Name: Algorytmy uczenia maszynowego do wczesnego wykrywania przerzutów do kości w eksperymentalnym modelu szczurzym (Wideo) | JoVE Journal
Uploaded: 2020-08-16T13:00:00.000+00:00
Duration: 7 min 15 s
Description: Poznaj algorytmy uczenia maszynowego do wczesnego wykrywania przerzutów do kości w modelu szczurzym. Metoda łączy parametry MRI i PET/CT, przewyższając dokładność pojedynczych technik obrazowania.

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

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.

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.
<ol>
	<li>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.</li>
	<li>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.</li>
	<li>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.</li>
	<li>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.</li>
	<li>Do operacji należy użyć mikroskopu operacyjnego o powiększeniu 16x.</li>
	<li>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.</li>
	<li>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.</li>
	<li>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.</li>
</ol>
2. Rezonans magnetyczny (MRI)
UWAGA: Szczegółowy opis procedur MRI można znaleźć w Bäuerle et al.11.
<ol>
	<li>Wykonaj rezonans magnetyczny 10 dni liczby PI przy użyciu dedykowanego skanera eksperymentalnego (patrz tabela materiałów) lub systemu MR dla człowieka z odpowiednią cewką zwierzęcą.</li>
	<li>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).</li>
	<li>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).</li>
	<li>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.</li>
</ol>
3. Pozytonowa tomografia emisyjna/tomografia komputerowa (PET/CT)
UWAGA: Szczegółowy opis procedur PET znajduje się w Cheng na al.12.
<ol>
	<li>Wykonaj obrazowanie PET/CT 10 dni PI za pomocą dedykowanego skanera eksperymentalnego (patrz Tabela Materiałów).</li>
	<li>Utrzymuj zwierzęta na czczo przed obrazowaniem. Znieczulić szczura zgodnie z opisem w kroku 2.2 i wprowadzić cewnik do żyły ogonowej, jak opisano powyżej.</li>
	<li>Wstrzyknąć 6 MBq 18F-Fluorodeoxyglukozy (18F-FDG) do żyły ogonowej i odczekać ~30 minut, aby znacznik mógł się prawidłowo rozprowadzić.</li>
	<li>Wykonaj akwizycję CT (napięcie lampy = 80 kV, prąd lampy = 500 μA, rozdzielczość izotropowa = 48,9 μm, czas trwania = 10 min).</li>
	<li>Wykonaj statyczną akwizycję PET (dolny/górny poziom dyskryminacji = 350/650 keV; okno czasowe = 3,438 ns; czas trwania = 15 min).</li>
</ol>
4. Alternatywne strategie obrazowania
<ol>
	<li>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. </li>
	<li>Wykonać eksperymentalne badanie ultrasonograficzne za pomocą dedykowanego skanera po dożylnym wstrzyknięciu mikropęcherzyków w celu uzyskania parametrów morfologicznych i funkcjonalnych unaczynienia porównywalnych z MRI7.</li>
</ol>
5. Analiza MRI
<ol>
	<li>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.</li>
	<li>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.</li>
	<li>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.</li>
	<li>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).</li>
	<li>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.</li>
	<li>Powtórz kroki 5.1–5.5 dla wszystkich zwierząt i wypełnij arkusz kalkulacyjny.</li>
</ol>
6. Analiza PET/CT
<ol>
	<li>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".</li>
	<li>Otwórz zestawy danych, wybierając pozycję "Analiza ogólna", a następnie "OK".</li>
	<li>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.</li>
	<li>Wybierz "ROIs (nakładka Target 1)" i zapisz średnie, minimalne i maksymalne wartości w Bq/ml.</li>
	<li>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 (<silna klasa="xfig">Rysunek 2).</li>
</ol>
7. Określanie wskaźnika przyjmowania nowotworów
<ol>
	<li>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.</li>
	<li>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 (<silna klasa = "xfig">Rysunek 2). Zapisz arkusz kalkulacyjny jako "ImagingFeatures.xlsx" w folderze Pobrane.</li>
</ol>
8. Wybór funkcji
<ol>
	<li>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.</li>
	<li>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 (<silna klasa="xfig">Rysunek 3).</li>
	<li>Narysuj podprogram "Ranga" z menu Dane do obszaru roboczego i połącz podprogramy "Plik" i "Ranga", rysując linię między nimi.</li>
	<li>Otwórz podprogram "Ranga", klikając dwukrotnie na jego ikonę, a następnie wybierz algorytm "Information Gain"19.</li>
	<li>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).</li>
</ol>
9. Analiza ML
<ol>
	<li>Otwórz program RStudio 3.4.117 i załaduj dostarczony skrypt TrainModel.R-Script za pomocą menu "Plik".</li>
	<li>Zainstaluj wymagane biblioteki (wystarczy to zrobić tylko raz), wpisując: install.packages(c("caret", "readxl", "pROC", "RcmdrPlugin.EZR", "ggplot2"))</li>
	<li>Aby załadować wymagane biblioteki i ustawić folder Pobrane jako katalog roboczy, wybierz wiersze 3–5 w skrypcie TrainModel.R.</li>
	<li>Uruchom wybrany kod, klikając "Kod" w menu, a następnie "Uruchom wybrane wiersze".</li>
</ol>
10. Trenowanie algorytmu avNNet ML
<ol>
	<li>Aby wytrenować algorytm avNNet, wybierz wiersze 8–39 ze skryptu TrainModel.R-Script (patrz krok 9.1).</li>
	<li>Uruchom wybrany kod, klikając "Kod" w menu, a następnie "Uruchom wybrane wiersze".</li>
</ol>
11. Analiza wyników algorytmu ML
<ol>
	<li>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.</li>
	<li>Uruchom wybrany kod, klikając "Kod" w menu, a następnie "Uruchom wybrane wiersze".</li>
</ol>
12. Porównanie charakterystyki operacyjnej odbiornika (ROC) końcowego modelu z krzywymi ROC parametrów składowych
<ol>
	<li>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).</li>
	<li>Uruchom wybrany kod, klikając "Kod" w menu, a następnie "Uruchom wybrane wiersze".</li>
</ol>

