Методическая статья

Прогнозирование лечение реакции изображений руководствуясь терапии с использованием машинного обучения: пример для транс артериальная Лечение гепатоцеллюлярной карциномы

DOI:

10.3791/58382

⸱

10 октября 2018 г.

 ,  ,  ,  ,  ,  ,  ,  ,  , 
1Department of Radiology and Biomedical Imaging, Yale School of Medicine, 2Department of Diagnostic and Interventional Radiology, Universitätsmedizin Charité Berlin, 3Department of Biomedical Engineering, Yale School of Engineering and Applied Science, 4Philips Research North America, 5Prescience Labs

В этой статье

Краткое содержание

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Внутри артериальной терапии являются стандарт медицинской помощи для пациентов с гепатоцеллюлярной карциномы, которые не могут пройти хирургическая резекция. Предложен метод прогнозирования ответа на эти виды лечения. Техника использует предварительно процедурные клинических, демографические и визуализации информации для обучения машина обучения моделей, способных предсказать ответ до начала лечения.

Аннотация

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Внутри артериальной терапии являются стандарт медицинской помощи для пациентов с гепатоцеллюлярной карциномы, которые не могут пройти хирургическая резекция. Цель этого исследования была разработка метода для прогнозирования реакции внутри артериальной лечения до вмешательства.

Этот метод обеспечивает общие рамки для прогнозирования результатов до внутри артериальной терапии. Она включает в себя объединение клинических, демографические и визуализации данных через когорте больных и использование этих данных для обучения модели обучения машины. Обученная модель применяется для новых пациентов для того чтобы предсказать вероятность их реакции на внутри артериальной терапии.

Метод предполагает приобретение и разбора клинических, демографические и визуализации данных из N пациентов, которые уже прошли транс артериальная терапии. Эти данные анализируются в дискретных функций (возраст, пол, цирроз печени, степень повышения опухоли и т.д.) и binarized в значения true/false (например, возраст более 60, мужского пола, повышение опухоли за пределы установленного порога, и т.д.). Разница низкая функции и функции с низкой одномерных ассоциаций с результатами будут удалены. Каждое лечение пациента размечается согласно ли они ответили или не реагировать на лечение. Каждый пациент обучение таким образом представлена набором двоичных функции и метку результат. Машина модели обучения проходят подготовку с помощью N - 1 пациентов с тестированием на левой из пациента. Этот процесс повторяется для каждой из N пациентов. N модели усредняются прибыть в окончательной модели.

Методика является расширяемым и позволяет включение дополнительных функций в будущем. Это также обобщению процесс, который может применяться для клинических исследований вопросов за пределами интервенционной радиологии. Основным ограничением является необходимость вручную наследовать характеристики каждого пациента. Популярная современная форма машинного обучения называется глубокой обучения, не страдают от этого ограничения, но требует больших наборов данных.

Введение

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Пациенты с гепатоцеллюлярной карциномы, которые не являются хирургические кандидатов предлагаются внутри артериальной терапии1,2,3. Существует без один метрику, определяющую ли пациент будет реагировать внутри артериальной терапии, прежде чем лечение проводится. Целью данного исследования было продемонстрировать метод, который предсказывает реакции лечение путем применения методов машинного обучения. Такие модели служат руководством для специалистов-практиков и пациентов при выборе продолжения лечения.

Протокол предполагает воспроизводимый процесс для подготовки и обновления модели, начиная с первичных данных о пациенте (клинические примечания, демография, лабораторных данных и обработки изображений). Данные сначала анализируется для конкретных функций, с каждым пациентом, представленный набор бинарных функций и целевой меткой двоичный результат. Метке результат определяется с использованием критерия установленных ответ на основе изображений для гепатоцеллюлярной терапии4,5,6,7. Машина обучения программного обеспечения, которое узнает сопоставление функций и результатов конкретный обучения модели (логистической регрессии или случайных лесных)8,9,10передаются функции и целевых ярлыках. Подобные методы применялись в радиологии и других районах раковых исследований для диагностики и лечения предсказание11,12,13.

Этот метод адаптируется методы от компьютерных наук в области интервенционной радиологии. Традиционное значение исследования в интервенционной радиологии и медицины в целом полагаются на моно - или oligo функция анализа. Например модель для конечной стадии заболевания печени включает в себя пять клинических метрик для оценки масштабов заболевания печени. Преимущество предлагаемого метода является возможность добавления функции Либерально; в примере анализе рассматриваются особенности двадцать пять. Дополнительные функции могут быть добавлены по желанию.

