Алгоритмы машинного обучения для раннего обнаружения метастазов костей в экспериментальной модели крыс
16 августа 2020 г.
Этот протокол был разработан для обучения алгоритма машинного обучения для использования комбинации параметров визуализации, полученных из магнитно-резонансной томографии (МРТ) и позитронно-эмиссионной томографии/компьютерной томографии (ПЭТ/КТ) в крысиной модели метастазов в кости рака молочной железы для выявления ранних метастатических заболеваний и прогнозирования последующего прогрессирования макрометастазы.
Этот протокол облегчает разработку алгоритма машинного обучения для прогнозирования роста метастазов костей в экспериментальной модели на стадии ранней колонизации органов. Основным преимуществом этого метода является то, что он сочетает в себе несколько параметров изображения в алгоритм машинного обучения, который значительно превосходит производственные возможности каждого отдельного параметра. Хотя, этот протокол направлен на раннюю диагностику метастазов в кости, он может быть адаптирован к различным органам или областям мультимодальных и мультипараметрических исследований изображений.
10 дней после операции и инъекции в DICOM зрителя с плагином DCE. Выберите импорт для загрузки последовательности DCE в 4D режиме и выберите папку DICOM, содержащую изображения МРТ. Поместите круговой 1,5 квадратных миллиметра в мерную область интереса в проксимальной трибиальной шахте костного мозга правой задней ноги в пределах четвертого или пятого изображения МРТ и выберите относительное повышение типа участка.
Введите базовый диапазон от точек времени, от одного до пяти в соответствующих областях и экспортировать анализ как точка TXT файл под названием DCE сырой точкой TXT. Откройте RStudio и загрузите предоставленный DCE скрипт точка R файл. Выберите код, запустите область и запустите все, чтобы запустить весь скрипт и скопировать выход в файл шаблона предоставленных функций изображения.
В DICOM зрителя, место второй области интереса в задней мышцы животного и повторить DCE измерений, как попродемонстрировано. В электронной таблице функции изображения соответствующие измерения костей будут автоматически разделены соответствующими измерениями мышц для нормализации данных. Для анализа изображений ПЭТ/КТ откройте программное обеспечение для анализа ПЭТ/КТ и импортируйте изображения ПЭТ/КТ.
Нажмите общий анализ и выберите область количественной оценки, создайте и создайте область интереса из шаблона. Поместите четыре на шесть миллиметров, к мерной области интереса в костном мозге проксимального трибиального вала правой задней ноги и выберите области интереса целевой одной накладки. Обратите внимание на среднее, минимальное и максимальное значение беккерелей на миллилитр.
Затем разделите максимальное значение на впрыскиваемую активность и умножьте результат на вес животного в граммах, чтобы рассчитать стандартизированное значение поглощения. Диагностировать темпы роста опухоли в инъекционной задней ноге. После получения МРТ и ПЭТ/КТ изображений на 30-й день после инъекций проанализируйте изображения, как это было продемонстрировано, и добавьте колонку опухоли в электронную таблицу функций изображения.
Затем введите один или ноль для животных с метастазами или без видимого бремени опухоли соответственно. Чтобы определить наиболее релевантные функции для прогнозирования будущего роста опухоли, импортируем электронную таблицу в набор инструментов машинного обучения и анализа данных с открытым исходным кодом. Перетащите подпрограмму файла из меню данных в рабочее пространство и дважды щелкните файл.
Нажмите значок папки, чтобы загрузить электронную таблицу и выбрать электронную таблицу функций изображения. Выберите экспортный лист и назначьте целевой атрибут переменной опухоли. Назначьте функцию пропуска номеру животного.
Перетащите рядовые подпрограммы в рабочее пространство и нарисуйте линию для подключения к файлу и ранга подпрограмм. Затем дважды щелкните, чтобы открыть подпрограмму ранга и выбрать алгоритм получения информации. Для анализа машинного обучения откройте RStudio 3.4.1 и загрузите предоставленный модель поезда R скрипт.
Выберите строки от трех до шести в скрипте для загрузки необходимых библиотек. Нажмите код, чтобы запустить выбранный код и нажмите вы запустите выбранные строки для запуска выбранных строк. Чтобы обучить средний показатель модели алгоритму нейронной сети, выберите линии 8-39 из сценария модели поезда R и нажмите код и запустите выбранные строки.