<ol><li>D'Oronzo, S., Brown, J., Coleman, R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+role+of+biomarkers+in+the+management+of+bone-homing+malignancies%5BTitle%5D)+AND+%22Journal+of+Bone+Oncology%22%5BJournal%5D)">The role of biomarkers in the management of bone-homing malignancies.</a> Journal of Bone Oncology. 9, 1-9 (2017).</li>
<li>Ellmann, S., Beck, M., Kuwert, T., Uder, M., Bäuerle, T. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Multimodal+imaging+of+bone+metastases%3A+From+preclinical+to+clinical+applications%5BTitle%5D)+AND+%22Journal+of+Orthopaedic+Translation%22%5BJournal%5D)">Multimodal imaging of bone metastases: From preclinical to clinical applications.</a> Journal of Orthopaedic Translation. 3 (4), 166-177 (2015).</li>
<li>Braun, S., Pantel, K. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Clinical+significance+of+occult+metastatic+cells+in+bone+marrow+of+breast+cancer+patients%5BTitle%5D)+AND+%22The+Oncologist%22%5BJournal%5D)">Clinical significance of occult metastatic cells in bone marrow of breast cancer patients.</a> The Oncologist. 6 (2), 125-132 (2001).</li>
<li>Braun, S., Rosenberg, R., Thorban, S., Harbeck, N. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Implications+of+occult+metastatic+cells+for+systemic+cancer+treatment+in+patients+with+breast+or+gastrointestinal+cancer%5BTitle%5D)+AND+%22Seminars+in+surgical+oncology%22%5BJournal%5D)">Implications of occult metastatic cells for systemic cancer treatment in patients with breast or gastrointestinal cancer.</a> Seminars in surgical oncology. 20 (4), 334-346 (2001).</li>
<li>Ellmann, S., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Prediction+of+early+metastatic+disease+in+experimental+breast+cancer+bone+metastasis+by+combining+PET%2FCT+and+MRI+parameters+to+a+Model-Averaged+Neural+Network%5BTitle%5D)+AND+%22Bone%22%5BJournal%5D)">Prediction of early metastatic disease in experimental breast cancer bone metastasis by combining PET/CT and MRI parameters to a Model-Averaged Neural Network.</a> Bone. 120, 254-261 (2018).</li>
<li>Bäuerle, T., Komljenovic, D., Berger, M. R., Semmler, W. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Multi-modal+imaging+of+angiogenesis+in+a+nude+rat+model+of+breast+cancer+bone+metastasis+using+magnetic+resonance+imaging%2C+volumetric+computed+tomography+and+ultrasound%5BTitle%5D)+AND+%22Journal+of+Visualized+Experiments%22%5BJournal%5D)">Multi-modal imaging of angiogenesis in a nude rat model of breast cancer bone metastasis using magnetic resonance imaging, volumetric computed tomography and ultrasound.</a> Journal of Visualized Experiments. (66), e4178(2012).</li>
<li>Merz, M., Komljenovic, D., Semmler, W., Bäuerle, T. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Quantitative+contrast-enhanced+ultrasound+for+imaging+antiangiogenic+treatment+response+in+experimental+osteolytic+breast+cancer+bone+metastases%5BTitle%5D)+AND+%22Investigative+Radiology%22%5BJournal%5D)">Quantitative contrast-enhanced ultrasound for imaging antiangiogenic treatment response in experimental osteolytic breast cancer bone metastases.</a> Investigative Radiology. 47 (7), 422-429 (2012).</li>
<li>Bäuerle, T., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((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%5BTitle%5D)+AND+%22International+Journal+of+Cancer%22%5BJournal%5D)">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.</a> International Journal of Cancer. 115 (2), 177-186 (2005).</li>
<li>Patel, J., Goyal, R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Applications+of+Artificial+Neural+Networks+in+Medical+Science%5BTitle%5D)+AND+%22Current+Clinical+Pharmacology%22%5BJournal%5D)">Applications of Artificial Neural Networks in Medical Science.</a> Current Clinical Pharmacology. 2 (3), 217-226 (2008).</li>