Техника может применяться для других радиографический вмешательств, где имеются данные изображений до и после вмешательства. Например результаты после чрескожного лечения может быть предсказано в подобной манере. Главное ограничение этого исследования является необходимость ручной викарий функции для включения в модель. Курирование и функция извлечения данных занимает много времени для практикующего и могут препятствовать клинических принятие такой машины, обучения модели.

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Протокол

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

1. Настройка рабочей станции для машинного обучения

  1. Используйте систему следующим текстом:
    Процессор Intel Core 2 Duo или выше процессор тактовой частотой 2,0 ГГц
    4 ГБ или больше системной памяти
    POSIX-совместимая операционная система (Linux или Mac OS) или Microsoft Windows 7
    Разрешения пользователя для выполнения программ и сохранения файлов
  2. Установите следующие средства:
    Анаконда Python3: https://www.anaconda.com/download
    DICOM NIfTI конвертер (dcm2niix) - https://github.com/rordenlab/dcm2niix
    Возвышенное текстовый редактор: https://www.sublimetext.com/
    ITK-SNAP (опционально): http://www.itksnap.org
    1. Установки Anaconda Python3, dcm2nii и возвышенное текст, посетите их соответствующих веб-сайтах для операционной системы следующие шагов установки.
    2. Создать и активировать среде Anaconda.
      Конда создать--имя mlenv
      Конда активировать mlenv
    3. Установка пакетов Anaconda для машинного обучения.
      Конда установить numpy scipy scikit-узнать nltk nibabel
      Примечание: Nltk пакет полезен для разбора клинических примечания текста, в то время как nibabel пакет предоставляет полезные функции для обработки медицинских изображений. ITK оснастки могут быть установлены для сегментации органов и опухоли из медицинских изображений. Это полезно для ограничивающих возможности для конкретных регионов.

2. Функция извлечения из текста клинические примечания и структурированных клинических данных

  1. Создайте родительский каталог для проекта и создать папку для каждого пациента в родительской папке. Структура каталогов должна выглядеть следующим образом:
    Проект /
    Проект/Patient_1 /
    Проект/Patient_2 /
    Проект/Patient_3 /
    ...
  2. Получение текста клинические примечания от электронных медицинских записей (EMR). Извлечь заметки вручную через Эми или посредством больницы информационных технологий (ИТ) Управление через дамп данных. Храните примечания каждого пациента в соответствующих папках.
    Project/Patient_1/History_and_Physical.txt
    Project/Patient_1/Procedure_Note.txt
    1. Решение клинических компонентов, которые требуется включить в модель. Синтаксический анализ текста клиника отмечает для этих функций. Инструментарий для естественного языка Python (nltk) библиотека предоставляет полезные команды для разделения документов на приговоры. Каждое предложение может быть искали соответствующие термины например желтуха. Храните особенностей каждого пациента в файле с одной функцией в строке.
      Project/Patient_1/Features.txt:
      67 лет
      мужчины секс
      Альбумин 3.1
      цирротической нет
      hepatitis_c нет
      ...
    2. Для не двоичных функции взять среднее значение каждого компонента во всех пациентов. Бинаризация каждую функцию как истина(1) или false(0) значение, основанное на медиану.
      Project/Patient_1/Binary_Features.txt:
      age_over_60 0
      male_sex 1
      albumin_less_than_3.5 1
      presence_of_cirrhosis 0
      hepatitis_c 0
      ...

3. Функция извлечения из медицинских изображений

Примечание: См. шаг 3 дополнительных материалов для примеров кода.

