Summary
العلاج داخل الشرايين هي معيار الرعاية للمرضى المصابين بسرطانه الخلية الكبدية الذين لا يمكن الخضوع للاستئصال الجراحي. ويقترح طريقة للتنبؤ بالاستجابة لهذه العلاجات. يستخدم التقنية المعلومات الإجرائية قبل السريرية والديموغرافية، والتصوير لتدريب نماذج التعلم آلة قادرة على التنبؤ باستجابة قبل المعالجة.
Abstract
العلاج داخل الشرايين هي معيار الرعاية للمرضى المصابين بسرطانه الخلية الكبدية الذين لا يمكن الخضوع للاستئصال الجراحي. وكان الهدف من هذه الدراسة لتطوير طريقة للتنبؤ باستجابة للعلاج داخل الشرايين قبل التدخل.
الأسلوب الذي يوفر إطارا عاماً للتنبؤ بنتائج قبل العلاج داخل الشرايين. أنها تنطوي على تجميع البيانات السريرية والديموغرافية والتصوير عبر مجموعة مرضى واستخدام هذه البيانات لتدريب نموذج تعلم آلة. يتم تطبيق نموذج تدريب للمرضى الجدد بغية التنبؤ باحتمال استجابة للعلاج داخل الشرايين.
الأسلوب الذي ينطوي على اقتناء وتحليل البيانات السريرية والديموغرافية والتصوير من ن المرضى الذين خضعوا للعلاج الشرياني عبر الفعل. هذه البيانات يتم تحليل السمات المنفصلة (العمر، الجنس، تليف الكبد، ودرجة تعزيز الورم، و ما إلى ذلك) وبيناريزيد إلى القيم true/false (مثلاً العمر على مدى 60، الجنس، تعزيز الورم يتجاوز عتبة مجموعة، إلخ). تتم إزالة الميزات منخفضة-الفرق والميزات مع رابطات وحيد المتغير المنخفض مع النتائج. تتم تسمية كل مريض المعالجة وفقا لما إذا كانت استجابت أو لم تستجب للعلاج. وهكذا يمثل كل مريض التدريب مجموعة من ميزات ثنائي وتسمية نتائج. ويتم تدريب نماذج التعلم آلة استخدام N -1 المرضى المصابين بالفحص على المريض من اليسار. يتم تكرار هذه العملية لكل من المرضى N . يتم حساب متوسط نماذج ن التوصل إلى نموذج نهائي.
التقنية قابلة للتوسعة، ويمكن إدراج ميزات إضافية في المستقبل. كما أنها عملية التعميم التي يمكن تطبيقها على أسئلة البحث السريري خارج الأشعة التداخلية. القيد الرئيسي هو الحاجة إلى استخلاص السمات يدوياً من كل مريض. نموذج شعبية حديثة للتعلم آلة تسمى العميق التعلم لا يعانون من هذا القيد، لكنها تتطلب مجموعات البيانات الكبيرة.
Introduction
وتقدم المرضى المصابين بسرطانه الخلية الكبدية الذين ليسوا مرشحين الجراحية العلاج داخل الشرياني1،،من23. لا يوجد أي متري واحد أن يحدد ما إذا كان مريض سيستجيب لعلاج داخل الشرايين قبل أن تتولى العلاج. وكان الهدف من هذه الدراسة لبيان أسلوب الذي تتوقع الاستجابة للمعالجة بتطبيق أساليب من آلة التعلم. هذه النماذج توفر التوجيه للممارسين والمرضى عند اختيار ما إذا كنت تريد المتابعة مع علاج.
البروتوكول يستلزم عملية استنساخه لتدريب وتحديث نموذج بدءاً من بيانات المريض الأساسية (الملاحظات السريرية والديموغرافية والبيانات المختبرية والتصوير). في البداية يتم تحليل البيانات لميزات معينة، مع كل مريض ممثلة بمجموعة من الميزات ثنائي وتسمية هدف نتائج ثنائي. تحدد التسمية نتائج باستخدام معيار استجابة المنشأة على أساس تصوير كبدية العلاج4،5،،من67. الميزات والتسميات الهدف يتم تمريرها إلى برامج تعلم آلة أن يتعلم التعيين بين الميزات ونتائج في إطار محدد التعلم نموذج (الانحدار اللوجستي أو الغابات العشوائية)8،،من910. جرى تطبيق تقنيات مماثلة في الأشعة ومجالات أخرى لأبحاث السرطان للتشخيص والعلاج التنبؤ11،،من1213.
الطريقة تكيف التقنيات من علوم الكمبيوتر إلى مجال الأشعة التداخلية. الدراسات أهمية التقليدية في الأشعة التداخلية، والطب بشكل عام، تعتمد على تحليلات ميزة أحادية أو اليغو. على سبيل المثال، يتضمن نموذجا لنهاية مرحلة "مرض الكبد" خمسة مقاييس السريرية لتقييم مدى انتشار مرض الكبد. الاستفادة الطريقة المقترحة هو القدرة على إضافة ميزات تحرر؛ وتعتبر ميزات خمسة وعشرون في تحليل المثال. ويمكن إضافة ميزات إضافية حسب المطلوب.