<li>Naftaly, U., Intrator, N., Horn, D. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Optimal+ensemble+averaging+of+neural+networks%5BTitle%5D)+AND+%22Network%3A+Computation+in+Neural+Systems%22%5BJournal%5D)">Optimal ensemble averaging of neural networks.</a> Network: Computation in Neural Systems. 8 (3), 283-296 (1997).</li>
<li>Bäuerle, T., Merz, M., Komljenovic, D., Zwick, S., Semmler, W. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Drug-induced+vessel+remodeling+in+bone+metastases+as+assessed+by+dynamic+contrast+enhanced+magnetic+resonance+imaging+and+vessel+size+imaging%3A+A+longitudinal+in+vivo+study%5BTitle%5D)+AND+%22Clinical+Cancer+Research%22%5BJournal%5D)">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.</a> Clinical Cancer Research. 16 (12), 3215-3225 (2010).</li>
<li>Cheng, C., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Evaluation+of+treatment+response+of+cilengitide+in+an+experimental+model+of+breast+cancer+bone+metastasis+using+dynamic+PET+with+18F-FDG%5BTitle%5D)+AND+%22Hellenic+Journal+of+Nuclear+Medicine%22%5BJournal%5D)">Evaluation of treatment response of cilengitide in an experimental model of breast cancer bone metastasis using dynamic PET with 18F-FDG.</a> Hellenic Journal of Nuclear Medicine. 14 (1), 15-20 (2011).</li>
<li>Marturano-Kruik, A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Human+bone+perivascular+niche-on-a-chip+for+studying+metastatic+colonization%5BTitle%5D)+AND+%22Proceedings+of+the+National+Academy+of+Sciences+of+the+United+States+of+America%22%5BJournal%5D)">Human bone perivascular niche-on-a-chip for studying metastatic colonization.</a> Proceedings of the National Academy of Sciences of the United States of America. 115 (6), 1256-1261 (2018).</li>
<li>Sonntag, E., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((In+vivo+proof-of-concept+for+two+experimental+antiviral+drugs%2C+both+directed+to+cellular+targets%2C+using+a+murine+cytomegalovirus+model%5BTitle%5D)+AND+%22Antiviral+Research%22%5BJournal%5D)">In vivo proof-of-concept for two experimental antiviral drugs, both directed to cellular targets, using a murine cytomegalovirus model.</a> Antiviral Research. 161, 63-69 (2019).</li>
<li>Horos - Free DICOM Medical Image Viewer | Open-Source. , Available from: 
 <a target="_blank" href="https://www.horosproject.org/">https://www.horosproject.org/</a> (2015).</li>
<li>DCE Tool Plugin. , Available from: 
 <a target="_blank" href="http://kyungs.bol.ucla.edu/software/DCE_tool/DCE_tool.html">http://kyungs.bol.ucla.edu/software/DCE_tool/DCE_tool.html</a> (2020).</li>
<li>RStudio Team RStudio: Inteegrated Development for R. , Available from: 
 <a target="_blank" href="https://rstudio.com">https://rstudio.com</a> (2015).</li>
<li>Demšar, J., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Orange%3A+Data+Mining+Toolbox+in+Python%5BTitle%5D)+AND+%22Journal+of+Machine+Learning+Research%22%5BJournal%5D)">Orange: Data Mining Toolbox in Python.</a> Journal of Machine Learning Research. 14, 2349-2353 (2013).</li>
<li>Saeys, Y., Inza, I., Larrañaga, P. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+review+of+feature+selection+techniques+in+bioinformatics%5BTitle%5D)+AND+%22Bioinformatics%22%5BJournal%5D)">A review of feature selection techniques in bioinformatics.</a> Bioinformatics. 23 (19), 2507-2517 (2007).</li>
<li>Kuhn, M. CRAN - Package caret. , Available from: 
 <a target="_blank" href="https://cran.r-project.org/web/packages/caret/index.html">https://cran.r-project.org/web/packages/caret/index.html</a> (2016).</li>
<li>Chen, T., et al. CRAN: Package xgboost - Extreme Gradient Boosting. , Available from: 
 <a target="_blank" href="https://cran.r-project.org/web/packages/xgboost/">https://cran.r-project.org/web/packages/xgboost/</a> (2019).</li>
<li>Available Models | The caret Package. , Available from: 
 <a target="_blank" href="http://topepo.github.io/caret/available-models.html">http://topepo.github.io/caret/available-models.html</a> (2020).</li>