  1. Скачайте до и после терапии магнитного резонанса DICOM изображений из больницы ПГС. Хранить изображения в соответствующие папки пациента.
    Проект /
    Project/Patient_1/Pre_TACE_MRI_Pre-Contrast.dcm
    Project/Patient_1/Pre_TACE_MRI_Arterial.dcm
    Project/Patient_1/Post_TACE_MRI_Pre-Constrast.dcm
    Project/Patient_1/Post_TACE_MRI_Arterial.dcm
  2. Преобразуйте изображения DICOM в NIfTI формат с помощью программы dcm2niix. Следующие команды преобразует все .dcm изображения в указанной папке. Повторите для всех пациентов.
    dcm2niix проект/Patient_1 /
    dcm2niix проект/Patient_2 /
  3. Загрузите каждый файл NIfTI в Python.
    Импорт nibabel
    изображение = nibabel.load('Project/Patient_1/Pre_TACE_MRI_Pre-Contrast.dcm')
    1. Канонизации ориентации каждого изображения. Это гарантирует, что x, y и z оси являются идентичными, независимо от того, машина, используемая для получения изображения.
      cImage = nibabel.as_closest_canonical(image)
  4. Используйте itk-SNAP (или эквивалентного программного обеспечения пакета) сегмент двоичный печени и опухоли маски для каждого изображения.
    Project/Patient_1/Pre_TACE_MRI_Pre-Contrast_Liver_Mask.bin
    Project/Patient_1/Pre_TACE_MRI_Pre-Contrast_Tumor_Mask.bin
  5. Читайте маски печень и опухоли в Python. В приведенном ниже коде показано, как исправить проблемы ориентации для того, чтобы ориентировать маски вдоль оси же каноническое как изображения МРТ.
    Импорт numpy как np
    с открытыми (liver_mask_file, 'РБ') как f:
    liver_mask = f.read()
    liver_mask = np.fromstring (liver_mask, dtype = 'uint8')
    liver_mask = np.reshape (liver_mask, diff.shape, порядок = 'F')
    liver_mask = liver_mask [:,:: -1:]
    liver_mask [liver_mask > 0] = 1
    1. Используйте маски печень и опухоли изолировать вокселей, содержащих печень и опухоли.
      печень = np.copy(cImage)
      печени [liver_mask < = 0] = 0
  6. Вычислите среднее повышение печени функция.
    mean_liver_enhancement = mean(liver)
    1. Вычислите функцию печени тома.
      pixdim = cImage.header['pixdim']
      единиц = pre.header['xyzt_units']
      DX, dy, dz = pre_pixdim [1:4]
      liver_volume = length(liver) * dx * dx * dz
    2. (Необязательно) Рассчитайте дополнительные функции, как хотелось.
  7. Обновление файла пациент специфические функции с функциями изображения.
    Project/Patient_1/Features.txt:
    67 лет
    мужчины секс
    Альбумин 3.1
    цирротической нет
    hepatitis_c нет
    pre_tace_mean_liver_enhancement 78
    pre_tace_liver_volume 10000
    1. Расчета медианных значений для каждой функции визуализации и Бинаризация как шаг 2.2.2.
      Project/Patient_1/Binary_Features.txt:
      age_over_60 0
      male_sex 1
      albumin_less_than_3.5 1
      presence_of_cirrhosis 0
      hepatitis_c 0
      pre_tace_mean_liver_enhancement 1
      pre_tace_liver_volume 0

4. есть агрегации и сокращения

Примечание: См. шаг 4 дополнительных материалов для примеров кода.

  1. Объединить файлы Binary_Features.txt для каждого пациента в электронную таблицу с пациентами на оси y и функций на оси x.
    ПациентВозраст > 60Мужского полаАльбумин < 3.5Присутствие циррозаГепатит C настоящегозначит печени повышение > 50печени тома > 20000
    10110010
    21110000
    30110100
    1. Добавьте qEASL результат ответ этикетки как последний столбец.
      ПациентВозраст > 60Мужского полаАльбумин < 3.5Присутствие циррозаГепатит C настоящегозначит печени повышение > 50печени тома > 20000qEASL ответчика
      101100101
      211100001
      301101000
    2. Экспорт электронной таблицы в файл с разделителями табуляции.
      Project/ML_Matrix.tsv:
      PatientAge > 60 мужского пола альбумина < 3.5 присутствие цирроз гепатит C настоящей среднее повышение печени > 50 печени тома > 20000 qEASL ответчика
      1 0 1 1 0 0 1 0 1
      2 1 1 1 0 0 0 0 1
      3 0 1 1 0 1 0 0 0
  2. Убрать низким отклонение от рассмотрения.
    Импорт numpy как np
    импортировать из sklearn.feature_selection VarianceThreshold

    # Читать двоичные матрицы.
    особенности =]
    этикетки =]
    для i, L в enumerate(sys.stdin):
    Если я == 0
    продолжить
    n_fs_L = L.strip().split('\t')
    Features.append([float(_) _ в n_fs_L[1:-1]])
    labels.append(n_fs_L[-1])
    X = np.array(features)
    y = np.array(labels)

    # Для вычисления функции в по крайней мере 20% респондентов и не respnders.
    модель = VarianceThreshold (порог = 0,8 * (1 - 0,8))
    X_new = model.fit_transform (X, y)
    Мужского пола, альбумин < 3.5, наличие цирроз печени и функции печени тома > 2000 были удалены.
    ПациентВозраст > 60Гепатит C настоящегозначит печени повышение > 50qEASL ответчика
    10011
    21001
    30100
  3. Удаление компонентов с низким одномерных ассоциация с результатами. Фильтр только те функции, которые прошли 4.2. Сохранить ceil функций (журнал2(N)), где N — это число больных. Ceil (журнал2(3)) = 2.

