Прогнозирование лечение реакции изображений руководствуясь терапии с использованием машинного обучения: пример для транс артериальная Лечение гепатоцеллюлярной карциномы
10 октября 2018 г.
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.
Этот метод может помочь предсказать реакцию на внутритерильную терапию. Применение машинного обучения в интервенционной онкологии изменит то, как мы лечим рак печени и другие заболевания с помощью методов лечения с помощью изображений. Этот метод может улучшить способ принятия двух важных решений.
Как правило, люди, новые для этого метода будет бороться из-за необходимости создания функций и для выполнения машинного обучения и кода. Визуальная демонстрация этого метода имеет решающее значение, поскольку шаги генерации объектов предполагают извлечение этих функций с помощью масок для визуализации. Для обучения модели необходим хорошо аннотированный и клинически репрезентативный набор данных.
Для дальнейшего совершенствования такого алгоритма машинного обучения потребуется больше данных о пациентах и больших когортах. После принятия решения, какие клинические особенности включить в модель, использовать соответствующий набор инструментов естественного языка, чтобы разобрать простой текст клиники отмечает в предложения, чтобы позволить поиск условий, представляющих интерес. Затем храните функции каждого пациента в файле с одной функцией на строку.
Для небинарных функций, получить среднее значение каждой функции для всех пациентов, и binarize каждой функции в качестве истинного или ложного значения на основе медианного значения. Чтобы вычислить среднее улучшение функции печени из медицинского изображения. После изоляции вокселей, содержащих печень, введите среднее увеличение печени команды.
Чтобы определить функцию объема печени, введите команды, как указано. Затем вычислите средние значения для каждой функции изображения и binarize функции, как попродемонстрировано. Для агрегирования и уменьшения функций сначала удалите функции низкой дисперсии из рассмотрения и прочитайте функции в двоичной матрице.
Далее используйте модель порога дисперсии для вычисления функций, появляющихся по крайней мере в 20% респондентов и неответчиков, подобно тому, что показано в таблице. Удалить любые функции с низкой ассоциацией univariate с результатом и фильтровать только те функции, которые проходят оригинальный низкий вариант скрининга сохраняя n особенности, где является число пациентов. Затем прочитайте в двоичной матрице для каждой функции, аналогичной тому, что показано в таблице.
После того, как функции были binarized и фильтруется, пришло время для обучения модели. Модель обучения является простым процессом, который соответствует особенностям результатов исследования и могут быть использованы для прогнозирования новых пациентов. В этом репрезентативном анализе 36 пациентов, которые прошли транс-артериальной терапии гепатоцеллюлярной карциномы, 25 особенностей были определены и binarized как попродемонстрировано с 5 функций, удовлетворяющих как варианты и унивариат ассоциации фильтров.
Каждый пациент был помечен как ответчик или неответчик в рамках количественной Европейской ассоциации по изучению критериев реакции печени. Как показано на примере, как логистическая регрессия, так и случайные лесные модели предсказывали реакцию лечения транстери артериализации с общей точностью 78%После этого метода, можно делать прогнозы на новых пациентов, применяя модель обучения. Этот метод машинного обучения может быть универсально применен к любой терапии, которая включает в себя предпрокусную, межпрокукуюсную и постпрокупоциальную визуализацию.
Просмотрите полный транскрипт и получите доступ к тысячам научных видео
Обзор
В данной статье рассматривается метод прогнозирования ответа на интраартериальную терапию у пациентов с гепатоцеллюлярной карциномой. Используя клинические, демографические и данные визуализации, полученные до процедуры, можно обучить модели машинного обучения предсказывать результаты лечения.
Основные компоненты исследования
Область науки
- Интервенционная онкология
- Применение машинного обучения
- Лечение гепатоцеллюлярной карциномы
Теоретические сведения
- Интраартериальная терапия является стандартом для пациентов, которым противопоказано хирургическое вмешательство.
- Прогнозирование ответа на лечение может улучшить процесс принятия клинических решений.
- Генерация признаков на основе данных визуализации имеет решающее значение для обучения модели.
- Для обеспечения эффективности работы модели необходим клинически репрезентативный набор данных.
Цель исследования
- Для улучшения прогнозирования ответа пациентов на интраартериальную терапию.
- Для содействия принятию более обоснованных клинических решений при лечении рака печени.
- Для демонстрации важности машинного обучения в интервенционной онкологии.
Используемые методы
- Сбор предварительных данных (клинических, демографических, данных визуализации).
- Обучение модели машинного обучения для прогнозирования ответа.
- Извлечение признаков с использованием масок визуализации.
- Использование хорошо аннотированного набора данных для обеспечения точности модели.
Основные результаты
- Предложенный метод является перспективным для прогнозирования результатов лечения.
- Машинное обучение может преобразовать подход к терапии рака печени.
- Визуальные демонстрации необходимы для понимания процесса генерации признаков.
- Для новичков при внедрении этого метода существуют определенные сложности.
Выводы
- Данный метод обладает потенциалом для улучшения стратегий лечения рака печени.
- Применение машинного обучения может оказать значительное влияние на интервенционную онкологию.
- Необходимы дальнейшие исследования и разработки для совершенствования этих прогностических моделей.