<li>Fernández-Delgado, M., Cernadas, E., Barro, S., Amorim, D., Fernández-Delgado, A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Do+we+Need+Hundreds+of+Classifiers+to+Solve+Real+World+Classification+Problems%5BTitle%5D)+AND+%22Journal+of+Machine+Learning+Research%22%5BJournal%5D)">Do we Need Hundreds of Classifiers to Solve Real World Classification Problems.</a> Journal of Machine Learning Research. 15, 3133-3181 (2014).</li>
<li>Hira, Z. M., Gillies, D. F. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+Review+of+Feature+Selection+and+Feature+Extraction+Methods+Applied+on+Microarray+Data%5BTitle%5D)+AND+%22Advances+in+Bioinformatics%22%5BJournal%5D)">A Review of Feature Selection and Feature Extraction Methods Applied on Microarray Data.</a> Advances in Bioinformatics. 2015, 198363(2015).</li>
<li>Sánchez-Maroño, N., Alonso-Betanzos, A., Tombilla-Sanromán, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Filter+methods+for+feature+selection+-+A+comparative+study%5BTitle%5D)+AND+%22Lecture+Notes+in+Computer+Science+%28including+subseries+Lecture+Notes+in+Artificial+Intelligence+and+Lecture+Notes+in+Bioinformatics%29%22%5BJournal%5D)">Filter methods for feature selection - A comparative study.</a> Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics). 4881, 178-187 (2007).</li>
<li>Cawley, G. C., Talbot, N. L. C. C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Fast+exact+leave-one-out+cross-validation+of+sparse+least-squares+support+vector+machines%5BTitle%5D)+AND+%22Neural+Network%22%5BJournal%5D)">Fast exact leave-one-out cross-validation of sparse least-squares support vector machines.</a> Neural Network. 17 (10), 1467-1475 (2004).</li>
<li>Forghani, R., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Radiomics+and+Artificial+Intelligence+for+Biomarker+and+Prediction+Model+Development+in+Oncology%5BTitle%5D)+AND+%22Computational+and+Structural+Biotechnology+Journal%22%5BJournal%5D)">Radiomics and Artificial Intelligence for Biomarker and Prediction Model Development in Oncology.</a> Computational and Structural Biotechnology Journal. 17, 995-1008 (2019).</li>
<li>Jaffe, C. C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Measures+of+response%3A+RECIST%2C+WHO%2C+and+new+alternatives%5BTitle%5D)+AND+%22Journal+of+Clinical+Oncology+Official+Journal+of+the+American+Society+of+Clinical+Oncology%22%5BJournal%5D)">Measures of response: RECIST, WHO, and new alternatives.</a> Journal of Clinical Oncology Official Journal of the American Society of Clinical Oncology. 24 (20), 3245-3251 (2006).</li>
<li>Lambin, P., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Radiomics%3A+Extracting+more+information+from+medical+images+using+advanced+feature+analysis%5BTitle%5D)+AND+%22European+Journal+of+Cancer%22%5BJournal%5D)">Radiomics: Extracting more information from medical images using advanced feature analysis.</a> European Journal of Cancer. 48 (4), 441-446 (2012).</li>
<li>Gillies, R. J., Kinahan, P. E., Hricak, H. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Radiomics%3A+Images+are+more+than+pictures%2C+they+are+data%5BTitle%5D)+AND+%22Radiology%22%5BJournal%5D)">Radiomics: Images are more than pictures, they are data.</a> Radiology. 278 (2), 563-577 (2016).</li>
<li>Nioche, C., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Lifex%3A+A+freeware+for+radiomic+feature+calculation+in+multimodality+imaging+to+accelerate+advances+in+the+characterization+of+tumor+heterogeneity%5BTitle%5D)+AND+%22Cancer+Research%22%5BJournal%5D)">Lifex: A freeware for radiomic feature calculation in multimodality imaging to accelerate advances in the characterization of tumor heterogeneity.</a> Cancer Research. 78 (16), 4786-4789 (2018).</li>
<li>Ellmann, S., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Application+of+machine+learning+algorithms+for+multiparametric+MRI-based+evaluation+of+murine+colitis%5BTitle%5D)+AND+%22PLOS+ONE%22%5BJournal%5D)">Application of machine learning algorithms for multiparametric MRI-based evaluation of murine colitis.</a> PLOS ONE. 13 (10), 0206576(2018).</li>
</ol>

