Algorytmy uczenia maszynowego do wczesnego wykrywania przerzutów do kości w eksperymentalnym modelu szczurzym
16 sierpnia 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.
Wyświetl pełny transkrypt i uzyskaj dostęp do tysięcy filmów naukowych
Przegląd
Niniejszy protokół ułatwia opracowanie algorytmu uczenia maszynowego do przewidywania wzrostu przerzutów do kości w modelu eksperymentalnym na etapie wczesnej kolonizacji organów. Technika ta łączy kilka parametrów obrazowania w algorytm uczenia maszynowego, który znacząco przewyższa zdolności prognostyczne każdego z poszczególnych parametrów.
Kluczowe elementy badania
Dziedzina nauki
- Neuronauka
- Onkologia
- Uczenie maszynowe
Wstęp
- Wczesna diagnostyka przerzutów jest kluczowa dla skutecznego leczenia.
- Przerzuty do kości stanowią szczególne wyzwanie w obrazowaniu i diagnostyce.
- Łączenie różnych modalności obrazowania może zwiększyć możliwości detekcji.
- Niniejszy protokół można dostosować do różnych narządów lub obszarów badań nad obrazowaniem multimodalnym.
Cel badania
- Przeszkolenie algorytmu uczenia maszynowego w celu wczesnego wykrywania przerzutów.
- Przewidywanie progresji do przerzutów makroskopowych w modelu szczura.
- Poprawa dokładności diagnostycznej dzięki zastosowaniu połączonych parametrów obrazowania.
Zastosowane metody
- Wykorzystanie parametrów obrazowania MRI oraz PET/CT.
- Zastosowanie technik uczenia maszynowego do analizy danych obrazowych.
- Wdrożenie przeglądarki DICOM z wtyczką DCE do analizy obrazów.
- Wybór obszarów zainteresowania w szpiku kostnym w celu poprawy jakości obrazowania.
Główne wyniki
- Algorytm uczenia maszynowego wykazał poprawione zdolności prognostyczne.
- Wczesne wykrywanie przerzutów osiągnięto z większą dokładnością.
- Wyniki wskazują na potencjał adaptacji do innych narządów.
- Protokół rokuje przyszłe badania w zakresie obrazowania multimodalnego.
Wnioski
- Niniejszy protokół oferuje nowatorskie podejście do wczesnej diagnostyki przerzutów do kości.
- Łączenie różnych metod obrazowania usprawnia detekcję i prognozowanie.
- Przyszłe zastosowania mogą objąć różne układy narządowe.
Najczęściej zadawane pytania
Znaczenie dla przemysłu
Wczesne wykrywanie przerzutów do kości pozostaje krytycznym wyzwaniem w opracowywaniu leków onkologicznych, ponieważ obecne metody obrazowania często nie wykazują zmian mikroprzerzutowych podczas etapu przedklinicznego. Przedstawione podejście oparte na uczeniu maszynowym integruje multimodalne cechy obrazowania w celu zwiększenia dokładności przewidywania progresji przerzutowej, co umożliwia wcześniejszą interwencję i lepszy dobór modeli w badaniach przedklinicznych. Dzięki identyfikacji zwierząt wykazujących prawdopodobieństwo rozwoju przerzutów przed ich wykryciem za pomocą standardowego obrazowania, metoda ta wspiera ograniczanie ryzyka mechanistycznego i zwiększa pewność w wysiłkach na rzecz walidacji punktów uchwytu.
Strategiczne zastosowania w badaniach i rozwoju biofarmaceutycznym
Wstępna analiza i walidacja celu
- Wartość naukowa: Umożliwia weryfikację hipotez terapeutycznych poprzez przewidywanie wyników przerzutowania na podstawie wczesnych biomarkerów obrazowych.
- Wartość operacyjna: Wspiera ograniczanie ryzyka biologicznego poprzez stratyfikację modeli w oparciu o przewidywany potencjał przerzutowy.
- Wartość prognostyczna: Zwiększa pewność w wyborze celu terapeutycznego poprzez identyfikację modeli z największym prawdopodobieństwem progresji do makroprzerzutów.