    Импорт математике
    импортировать из sklearn.feature_selection SelectKBest
    импортировать из sklearn.feature_selection Чи 2

    # Читать в матрице двоичного как 4.2.1
    ...

    # Вычисления функции Топ ceil(log2(N)) одномерных ассоциацией.
    k = math.ceil(log2(length(y)))
    модель = SelectKBest (Чи 2, k = k)
    X_new = model.fit_transform (X, y)

    Функцию > 60 лет мужского пола был удален из оставшихся функций от 4.2.1.
ПациентГепатит C настоящегозначит печени повышение > 50qEASL ответчика
1011
2001
3100

5. Модель обучения и тестирования

Шаг 5 дополнительных материалов для примеров кода см.

  1. Поезд с использованием двоичных функции матрица от 4.3 модели логистической регрессии.
    Импорт математике
    импортировать из sklearn.linear_model LogisticRegression

    # Читать в матрице двоичного в 4.2 и 4.3.
    ...

    # Для каждого пациента обучить модель на всех других пациентов.
    Оценка = 0.0
    модели =]
    для пациента в len(X):
    # Обучить модель на все, но один из пациентов.
    train_x = np.array ([_ для i, _ в enumerate(X) если i! = пациента])
    train_y = np.array ([_ для i, _ в enumerate(y) если i! = пациента])
    модель = LogisticRegression(C=1e15)
    Model.Fit (train_x, train_y)

    # Тест на левой из пациента.
    y_prediction = model.predict(X[patient])
    Если y_prediction == y [пациент]:
    Оценка += 1
    Models.append(Model)
  2. Поезд модель случайных леса с использованием двоичных функции матрица от 4.2.2. Шаги идентичны 5.2.1, за исключением экземпляра модели должны быть обновлены следующим образом:
    импортировать из sklearn.ensemble RandomForestClassifier
    ...
    модель = RandomForestClassifier(n_estimators=100)
    ...
  3. Распечатать Оценка / лен (X) для 5.1 и 5.2. Это представляет собой средняя точность всех моделей логистической регрессии и все модели случайных лесных, соответственно. Все модели N должны применяться к новым пациентам с средняя классификации, как результат прогноза

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Результаты

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Предложенный метод был применен к 36 пациенты, перенесшие транс артериальная Лечение гепатоцеллюлярной карциномы. Были определены особенности двадцать пять и binarized используя шаги 1-5. Пять компонентов удовлетворяющие дисперсии и одномерных ассоциации фильтры (см. шаги 5.1 и 5.2) и были использованы для обучения модели. Каждый пациент был обозначен как ответчик или не ответчика, под критериями ответ qEASL. Матрица функций был таким образом массив 36 x 5, в то время как вектор этикетки ...

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Обсуждение

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Пациентов с гепатоцеллюлярной карциномы, которые не являются кандидатами для хирургической резекции предлагаются внутри артериальной терапии. Некоторые методы существуют, чтобы определить, если пациент будет отвечать pre-лечение. Методы оценки после лечения зависят от изменения размера опухоли или опухоль контраст поглощения. Они называются ответ критериев, причем наиболее точных количественных Европейской ассоциации по изучению печени (qEASL) критерий. qEASL опирается на оба объемные и повышение изменения после...

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Раскрытие информации

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

А.а. работает как программное обеспечение консультации для здоровья верности, Inc., которая использует аналогичные машины, обучения методам на клинические примечания для оптимизации возмещения медицинских расходов.

J.F.G. получает персональный сборы от Guerbet здравоохранения, BTG, порог Фармацевтика (Сан-Франциско, Калифорния), Бостонский научная и Terumo (Элктон, Мэриленд); и есть платные консультации для предвидения Labs (Вестпорт, Коннектикут).

Ни одна из другие авторы определили конфликт интересов.

Благодарности

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

А.а. получил финансовую поддержку от управления студенческих исследований, Йельской школы медицины.

L.J.S. получает субсидии от национальных институтов здоровья (NIH/NCI R01CA206180), Леопольдина докторантура стипендий и Фондом Гюнтер W. Рольф радиационной наук (Аахен, Германия).

Ж.к. получает субсидии от национальных институтов здоровья (NIH/NCI R01CA206180), Philips Healthcare и немецко-израильский фонд для научных исследований и разработок (Иерусалим, Израиль и Neuherberg, Германия); и стипендии от Фонда Гюнтер W. Рольф радиационной наук и Шарите Берлин институт здравоохранения клинической ученый программа (Берлин, Германия).