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.

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 ...

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 (<silna klasa="xfig">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.

<table><tbody><tr><td>Lornetka Mikroskop Operacyjny</td><td>Leica</td><td>NA</td><td></td></tr><tr><td>ClinScan MR System</td><td>Bruker</td><td>NA</td><td></td></tr><tr><td>DICOM Viewer</td><td>Horos</td><td>NA</td><td>www.horosproject.org</td></tr><tr><td>Excel: Arkusz kalkulacyjny</td><td>Microsoft</td><td>NA</td><td></td></tr><tr><td>FCS</td><td>Sigma</td><td>F2442-500ML</td><td></td></tr><tr><td>Gadovist</td><td>Bayer-Schering</td><td>NA</td><td></td></tr><tr><td>Inveon PET/CT</td><td>Siemens</td><td>NA</td><td></td></tr><tr><td>Inveon Research Workplace Software</td><td>Siemens Healthcare GmbH</td><td>NA</td><td></td></tr><tr><td>IVIS Spectrum</td><td>PerkinElmer</td><td>NA</td><td></td></tr><tr><td>MDA-MB-231 ludzkie komórki raka piersi</td> American <td>Type Culture Collection</td><td>N/A</td> Zestaw narzędzi do wizualizacji danych, uczenia maszynowego i eksploracji <td></td></tr><tr><td>danych o otwartym kodzie źródłowym.</td><td>Orange3, Uniwersytet w Lublanie,</td><td>Ameryka</td><td>Północna https://orange.biolab.si/</td></tr> <tr><td>RPMI-1640</td><td>Invitrogen/ThermoFisher</td><td>11875093</td><td></td></tr><tr><td>Trypsin</td><td>Sigma</td><td>9002-07-7</td><td></td></tr><tr><td>Vevo 3100</td><td>VisualSonics</td><td>NA</td><td></td></tr></tbody></table>

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

Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model

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.

Szczury szybko powróciły do zdrowia po operacji i wstrzyknięciu komórek raka piersi MDA-MB-231, a następnie poddano je obrazowaniu MR oraz PET/CT w 10. i 30. dniu po implantacji (Rysunek 1). Reprezentatywna analiza DCE prawej bliższej części kości piszczelowej szczura przedstawiona jest na Rysunku 2A. Surowe pomiary DCE zostały zapisane poprzez wybranie przycisku „Export” i wybranie nazwy pliku „DCEraw.txt”.
Kolejne o...