Przesiewy i opracowywanie testów
- Gotowość do analizy: Przygotowuje zwalidowane cechy pochodne z obrazowania do standaryzowanego przesiewu związków w modelach przerzutowania.
- Wynik ilościowy: Generuje znormalizowane parametry MRI oraz PET/CT odpowiednie do wysokoprzepustowej ekstrakcji cech.
- Skalowalność: Struktura dostosowuje się do nieograniczonej liczby cech i wielu algorytmów uczenia maszynowego (ML) w celu optymalizacji analizy.
Badania translacyjne i przedkliniczne
- Znaczenie dla choroby: Wykorzystuje specyficzny dla miejsca model przerzutów raka piersi do kości u szczurów z określoną częstotliwością przyjęcia guza.
- Ciągłość translacyjna: Łączy wczesne biomarkery obrazowe z wynikami makroprzerzutów zwalidowanymi za pomocą MRI/PET/CT w 30. dniu.
- Decyzje dostosowane do ryzyka: Umożliwia priorytetyzację związków na podstawie przewidywanego hamowania przerzutów w modelach wysokiego ryzyka.
Integracja rurociągu i przepływu pracy
Metoda ta wpisuje się w kontinuum odkryć, od wczesnej walidacji celu, poprzez identyfikację związku wiodącego, aż po przedkliniczne badania skuteczności, szczególnie w modelach przerzutów do kości, gdzie wczesna predykcja wpływa na projekt badania.
- Biologia odkrywcza: Wspiera weryfikację hipotez poprzez klasyfikację zwierząt na grupy z przerzutami i bez przerzutów na podstawie wczesnych cech obrazowania.
- Przesiewanie: Umożliwia standaryzację testów dzięki znormalizowanej ekstrakcji cech z pomiarów DCE-MRI oraz SUV-PET/CT.
- Analityka: Dostarcza wskaźniki dokładności diagnostycznej, w tym czułość, swoistość oraz analizę ROC do oceny modelu.
- Badania translacyjne: Łączy sygnały wczesnej kolonizacji narządów z późnym stadium choroby makroprzerzutowej w klinicznie istotnym modelu.
- Zastosowania w przedsiębiorstwie: Metodyka może zostać zaadaptowana w badaniach nad onkologią, infekcjami i stanami zapalnymi z wykorzystaniem obrazowania multimodalnego.
Wpływ operacyjny i przedsiębiorczy
- Wartość naukowa: Zwiększa pewność prognostyczną w modelach przerzutowania dzięki wynikom lepszym niż w przypadku pojedynczych parametrów obrazowania.
- Wartość operacyjna: Standaryzuje ekstrakcję cech i normalizację w różnych modalnościach obrazowania w celu uzyskania powtarzalnych wyników.
- Wartość strategiczna: Usprawnia podejmowanie decyzji go/no-go poprzez wczesną identyfikację modeli niepostępujących, co ogranicza marnowanie zasobów.
- Wpływ na portfolio: Umożliwia postęp skorygowany o ryzyko poprzez koncentrację na związkach skutecznych w modelach przerzutowych o wysokim ryzyku.
Uwagi dotyczące implementacji
- Wymagana jest biegłość w analizie obrazów MRI/PET/CT oraz ekstrakcji cech przy użyciu narzędzi DICOM.
- Niezbędne są RStudio oraz zestawy narzędzi ML do trenowania modelu, walidacji i obliczania wskaźników diagnostycznych.
- Wymagana jest standaryzacja rozmieszczenia ROI oraz procedur normalizacji (np. stosunki kość-mięsień, przekształcenie Boxa-Coxa).
- Konieczne jest uwzględnienie kwestii adaptacji przy stosowaniu ramy metodologicznej do różnych organów lub protokołów obrazowania.
- Metoda jest ograniczona koniecznością wykonania obrazowania podłużnego w określonych punktach czasowych (dzień 10 i dzień 30) w modelu szczurzym.
Najczęściej zadawane pytania dotyczące biofarmacji
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