يمكن تطبيق التقنية للتدخلات الشعاعية الأخرى التي تتوفر فيها بيانات التصوير قبل وبعد التدخل. على سبيل المثال، يمكن التنبؤ بالنتائج بعد العلاج عن طريق الجلد بطريقة مماثلة. القيد الرئيسي من الدراسة هو الحاجة إلى ميزات كاهن اليدوي لإدراجها في النموذج. استخراج البيانات curation وميزة تستغرق وقتاً طويلاً للممارسين وقد تعوق اعتماد السريرية للجهاز مثل نماذج التعلم.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
1. إعداد محطة العمل للتعلم آلة
- استخدام نظام بما يلي:
إنتل كور 2 ديو أو أعلى وحدة المعالجة المركزية سرعة 2.0 جيجاهرتز
4 غيغابايت أو أكثر من ذاكرة النظام
متوافقة مع POSIX نظام التشغيل (لينكس أو نظام التشغيل Mac OS) أو Microsoft Windows 7
أذونات المستخدم من أجل تنفيذ البرامج وحفظ الملفات - تثبيت الأدوات التالية:
Python3 أناكوندا: https://www.anaconda.com/download
DICOM لتحويل نيفتي (dcm2niix)-https://github.com/rordenlab/dcm2niix
محرر نصوص سامية: https://www.sublimetext.com/
itk-الأدوات الإضافية (اختيارية): http://www.itksnap.org- تثبيت Python3 أناكوندا، dcm2nii ونص سامية، قم بزيارة مواقعها على شبكة الإنترنت الخاصة بكل منها لخطوات التثبيت المحددة في نظام التشغيل.
- إنشاء وتفعيل بيئة أناكوندا.
إنشاء كوندا-ملينف الاسم
تنشيط ملينف من كندا - قم بتثبيت حزم أناكوندا لالة التعلم.
تثبيت كوندا نومبي سسيبي سسيكيت-تعلم نيبابيل نلتك
ملاحظة: الحزمة نلتك مفيد لتحليل الملاحظات السريرية نص عادي، بينما حزمة نيبابيل يوفر وظائف مفيدة لمعالجة الصور الطبية. قد تكون مثبتة itk-المفاجئة لتجزئة الأجهزة والأورام من الصور الطبية. أنها مفيدة للسمات المعوقة لمناطق محددة.
2. استخراج ميزة من نص عادي السريرية الملاحظات والبيانات السريرية المنظمة
- قم بإنشاء دليل أصل للمشروع وقم بإنشاء مجلد لكل مريض داخل المجلد الأصل. يجب أن تشبه بنية الدليل:
المشروع/
المشروع/Patient_1/
المشروع/Patient_2/
المشروع/Patient_3/
... - الحصول على نص عادي الملاحظات السريرية من السجل الطبي الإلكتروني (إقليم شرق المتوسط). استرداد الملاحظات يدوياً عن طريق في إقليم شرق المتوسط، أو عن طريق مكتب مستشفى لتكنولوجيا المعلومات عن طريق تفريغ بيانات. تخزين الملاحظات كل مريض في المجلدات الخاصة بكل منها.
Project/Patient_1/History_and_Physical.txt
Project/Patient_1/Procedure_Note.txt- وقرر فيه المظاهر السريرية تضمينها في النموذج. تحليل نص عادي وتلاحظ عيادة لهذه الميزات. توفر مكتبة "بيثون اللغة الطبيعية مجموعة الأدوات" (نلتك) أوامر مفيدة لتقسيم الوثائق في الجمل. قد بحثت كل جملة لشروط مناسبة مثل اليرقان. تخزين ميزات كل مريض في ملف مع ميزة واحدة في كل سطر.
Project/Patient_1/Features.txt:
العمر 67
الجنس أنثى
ألبومين 3.1
لا cirrhotic
hepatitis_c لا
... - ميزات غير ثنائي، تأخذ القيمة الوسطية لكل ميزة عبر جميع المرضى. بيناريزي كل ميزة كقيمة true(1) أو false(0) على أساس القيمة الوسطية.
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
...
- وقرر فيه المظاهر السريرية تضمينها في النموذج. تحليل نص عادي وتلاحظ عيادة لهذه الميزات. توفر مكتبة "بيثون اللغة الطبيعية مجموعة الأدوات" (نلتك) أوامر مفيدة لتقسيم الوثائق في الجمل. قد بحثت كل جملة لشروط مناسبة مثل اليرقان. تخزين ميزات كل مريض في ملف مع ميزة واحدة في كل سطر.