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

Machine learning (ML) algorithms permit the integration of different features into a model to perform classification or regression tasks with an accuracy ...

Protokół ten ułatwia opracowanie algorytmu uczenia maszynowego do przewidywania wzrostu przerzutów do kości w modelu eksperymentalnym na etapie wczesnej kolonizacji narządów. Główną zaletą tej techniki jest to, że łączy ona kilka parametrów obrazowania w algorytm uczenia maszynowego, który znacznie przewyższa zdolność produkcyjną każdego pojedynczego parametru. Chociaż protokół ten ma na celu wczesną diagnostykę przerzutów do kości, może być dostosowany do różnych narządów lub obszarów multimodalnych i wieloparametrycznych badań obrazowych.10 dni po operacji i wstrzyknięciu w przeglądarkę DICOM z wtyczką DCE. Wybierz opcję importuj, aby załadować sekwencję DCE w trybie 4D i wybierz folder DICOM zawierający obrazy MRI. Umieść okrągły obszar zainteresowania o wielkości od 1,5 milimetra kwadratowego do wymiarów w szpiku kostnym bliższego trzonu piszczelowego prawej tylnej nogi na czwartym lub piątym obrazie MRI i wybierz względne wzmocnienie w typie wykresu.Wprowadź zakres linii bazowej od punktów czasowych od jednego do pięciu do odpowiednich pól i wyeksportuj analizę jako plik TXT z kropką o nazwie DCE raw dot TXT. Otwórz program RStudio i załaduj dostarczony plik kropki R skryptu DCE. Wybierz kod, uruchom region i uruchom wszystko, aby uruchomić cały skrypt i skopiować dane wyjściowe do podanego pliku szablonu funkcji obrazowania.W przeglądarce DICOM umieść drugi obszar zainteresowania w mięśniu grzbietu zwierzęcia i powtórz pomiary DCE, jak pokazano. W arkuszu kalkulacyjnym funkcji obrazowania odpowiednie pomiary kości zostaną automatycznie podzielone przez odpowiednie pomiary mięśni w celu normalizacji danych. Aby przeanalizować obrazy PET/CT, otwórz oprogramowanie do analizy PET/CT i zaimportuj obrazy PET/CT.Kliknij pozycję Analiza ogólna i wybierz opcję Kwantyfikacja obszaru zainteresowania, utwórz i utwórz obszar zainteresowania na podstawie szablonu. Umieść obszar zainteresowania o wymiarach cztery na sześć milimetrów w szpiku kostnym bliższego trzonu piszczelowego prawej tylnej nogi i wybierz obszary zainteresowania skierowane na jedną nakładkę. Zwróć uwagę na średnie, minimalne i maksymalne wartości w bekereliach na mililitr.Następnie podziel maksymalną wartość przez wstrzykniętą aktywność i pomnóż wynik przez masę ciała zwierzęcia w gramach, aby obliczyć standaryzowaną wartość wchłaniania. Aby zdiagnozować tempo wzrostu guza w wstrzykniętej tylnej nodze. Po uzyskaniu obrazów MRI i PET/CT w 30 dniu po wstrzyknięciu, przeanalizuj obrazy, jak pokazano, i dodaj kolumnę guza do arkusza kalkulacyjnego funkcji obrazowania.Następnie wprowadź jedynkę lub zero odpowiednio dla zwierząt z przerzutami lub bez widocznego obciążenia nowotworem. Aby określić najistotniejsze cechy do przewidywania przyszłego wzrostu guza, zaimportuj arkusz kalkulacyjny do zestawu narzędzi do wizualizacji danych typu open source, uczenia maszynowego i eksploracji danych. Przeciągnij podprogram pliku z menu danych do obszaru roboczego i kliknij dwukrotnie plik.Kliknij ikonę folderu, aby załadować arkusz kalkulacyjny i wybierz arkusz kalkulacyjny funkcji obrazowania. Wybierz arkusz eksportu i przypisz atrybut docelowy do zmiennej gumor. Przypisz funkcję pomijania do numeru zwierzęcia.Przeciągnij podprogram rank do obszaru roboczego i narysuj linię, aby połączyć się z podprogramami file i rang. Następnie kliknij dwukrotnie, aby otworzyć podprogram rangi i wybierz algorytm pozyskiwania informacji. W przypadku analizy uczenia maszynowego otwórz program RStudio 3.4.1 i załaduj podany skrypt trenowania modelu R.Wybierz wiersze od trzeciego do szóstego w skrypcie, aby załadować wymagane biblioteki. Kliknij kod, aby uruchomić wybrany kod, a następnie kliknij przycisk Uruchom wybrane wiersze, aby uruchomić wybrane wiersze. Aby wytrenować algorytm średniej modelu do sieci neuronowej, wybierz wiersze od ósmej do 39 ze skryptu trenowania modelu języka R, a następnie kliknij kod i uruchom wybrane wiersze.Następnie, aby ocenić standardowe parametry dokładności diagnostycznej, wybierz wiersze od 41 do 50 ze skryptu trenowania modelu języka R, a następnie kliknij kod i uruchom wybrane wiersze. W 10 dniu po operacji i wstrzyknięciu komórek rakowych można uzyskać obrazy MRI i PET/CT. Analiza DCE pozwala na pomiar obszarów zainteresowania tkanki mięśniowej i kostnej.Wartości te można znormalizować, dzieląc wymiary kości przez wymiary mięśni. W 30 dniu po wstrzyknięciu wszystkie zwierzęta są oceniane w celu ustalenia, czy rozwinęły się u nich przerzuty, przy czym jeden wskazuje na dodatnie obciążenie nowotworem, a zero oznacza zdrowe zwierzęta bez widocznych guzów. Uruchomienie skryptu języka R trenowania modelu umożliwia określenie optymalnej kombinacji hiperparametrów i obliczenie końcowego modelu przy użyciu optymalnej kombinacji hiperparametrów.Dane te pozwalają na obliczenie zestawu standardowych parametrów diagnostycznych i wykreślenie charakterystyki pracy odbiornika modelu. Na przykład w tej analizie 28 próbek model działa znacznie lepiej niż wszystkie jego trzy składniki. Kilka algorytmów uczenia maszynowego ma tendencję do osiągania lepszych wyników, gdy dane wejściowe są znormalizowane.W tym protokole normalizacja jest osiągana za pomocą funkcji Boxa Coxa. Ten protokół wykorzystuje średnią modelu podczas sieci jako algorytm uczenia maszynowego. Jednak dostarczony framework można łatwo dostosować do innych algorytmów, takich jak lasy losowe lub maszyny wektorów nośnych.Ekstrakcja informacji numerycznych z materiału obrazowego stała się niezbędna. Algorytmy takie jak te mogą ułatwić integrację dużych ilości danych, aby umożliwić stratyfikację pacjentów.

