą mieć istotny wpływ na onkologię interwencyjną.
- Dalsze badania i prace rozwojowe są niezbędne do doprecyzowania tych modeli predykcyjnych.
Najczęściej zadawane pytania
Znaczenie dla przemysłu
Przewidywanie odpowiedzi na leczenie przed interwencją rozwiązuje kluczowy problem w opracowywaniu leków onkologicznych: ograniczanie niepowodzeń w późnych fazach badań klinicznych wynikających z braku skuteczności. Umożliwiając stratyfikację pacjentów w oparciu o dane oraz podejmowanie decyzji o kontynuacji lub przerwaniu badań (go/no-go), ten model uczenia maszynowego wspiera mechanistyczne ograniczanie ryzyka i zwiększa pewność prognostyczną we wczesnych etapach odkrywania leków. Możliwość zastosowania go w terapiach sterowanych obrazem rozszerza jego użyteczność na różne metody onkologiczne, usprawniając priorytetyzację portfela projektów w oparciu o ryzyko.
Strategiczne Zastosowania w Badaniach i Rozwoju Biofarmaceutycznym
Wczesne etapy odkrywania i walidacja celu
- Wartość naukowa: Wspiera weryfikację hipotez terapeutycznych poprzez powiązanie cech wyjściowych z odpowiedzią na leczenie, co pozwala określić, które podgrupy pacjentów odniosą największe korzyści.
- Wartość operacyjna: Umożliwia funkcjonalną walidację celu poprzez retrospektywną analizę wyników klinicznych i obrazowych, co zmniejsza niejednoznaczność mechanistyczną w programach we wczesnej fazie.
- Wartość prognostyczna: Usprawnia selekcję projektów w portfolio poprzez wczesną identyfikację osób nieodpowiadających na leczenie, co pozwala na realokację zasobów do wskazań o większym prawdopodobieństwie sukcesu.
Przesiewy i opracowanie testów
- Wartość naukowa: Przygotowuje zwalidowane systemy biologiczne i kliniczne do dalszych procesów analitycznych poprzez ustanowienie powtarzalnych zależności między cechami a odpowiedzią.
- Wartość operacyjna: Sprzyja standaryzacji i skalowalności testów dzięki binaryzowanej ekstrakcji cech oraz protokołom walidacji krzyżowej.
- Gotowość do przesiewania: Generuje wyniki ilościowe (np. dokładność predykcji, istotność cech), które umożliwiają wiarygodną ocenę związków lub interwencji w modelach przedklinicznych.
Badania translacyjne i przedkliniczne
- Ciągłość translacyjna: Łączy identyfikację cech w fazie odkrywania z walidacją przedkliniczną, wykorzystując biomarkery pochodzenia klinicznego do optymalizacji trenowania modeli.
- Postęp z uwzględnieniem ryzyka: Wspiera podejmowanie decyzji o kontynuacji lub przerwaniu badań (go/no-go) poprzez kwantyfikację pewności predykcji, co redukuje ryzyko biologiczne przed kosztownymi badaniami przedklinicznymi.
- Mechanistyczna redukcja ryzyka: Koncentruje się na wartości predykcyjnej, a nie tylko na samym mechanizmie, co jest zgodne ze strategiami biomarkerów translacyjnych w projektach onkologicznych.
Integracja potoku i przepływu pracy
Metoda ta wpisuje się w proces odkrywania leków, obejmujący etapy od walidacji celu, przez identyfikację związku wiodącego, aż po przedkliniczne testy skuteczności, w szczególności w przypadku metod onkologicznych wykorzystujących dostarczanie pod kontrolą obrazową.
- Biologia odkrywcza: Wspiera testowanie hipotez poprzez identyfikację bazowych cech klinicznych i obrazowych korelujących z odpowiedzią na leczenie, co pozwala doprecyzować kryteria wyboru pacjentów.
- Przesiew: Umożliwia przygotowanie analiz dzięki standaryzowanej ekstrakcji i binaryzacji cech, co poprawia powtarzalność wyników pomiędzy ośrodkami i modelami.
- Analityka: Dostarcza wyników ilościowych, takich jak dokładność przewidywania (78% w badaniu) oraz wskaźniki selekcji cech, umożliwiając obiektywne porównanie warunków interwencji.
- Badania translacyjne: Zapewniają ciągłość z etapem przedklinicznym poprzez wykorzystanie etykiet odpowiedzi opartych na uznanych kryteriach (np. EASL), aby dostosować wyniki modelu do klinicznie istotnych punktów końcowych.
- Ponowne wykorzystanie w przedsiębiorstwie: Przedstawia podejście do inżynierii cech i uśredniania modeli jako reużywalną funkcjonalność, którą można zastosować w różnych wskazaniach i terapiach sterowanych obrazowo poza zakresem raka wielokomórkowego wątroby.
Wpływ operacyjny i organizacyjny
- Wartość naukowa: Zwiększa pewność prognostyczną w walidacji celu poprzez ograniczenie polegania na anegdotycznych danych o odpowiedzi i umożliwienie stratyfikacji pacjentów w oparciu o dane.
- Wartość operacyjna: Poprawia powtarzalność i skalowalność dzięki standaryzacji ekstrakcji cech, binaryzacji oraz walidacji krzyżowej metodą leave-one-out.
- Wartość strategiczna: Poprawia jakość decyzji go/no-go, co prowadzi do lepszej efektywności kapitałowej i zmniejszenia biologicznego ryzyka na późnych etapach w portfelach onkologicznych.
- Wpływ na portfolio: Umożliwia priorytetyzację skorygowaną o ryzyko poprzez identyfikację wskazań lub podgrup z wyższym prawdopodobieństwem przewidywanej odpowiedzi, co wspiera podejmowanie bardziej przemyślanych decyzji o dalszym rozwoju.
Uwagi dotyczące wdrożenia
- Wymaga doświadczenia w kurateli danych klinicznych, inżynierii cech oraz trenowaniu i walidacji modeli uczenia maszynowego.
- Zależne od dostępu do dobrze adnotowanych, reprezentatywnych klinicznie zbiorów danych z powiązanymi obrazami, danymi demograficznymi i wynikami.
- Wymaga standaryzacji definicji cech i progów binaryzacji pomiędzy zespołami w celu zapewnienia generalizowalności modelu.
- Wiąże się z koniecznością dostosowania przy stosowaniu ram metodologicznych do różnych systemów modelowania lub modalności obrazowania.
- Ograniczone przez nakład pracy ręcznej wymagany do wyodrębnienia cech z obrazowania i notatek klinicznych, co może ograniczać skalowalność bez zastosowania automatyzacji.