Часто задаваемые вопросы
Практическая значимость для отрасли
Прогнозирование ответа на терапию до начала вмешательства решает критическую задачу в разработке онкологических препаратов: снижение количества неудач на поздних стадиях клинических исследований из-за недостаточной эффективности. Позволяя проводить стратификацию пациентов на основе данных и принимать решения о продолжении или прекращении разработки (go/no-go), данный фреймворк машинного обучения способствует механистическому снижению рисков и повышает прогностическую уверенность на ранних этапах поиска. Применимость этого метода к терапии под контролем визуализации расширяет его значимость для различных модальностей в онкологии, улучшая приоритезацию портфеля проектов с учетом рисков.
Стратегические применения в исследованиях и разработках биофармацевтики
Первичный поиск и валидация мишени
- Научная ценность: Способствует проверке терапевтических гипотез путем установления связи между исходными характеристиками и ответом на лечение, что позволяет определить подгруппы пациентов, которые с наибольшей вероятностью получат пользу от терапии.
- Операционная ценность: Обеспечивает функциональную валидацию мишеней посредством ретроспективного анализа клинических результатов и данных визуализации, что снижает неопределенность механизмов действия на ранних этапах программ.
- Прогностическая ценность: Оптимизирует сортировку портфеля проектов за счет раннего выявления лиц, не отвечающих на терапию, что позволяет перераспределить ресурсы на показания с более высокой вероятностью успеха.
Скрининг и разработка анализа
- Научная ценность: Подготовка валидированных биологических и клинических систем для последующих рабочих процессов путем установления воспроизводимых взаимосвязей между признаком и ответом.
- Операционная ценность: Содействие стандартизации и масштабируемости анализа за счет бинаризированного извлечения признаков и протоколов перекрестной проверки.
- Готовность к скринингу: Получение количественных данных (например, точности прогнозирования, значимости признаков), которые позволяют проводить надежную оценку соединений или вмешательств в доклинических моделях.
Трансляционные и доклинические исследования
- Трансляционная непрерывность: обеспечивает связь между этапом идентификации признаков при поиске и доклинической валидацией, используя биомаркеры клинического происхождения для обучения моделей.
- Прогресс с учетом рисков: поддерживает принятие решений о продолжении или прекращении исследований (go/no-go) путем количественной оценки достоверности прогнозов, что снижает биологические риски перед проведением дорогостоящих доклинических исследований.
- Механистическое снижение рисков: делает акцент на прогностической значимости, а не только на механизме действия, что соответствует стратегиям использования трансляционных биомаркеров в онкологических разработках.
Интеграция конвейеров и рабочих процессов
Данный метод вписывается в континуум открытий — от валидации мишени и идентификации ведущего соединения до доклинических испытаний эффективности, особенно для онкологических методов лечения, предполагающих доставку под визуальным контролем.
- Открытия в биологии: способствует проверке гипотез путем определения того, какие исходные клинические и визуализационные признаки коррелируют с ответом на лечение, что позволяет уточнить критерии отбора пациентов.
- Скрининг: обеспечивает готовность анализа за счет стандартизированного извлечения и бинаризации признаков, что повышает воспроизводимость в различных центрах и моделях.
- Аналитика: предоставляет количественные результаты, такие как точность прогнозирования (78% в данном исследовании) и метрики отбора признаков, что позволяет объективно сравнивать условия вмешательства.
- Трансляционные исследования: обеспечивает преемственность с доклиническими исследованиями за счет использования меток ответа, основанных на установленных критериях (например, EASL), для согласования результатов модели с клинически значимыми конечными точками.
- Корпоративное повторное использование: представляет подход к инженерии признаков и усреднению моделей как многократно используемую возможность, применимую для различных показаний и методов терапии под контролем визуализации, помимо гепатоцеллюлярной карциномы.
Операционное и корпоративное воздействие
- Научная ценность: Повышает точность прогнозирования при валидации мишеней за счет снижения зависимости от отдельных данных об ответах и внедрения стратификации пациентов на основе данных.
- Операционная ценность: Повышает воспроизводимость и масштабируемость за счет стандартизированного извлечения признаков, бинаризации и перекрестной проверки по методу исключения одного объекта.
- Стратегическая ценность: Повышает качество принятия решений о продолжении или прекращении разработки (go/no-go), что ведет к более эффективному использованию капитала и снижению биологических рисков на поздних стадиях в онкологических портфелях.
- Влияние на портфель: Обеспечивает приоритизацию с поправкой на риск путем выявления показаний или подгрупп с более высокой прогнозируемой вероятностью ответа, что способствует более обоснованному принятию решений о продвижении препаратов.
Особенности реализации
- Требуются экспертные знания в области курирования клинических данных, проектирования признаков, а также обучения и валидации моделей машинного обучения.
- Зависит от доступа к хорошо аннотированным, клинически репрезентативным наборам данных с сопоставленными данными визуализации, демографическими данными и данными об исходах.
- Необходима межкомандная стандартизация определений признаков и порогов бинаризации для обеспечения обобщающей способности модели.
- Предполагает необходимость адаптации при применении данного фреймворка к различным модельным системам или модальностям визуализации.
- Ограничено трудозатратами на ручное извлечение признаков из изображений и клинических записей, что может ограничить масштабируемость без использования автоматизации.
