Algoritmos de aprendizagem de máquina para detecção precoce de metástases ósseas em um modelo experimental de ratos

Este protocolo facilita o desenvolvimento de um algoritmo de aprendizagem de máquina para prever o crescimento de metástases ósseas em um modelo experimental na fase de colonização precoce de órgãos. A principal vantagem dessa técnica é que ela combina vários parâmetros de imagem em um algoritmo de aprendizagem de máquina que supera significativamente a capacidade produtiva de cada parâmetro individual. Embora este protocolo visa o diagnóstico precoce de metástases no osso, podendo ser adaptado a diferentes órgãos ou áreas de pesquisa de imagem multimodal e multiparamétrica.

10 dias após a cirurgia e injeção em um visualizador DICOM com um plugin DCE. Escolha importar para carregar a sequência DCE no modo 4D e selecione a pasta DICOM contendo as imagens de ressonância magnética. Coloque uma circular de 1,5 milímetro quadrado para a região dimensional de interesse na medula óssea proximal do eixo tibial da perna traseira direita dentro da quarta ou quinta imagem de ressonância magnética e selecione o aprimoramento relativo no tipo de parcela.

Digite a faixa de linha de base a partir de pontos de tempo, de um a cinco para os respectivos campos e exporte a análise como um arquivo ponto TXT chamado DCE raw dot TXT. Abra o RStudio e carregue o arquivo DCE dot R fornecido. Selecione código, execute a região e execute tudo para executar todo o script e copie a saída para o arquivo de modelo fornecido de recursos de imagem.

No visualizador DICOM, coloque uma segunda região de interesse dentro do músculo traseiro do animal e repita as medidas de DCE como demonstrado. Na planilha de recursos de imagem, as respectivas medidas ósseas serão automaticamente divididas pelas respectivas medidas musculares para normalização dos dados. Para analisar as imagens PET/CT abra o software de análise PET/CT e importe as imagens PET/CT.

Clique em análise geral e selecione a quantificação de interesse, crie e crie uma região de interesse a partir de um modelo. Coloque uma região de quatro por seis milímetros, para região dimensional de interesse dentro da medula óssea do eixo tibial proximal da perna traseira direita e selecione regiões de interesse alvo de uma sobreposição. Observe os valores médios, mínimos e máximos em becquerels por mililitro.

Em seguida, divida o valor máximo pela atividade injetada e multiplique o resultado pelo peso animal em gramas para calcular o valor de absorção padronizado. Para diagnosticar a taxa de crescimento do tumor na perna traseira injetada. Após a obtenção de imagens de ressonância magnética e PET/CT no dia 30 pós-injeção, analise as imagens como demonstrado e adicione uma coluna tumoral à planilha de recursos de imagem.

Em seguida, entre um ou zero para animais com metástase ou sem uma carga tumoral visível, respectivamente. Para determinar os recursos mais relevantes para a previsão de crescimento futuro do tumor, importe a planilha em um kit de ferramentas de visualização de dados de código aberto e kit de ferramentas de mineração de dados. Arraste a sub-rotina do arquivo do menu de dados para o espaço de trabalho e clique duas vezes no arquivo.

Clique no ícone da pasta para carregar a planilha e selecione a planilha de recursos de imagem. Selecione a planilha de exportação e atribua o atributo alvo ao tumor variável. Atribua a função de salto ao número do animal.

Arraste a sub-rotina de classificação para o espaço de trabalho e desenhe uma linha para se conectar ao arquivo e classificar sub-rotinas. Em seguida, clique duas vezes para abrir a sub-rotina de classificação e selecione o algoritmo de ganho de informações. Para análise de aprendizado de máquina, abra rstudio 3.4.1 e carregue o script modelo R fornecido.

Selecione as linhas três a seis dentro do script para carregar as bibliotecas necessárias. Clique em código para executar o código selecionado e clique em executar linhas selecionadas para executar as linhas selecionadas. Para treinar uma média de modelo para algoritmo de rede neural, selecione as linhas de oito a 39 do script modelo R do trem e clique em código e execute linhas selecionadas.

Em seguida, para avaliar os parâmetros padrão de precisão diagnóstica, selecione as linhas 41 a 50 do script modelo R do trem e clique em código e execute linhas selecionadas. No dia 10, após cirurgia e injeção de células cancerosas, podem ser adquiridas imagens de ressonância magnética e PET/CT. A análise do DCE permite a medição de áreas de interesse muscular e de tecido ósseo.

Esses valores podem ser normalizados dividindo as medidas ósseas pelas medidas musculares. No dia 30 pós-injeção, todos os animais são avaliados para determinar se desenvolveram metasticies com um indicando uma carga tumoral positiva e um zero indicando animais saudáveis sem tumores visíveis. A execução do script modelo R do trem permite que a combinação ideal de hiper parâmetros seja determinada e o modelo final seja calculado usando a combinação ideal de hiper parâmetros.

Esses dados permitem calcular um conjunto de parâmetros de diagnóstico padrão e a curva característica de operação do receptor do modelo a ser plotada. Por exemplo, nesta análise de 28 amostras o modelo tem um desempenho significativamente melhor do que todos os seus três constituintes. Vários algoritmos de aprendizado de máquina tendem a ter melhor desempenho quando os dados de entrada são normalizados.

Neste protocolo a normalização é alcançada usando a função Box Cox. Este protocolo usa uma média de modelo durante a rede como um algoritmo de aprendizado de máquina. No entanto, a estrutura fornecida pode ser facilmente adaptada a outros algoritmos, como florestas aleatórias ou máquinas vetoriais de suporte.

Extrair informações numéricas do material da imagem tornou-se essencial. Algoritmos como esses podem facilitar a integração de grandes quantidades de dados para permitir a estratificação do paciente.