Дж.С.Д. и м.л. получать гранты от национальных институтов здоровья (NIH/NCI R01CA206180) и Philips Healthcare (лучший, Нидерланды).

J.F.G. получает субсидии от национальных институтов здоровья (NIH/NCI R01CA206180), Philips Healthcare, BTG (Лондон, Соединенное Королевство), Бостонский научная (Мальборо, Массачусетс) и Guerbet Healthcare (Вильпент, Франция)

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Материалы

Список материалов, использованных в этой статье
ИмяКомпанияКаталожный номерКомментарии
Компьютерная рабочая станциян/дн/дIntel Core 2 Duo или выше с тактовой частотой 2,0 ГГц; 4 ГБ или более системной памяти; POSIX-совместимая операционная система (Linux или Mac OS) или Microsoft Windows 7; Права пользователей на выполнение программ и сохранение файлов
Anaconda Python 3Anaconda, Inc.Версия 3.6Система Python 3 и библиотеки упакованы для ученых и исследователей
DICOM to NIfTINeuroImaging Tools & Ресурсы CollaboratoryВерсия 1.0 (выпуск 04.04.2018)Автономная программа для конвертации файлов изображений DICOM в формат NIfTI
Sublime Text EditorSublime HQ Pty LtdVersion 3 (Build 3143)Текстовый редактор для написания кода на Python
Required Python LibrariesN/AVersion 3.2.25 (nltk)
Version 0.19.1 (scikit-learn)		Natural Language Toolkit (nltk)
Scikit-learn
ITK-SNAPN/AVersion 3.6.0Дополнительный набор инструментов для выполнения сегментации систем органов на медицинских изображениях.

Ссылки

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Benson, A., et al. NCCN clinical practice guidelines in oncology: hepatobiliary cancers. J National Comprehensive Cancer Network. 7 (4), 350-391 (2009).
  2. Siegel, R., Miller, K., Jemal, A. Cancer statistics, 2016. CA Cancer J Clin. 66 (1), 7-30 (2016).
  3. Bruix, J., et al. Clinical management of hepatocellular carcinoma. Conclusions of the Barcelona-2000 European Association for the Study of the Liver conference. Journal of Hepatology. 35 (3), 421-430 (2001).
  4. Eisenhauer, E., et al. New response evaluation criteria in solid tumours: revised RECIST guideline (version 1.1). European Journal of Cancer. 45 (2), 228-247 (2009).
  5. Gillmore, R., et al. EASL and mRECIST responses are independent prognostic factors for survival in hepatocellular cancer patients treated with transarterial embolization. Journal of Hepatology. 55 (6), 1309-1316 (2011).
  6. Lin, M., et al. Quantitative and volumetric European Association for the Study of the Liver and Response Evaluation Criteria in Solid Tumors measurements: feasibility of a semiautomated software method to assess tumor response after transcatheter arterial chemoembolization. Journal of Vascular and Interventional Radiology. 23 (12), 1629-1637 (2012).
  7. Tacher, V., et al. Comparison of Existing Response Criteria in Patients with Hepatocellular Carcinoma Treated with Transarterial Chemoembolization Using a 3D Quantitative Approach. Radiology. 278 (1), 275-284 (2016).
  8. Pedregosa, F., et al. Scikit-learn: Machine Learning in Python. Journal of Machine Learning Research. 12, 2825-2830 (2011).
  9. Bishop, C. Pattern recognition and machine learning. , Springer. New York. 738(2006).
  10. Alpaydin, E. Introduction to machine learning. Third edition. , The MIT Press. Cambridge, Massachusetts. 613(2014).
  11. Kim, S., Cho, K., Oh, S. Development of machine learning models for diagnosis of glaucoma. PLoS One. 12 (5), (2017).
  12. Son, Y., Kim, H., Kim, E., Choi, S., Lee, S. Application of support vector machine for prediction of medication adherence in heart failure patients. Healthcare Informatics Research. 16 (4), 253-259 (2010).
  13. Wang, S., Summers, R. Machine learning and radiology. Medical Image Analysis. 16 (5), 933-951 (2012).
  14. Abajian, A., et al. Predicting Treatment Response to Intra-arterial Therapies for Hepatocellular Carcinoma with the Use of Supervised Machine Learning-An Artificial Intelligence Concept. Journal of Vascular and Interventional Radiology. , (2018).

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Перепечатки и разрешения

Запросить разрешение на повторное использование текста или иллюстраций этой статьи JoVE

Запросить разрешение

Теги

Похожие статьи