machine-learning-algorithms-for-early-detection-bone-metastases-an

Research

JoVE Journal

Cancer Research

Badania nad rakiem

W patogenezie przerzutów do kości angiogeneza jest procesem kluczowym, w związku z czym stanowi cel obrazowania i terapii. W niniejszej pracy przedstawiamy szczurzy model miejscowych przerzutów raka piersi do kości oraz opisujemy strategie nieinwazyjnego obrazowania angiogenezy in vivo z wykorzystaniem obrazowania rezonansem magnetycznym, wolumetrycznej tomografii komputerowej i ultrasonografii.

Wielomodalne obrazowanie angiogenezy w modelu przerzutów raka piersi do kości u szczurów nago z wykorzystaniem obrazowania rezonansem magnetycznym, wolumetrycznej tomografii komputerowej i ultradźwięków

Modele zwierzęce są często wykorzystywane do badania przerzutów nowotworowych do kości. W niniejszym protokole opiszemy dwie powszechne metody inokulacji guza w badaniach nad przerzutami do kości oraz krótko omówimy niektóre z analiz stosowanych do monitorowania i ilościowego określania tych modeli.

Modele przerzutów do kości

Ten ortotopowy model ludzkiego raka prostaty pozwala na ilościowe określenie wielkości guza, krążących komórek nowotworowych i tworzenie wyraźnych przerzutów do płuc. Ponieważ komórki muszą uciec z narządu pierwotnego, dostać się do krwiobiegu i zagnieździć się w miejscu wtórnym, model ten skutecznie podsumowuje scenariusz u ludzi.

