Algorytmy uczenia maszynowego do wczesnego wykrywania przerzutów do kości w eksperymentalnym modelu szczurzym
August 16th, 2020
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.
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.
View the full transcript and gain access to thousands of scientific videos
Przegląd
Ten protokół ułatwia opracowanie algorytmu uczenia maszynowego do przewidywania wzrostu przerzutów kostnych w modelowaniu eksperymentalnym na etapie wczesnej kolonizacji narządów. Technika łączy kilka parametrów obrazowania w algorytmie uczenia maszynowego, który znacznie przewyższa produktywność każdego pojedynczego parametru.
Kluczowe elementy badania
Obszar nauki
- Neuronauki
- Onkologia
- Uczenie maszynowe
Tło
- Wczesne rozpoznanie przerzutów jest kluczowe dla skutecznego leczenia.
- Przetrążenia kostne stanowią unikalne wyzwania w obrazowaniu i diagnozie.
- Łączenie metod obrazowania może poprawić zdolności wykrywcze.
- Ten protokół jest przystosowywalny do różnych narządów lub obszarów badań nad multimodalnym obrazowem.
Cel badania
- Wytrenowanie algorytmu uczenia maszynowego do wczesnego wykrywania choroby przerzutowej.
- Przewidywanie progresji do makroprzerzutów w modelu szczurzym.
- Poprawa dokładności diagnostycznej przy użyciu połączonych parametrów obrazowania.
Stosowane metody
- Wykorzystanie parametrów obrazowania MRI i PET/CT.
- Zastosowanie technik uczenia maszynowego do analizy danych obrazowych.
- Implementacja widoku DICOM z wtyczką DCE do analizy obrazu.
- Wybór obszarów zainteresowania w rdzeniu kostnym dla ulepszonych badań obrazowych.
Główne wyniki
- Algorytm uczenia maszynowego wykazał poprawę zdolności predykcyjnych.
- Wczesne wykrywanie przerzutów zostało osiągnięte z wyższą dokładnością.
- Wyniki wskazują na potencjał adaptacji do innych narządów.
- Protokół daje nadzieję na przyszłe badania w dziedzinie multimodalnego obrazowania.
Wnioski
- Ten protokół oferuje nowatorskie podejście do wczesnej diagnozy przerzutów kostnych.
- Łączenie metod obrazowania poprawia wykrywanie i przewidywanie.
- Przyszłe zastosowania mogą obejmować różne układy narządowe.
Często zadawane pytania
Executive Industry Relevance
Early detection of bone metastases remains a critical challenge in oncology drug development, where current imaging often misses micrometastatic disease during preclinical staging. This machine learning approach integrates multimodal imaging features to improve predictive accuracy for metastatic progression, enabling earlier intervention and better model selection in preclinical studies. By identifying animals likely to develop metastases before standard imaging detection, the method supports mechanistic de-risking and improves confidence in target validation efforts.
Strategic Applications in Biopharma R&D
Early Discovery & Target Validation
- Scientific Value: Enables interrogation of therapeutic hypotheses by predicting metastatic outcome from early imaging biomarkers.
- Operational Value: Supports biological de-risking through stratification of models based on predicted metastatic potential.
- Predictive Value: Improves confidence in target selection by identifying models most likely to progress to macrometastasis.
Screening & Assay Development
- Assay Readiness: Prepares validated imaging-derived features for standardized compound screening in metastasis models.
- Quantitative Output: Generates normalized MRI and PET/CT metrics suitable for high-throughput feature extraction.
- Scalability: Framework adapts to unlimited features and multiple ML algorithms for assay optimization.
Translational & Preclinical Research
- Disease Relevance: Uses a site-specific rat model of breast cancer bone metastases with defined tumor-take rate.
- Translational Continuity: Links early imaging biomarkers to macrometastatic outcomes validated by MRI/PET/CT at day 30.
- Risk-Adjusted Decisions: Enables prioritization of compounds based on predicted metastasis suppression in high-risk models.
Pipeline & Workflow Integration
The method fits within the discovery continuum from early target validation through lead identification to preclinical efficacy testing, particularly in bone metastasis models where early prediction informs study design.
- Discovery Biology: Supports hypothesis testing by classifying animals into metastatic and non-metastatic groups using early imaging features.
- Screening: Enables assay standardization through normalized feature extraction from DCE-MRI and SUV-PET/CT measurements.
- Analytics: Provides diagnostic accuracy metrics including sensitivity, specificity, and ROC analysis for model evaluation.
- Translational Research: Connects early organ colonization signals to late-stage macrometastatic disease in a clinically relevant model.
- Enterprise Reuse: Framework can be adapted across oncology, infection, and inflammation studies using multimodal imaging.
Operational & Enterprise Impact
- Scientific Value: Increases predictive confidence in metastasis models by outperforming individual imaging parameters.
- Operational Value: Standardizes feature extraction and normalization across imaging modalities for reproducible results.
- Strategic Value: Improves go/no-go decisions by identifying non-progressing models early, reducing wasted resources.
- Portfolio Impact: Enables risk-adjusted advancement by focusing on compounds effective in high-risk metastatic models.
Implementation Considerations
- Requires expertise in MRI/PET/CT image analysis and feature extraction using DICOM tools.
- Needs RStudio and ML toolkits for model training, validation, and diagnostic metric calculation.
- Demands standardization of ROI placement and normalization procedures (e.g., bone-to-muscle ratios, Box-Cox).
- Involves adaptation considerations when applying the framework to different organs or imaging protocols.
- Limited by the need for longitudinal imaging at defined time points (day 10 and day 30) in the rat model.
Biopharma FAQs
Chapters in this video
0:04
Introduction
0:46
Magnetic Resonance Imaging (MRI) Analysis
2:11
Positron Emission Tomography/Computed Tomography (PET/CT) Analysis
3:03
Tumor-Take Rate Calculation
3:30
Feature Selection
4:23
Machine Learning (ML) Analysis, Model-Averaged Neural Network (avNNet) ML Algorithm Training, and ML Algorithm Data Analysis
5:12
Results: Representative Machine Learning Algorithm Rat Bone Metastasis Detection
6:19
Conclusion