Затем, чтобы оценить стандартные параметры диагностической точности, выберите строки от 41 до 50 из сценария модели поезда R и нажмите код и запустите выбранные строки. На 10-й день после операции и инъекции раковых клеток можно получить изображения МРТ и ПЭТ/КТ. Анализ DCE позволяет измерять области мышечной и костной ткани, представляющие интерес.
Эти значения могут быть нормализованы путем деления измерения костей на измерения мышц. На 30-й день после инъекций, все животные оцениваются, чтобы определить, разработали ли они metasticies с одним указанием положительное бремя опухоли и ноль, указывающий здоровых животных без видимых опухолей. Запуск модели поезда R скрипт позволяет оптимальной комбинации гипер параметров, которые будут определены и окончательная модель будет рассчитана с использованием оптимальной комбинации гипер параметров.
Эти данные позволяют вычислить набор стандартных диагностических параметров и вычислить операционную кривую модели приемника. Например, в этом анализе 28 образцов модель выполняет значительно лучше, чем все три ее составляющих. Несколько алгоритмов машинного обучения, как правило, работают лучше, когда входные данные нормализуются.
В этом протоколе нормализация достигается с помощью функции Box Cox. Этот протокол использует среднее значение модели во время сети в качестве алгоритма машинного обучения. Однако предоставленная структура может быть легко адаптирована к другим алгоритмам, таким как случайные леса или машины поддержки векторов.
Извлечение численной информации из изображения материала стало необходимым. Такие алгоритмы могут способствовать интеграции больших объемов данных для стратификации пациентов.
Просмотрите полный транскрипт и получите доступ к тысячам научных видео
Обзор
Данный протокол способствует разработке алгоритма машинного обучения для прогнозирования роста костных метастазов в экспериментальной модели на стадии ранней колонизации органов. Метод объединяет несколько параметров визуализации в алгоритм машинного обучения, который значительно превосходит по прогностической способности каждый отдельный параметр.
Основные компоненты исследования
Область науки
- Нейробиология
- Онкология
- Машинное обучение
Теоретическое обоснование
- Ранняя диагностика метастазов имеет решающее значение для эффективного лечения.
- Метастазы в костях создают особые трудности при визуализации и диагностике.
- Комбинирование различных методов визуализации может расширить возможности обнаружения.
- Данный протокол может быть адаптирован для исследования различных органов или областей в рамках мультимодальной визуализации.
Цель исследования
- Обучение алгоритма машинного обучения для раннего выявления метастатического заболевания.
- Прогнозирование прогрессирования до макрометастазов на модели крысы.
- Повышение точности диагностики за счет использования комбинированных параметров визуализации.
Используемые методы
- Использование параметров МРТ и ПЭТ/КТ визуализации.
- Применение методов машинного обучения для анализа данных визуализации.
- Внедрение DICOM-просмотрщика с плагином DCE для анализа изображений.
- Выбор областей интереса в костном мозге для улучшенной визуализации.
Основные результаты
- Алгоритм машинного обучения продемонстрировал улучшенную прогностическую способность.
- Раннее обнаружение метастазов было достигнуто с более высокой точностью.
- Результаты указывают на возможность адаптации метода для других органов.
- Данный протокол является перспективным для дальнейших исследований в области мультимодальной визуализации.
Выводы
- Данный протокол предлагает новый подход к ранней диагностике метастазов в костях.
- Сочетание различных методов визуализации повышает эффективность обнаружения и прогнозирования.
- В будущем данные методы могут быть применены для исследования различных систем органов.
Часто задаваемые вопросы
Практическая значимость для промышленности
Раннее обнаружение метастазов в костях остается критически важной проблемой при разработке онкологических препаратов, так как современные методы визуализации часто не позволяют выявить микрометастатические очаги на этапе доклинического стадирования. Данный подход на основе машинного обучения интегрирует признаки мультимодальной визуализации для повышения точности прогнозирования прогрессирования метастазов, что позволяет обеспечить более раннее вмешательство и оптимизировать выбор моделей в доклинических исследованиях. Выявляя животных, у которых с высокой вероятностью разовьются метастазы еще до их обнаружения стандартными методами визуализации, данный метод способствует снижению механистических рисков и повышает достоверность результатов валидации мишеней.