Ortotopowy mysi model przerzutów ludzkiego raka prostaty

Przedstawiono metodę pomiaru prędkości przepływu krwi mikrokrążącej w raku płuc z przerzutami do powierzchni opłucnej u szczurów w sposób zautomatyzowany, przy użyciu mikroskopii przyżyciowej płuc z zamkniętą klatką piersiową. Model ten ma potencjał do wykorzystania jako szeroko rozpowszechnione narzędzie do prowadzenia badań fizjologicznych nad przerzutami do płuc u gryzoni.

Zautomatyzowany pomiar prędkości przepływu krwi w mikrokrążeniu w przerzutach do płuc szczurów

Ten manuskrypt zawiera szczegółową procedurę wstrzykiwania do tętnicy biodrowej (IIA), techniki dostarczania komórek rakowych specyficznie do tkanek kończyn tylnych, w tym kości, w celu ustalenia eksperymentalnych przerzutów do kości. Chociaż początkowo ustalono go na podstawie modeli guzów piersi, protokół ten można łatwo rozszerzyć na inne typy raka.

Iniekcja do tętnicy biodrowej w celu skutecznego i selektywnego modelowania mikroskopijnych przerzutów do kości

Ten manuskrypt opisuje rozwój modelu zwierzęcego, który pozwala na bezpośrednie testowanie wpływu niedotlenienia guza na przerzuty i rozszyfrowywanie mechanizmów jego działania. Chociaż opisane tutaj eksperymenty koncentrują się na mięsaku Ewinga, podobne podejście można zastosować do innych typów nowotworów.

In vivo (in vivo) Model do badania wpływu hipoksji na przerzuty nowotworu

Dożylne wstrzykiwanie komórek rakowych jest często stosowane w badaniach nad przerzutami, ale obciążenie guzem przerzutowym może być trudne do analizy. W tym artykule demonstrujemy model przerzutów do iniekcji żyły ogonowej i uwzględniamy nowatorskie podejście do analizy wynikającego z przerzutowego obciążenia guzem płuc.

Analiza patologiczna przerzutów do płuc po bocznym wstrzyknięciu komórek nowotworowych do żyły ogonowej

Modele przerzutów do kości nie rozwijają przerzutów równomiernie ani ze 100% częstością. Bezpośrednie wstrzyknięcie do komórek nowotworowych kości może spowodować embolizację płuc. Przedstawiamy naszą technikę modelowania pierwotnych guzów kości i przerzutów do kości z wykorzystaniem implantacji przeszczepu guza litego do kości, prowadzącej do powtarzalnego wszczepienia i wzrostu.

Modelowanie pierwotnych guzów kości i przerzutów do kości z implantacją przeszczepu guza litego do kości

Tutaj opisana jest syngeniczna implantacja ortotopowa, po której następuje procedura amputacji kostniakomięsaka ze spontanicznymi przerzutami do płuc, która może być wykorzystana do badań przedklinicznych biologii przerzutów i rozwoju nowych terapii.

Syngeneiczny ortotopowy kostniakomięsak Sprague Dawley Rat Model z amputacją w celu kontrolowania częstości przerzutów

Obecny protokół opisuje wstrzykiwanie komórek do kostniakomięsaka kości piszczelowej w celu wygenerowania modeli myszy z ortotopowym kostniakomięsakiem i przerzutami do płuc.

Wstrzyknięcie komórek kostniakomięsaka piszczelowego w celu wygenerowania ortotopowego kostniakomięsaka i mysich modeli przerzutów do płuc

Tutaj prezentujemy protokół dosercowego wstrzykiwania ludzkich komórek raka prostaty w celu wygenerowania mysiego modelu ze zmianami przerzutowymi do kości.

Wstrzyknięcie dosercowe ludzkich komórek raka prostaty w celu stworzenia mysiego modelu ksenoprzeszczepu z przerzutami do kości

Poznaj algorytmy uczenia maszynowego do wczesnego wykrywania przerzutów do kości w modelu szczurzym. Metoda łączy parametry MRI i PET/CT, przewyższając dokładność pojedynczych technik obrazowania.

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

Przeglądaj więcej filmów