Стратегическое применение в биофармацевтических исследованиях и разработках
Первичный поиск и валидация мишени
- Научная ценность: позволяет проверять терапевтические гипотезы путем прогнозирования метастатического исхода на основе ранних визуализационных биомаркеров.
- Операционная ценность: способствует снижению биологических рисков за счет стратификации моделей на основе прогнозируемого метастатического потенциала.
- Прогностическая ценность: повышает уверенность в выборе мишени путем идентификации моделей с наибольшей вероятностью прогрессирования до макрометастазов.
Скрининг и разработка анализа
- Готовность анализа: Подготовка валидированных признаков на основе визуализации для стандартизированного скрининга соединений в моделях метастазирования.
- Количественные выходные данные: Генерация нормализованных показателей МРТ и ПЭТ/КТ, подходящих для высокопроизводительного извлечения признаков.
- Масштабируемость: Структура адаптируется к неограниченному количеству признаков и различным алгоритмам машинного обучения для оптимизации анализа.
Трансляционные и доклинические исследования
- Значимость для изучения заболеваний: Использование специфичной по месту введения модели костных метастазов рака молочной железы у крыс с определенным уровнем приживаемости опухоли.
- Трансляционная преемственность: Связь ранних биомаркеров визуализации с исходами макрометастазирования, подтвержденными данными МРТ/ПЭТ/КТ на 30-й день.
- Решения с учетом рисков: Возможность приоритизации соединений на основе прогнозируемого подавления метастазирования в моделях высокого риска.
Интеграция конвейера и рабочего процесса
Данный метод вписывается в континуум исследований — от ранней валидации мишени и идентификации ведущих соединений до доклинических испытаний эффективности, особенно в моделях метастазов в кости, где раннее прогнозирование определяет дизайн исследования.
- Открытия в биологии: Обеспечивает проверку гипотез путем классификации животных на группы с метастазами и без них на основе характеристик ранней визуализации.
- Скрининг: Позволяет стандартизировать анализ за счет нормализованного извлечения признаков из данных DCE-MRI и показателей SUV-PET/CT.
- Аналитика: Предоставляет метрики диагностической точности, включая чувствительность, специфичность и ROC-анализ для оценки модели.
- Трансляционные исследования: Устанавливает связь между сигналами ранней колонизации органов и стадией макрометастатического заболевания в клинически значимой модели.
- Корпоративное использование: Методология может быть адаптирована для исследований в области онкологии, инфекций и воспалений с использованием мультимодальной визуализации.
Операционное и корпоративное воздействие
- Научная ценность: Повышает прогностическую достоверность моделей метастазирования, превосходя по эффективности отдельные параметры визуализации.
- Операционная ценность: Стандартизирует извлечение признаков и нормализацию для различных модальностей визуализации для получения воспроизводимых результатов.
- Стратегическая ценность: Оптимизирует принятие решений о продолжении или прекращении исследований (go/no-go) за счет раннего выявления не прогрессирующих моделей, что сокращает потерю ресурсов.
- Влияние на портфель: Обеспечивает продвижение с учетом рисков, позволяя сосредоточиться на соединениях, эффективных в моделях метастазирования с высоким риском.
Особенности реализации
- Требуется опыт в анализе изображений МРТ/ПЭТ/КТ и извлечении признаков с использованием инструментов DICOM.
- Необходимы RStudio и инструментарии машинного обучения (ML) для обучения моделей, валидации и расчета диагностических показателей.
- Требуется стандартизация размещения областей интереса (ROI) и процедур нормализации (например, соотношение кости к мышце, преобразование Бокса-Кокса).
- Необходимо учитывать аспекты адаптации при применении данной системы к различным органам или протоколам визуализации.
- Ограничено необходимостью проведения лонгитюдной визуализации в определенные временные точки (10-й и 30-й дни) на модели крыс.
Часто задаваемые вопросы по биофармацевтике
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