3. استخراج ميزة من الصور الطبية
ملاحظة: راجع الخطوة 3 مواد تكميلية للحصول على أمثلة التعليمات البرمجية.
- تحميل صور DICOM الرنين المغناطيسي قبل وبعد العلاج من المستشفى الدوريات. تخزين الصور في المجلدات المريض المقابلة.
المشروع/
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 - تحويل صور DICOM الشكل نيفتي باستخدام برنامج dcm2niix. الأوامر التالية تحويل جميع.dcm الصور في المجلد المحدد. تكرار لجميع المرضى.
dcm2niix المشروع/Patient_1/
dcm2niix المشروع/Patient_2/ - تحميل كل ملف نيفتي في بيثون.
استيراد نيبابيل
الصورة = nibabel.load('Project/Patient_1/Pre_TACE_MRI_Pre-Contrast.dcm')- كانونيكاليزي التوجه لكل صورة. وهذا ما يضمن أن محاور x و y، و z متطابقة، بغض النظر عن الإله المستخدمة للحصول على الصور.
cImage = nibabel.as_closest_canonical(image)
- كانونيكاليزي التوجه لكل صورة. وهذا ما يضمن أن محاور x و y، و z متطابقة، بغض النظر عن الإله المستخدمة للحصول على الصور.
- استخدام itk-الأداة (أو حزمة برامج مماثلة) لتجزئة أقنعة الكبد وورم ثنائي لكل صورة.
Project/Patient_1/Pre_TACE_MRI_Pre-Contrast_Liver_Mask.bin
Project/Patient_1/Pre_TACE_MRI_Pre-Contrast_Tumor_Mask.bin - قراءة أقنعة الكبد وورم في بيثون. رمز أدناه يوضح كيفية تصحيح اتجاه القضايا بغية توجيه الأقنعة على طول محاور الكنسي نفسه كصور السيد.
استيراد نومبي كالتي أرستها
مع فتح (liver_mask_file، 'العادية') كواو:
liver_mask = f.read()
liver_mask = np.fromstring (liver_mask، دتيبي = 'uint8')
liver_mask = np.reshape (liver_mask، diff.shape، وترتيب = 'و')
liver_mask = liver_mask [:،::-1،:]
liver_mask [liver_mask > 0] = 1- استخدام الأقنعة الكبد وورم لعزل فوكسيلس التي تحتوي على الكبد والأورام.
كبد = np.copy(cImage)
الكبد [liver_mask < = 0] = 0
- استخدام الأقنعة الكبد وورم لعزل فوكسيلس التي تحتوي على الكبد والأورام.
- حساب ميزة يعني تعزيز الكبد.
mean_liver_enhancement = mean(liver)- حساب ميزة حجم الكبد.
بيكسديم = cImage.header['pixdim ']
وحدات = pre.header['xyzt_units ']
dx, dy, dz = pre_pixdim [1:4]
liver_volume = length(liver) * dx * dx * dz - (اختياري) حساب ميزات إضافية كما هو مطلوب.
- حساب ميزة حجم الكبد.
- تحديث ملف السمات الخاصة بالمريض مع ملامح الصورة.
Project/Patient_1/Features.txt:
العمر 67
الجنس أنثى
ألبومين 3.1
لا cirrhotic
hepatitis_c لا
pre_tace_mean_liver_enhancement 78
pre_tace_liver_volume 10000- حساب متوسط القيم لكل ميزة التصوير وبيناريزي كما هو الحال في الخطوة 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
- حساب متوسط القيم لكل ميزة التصوير وبيناريزي كما هو الحال في الخطوة 2.2.2.
4-ميزة التجميع والحد
ملاحظة: راجع الخطوة 4 مواد تكميلية للحصول على أمثلة التعليمات البرمجية.
- دمج ملفات Binary_Features.txt لكل مريض في جدول بيانات مع ميزات على المحور السيني والمرضى على المحور ص.
المريض العمر > 60 جنس الذكور ألبومين < 3.5 وجود تليف الكبد التهاب الكبد الوبائي الحالي يعني تعزيز الكبد > 50 حجم الكبد > 20000 1 0 1 1 0 0 1 0 2 1 1 1 0 0 0 0 3 0 1 1 0 1 0 0 - إضافة تسميات استجابة نتائج قياسل كالعمود الأخير.
المريض العمر > 60 جنس الذكور ألبومين < 3.5 وجود تليف الكبد التهاب الكبد الوبائي الحالي يعني تعزيز الكبد > 50 حجم الكبد > 20000 قياسل المستجيب 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 - تصدير جدول البيانات كملف المفصول.
Project/ML_Matrix.tsv:
باتينتاجي > 60 "الذكور الجنس الزلال" < 3.5 "وجود لتليف الكبد التهاب الكبد الوبائي هذا" يعني تعزيز الكبد > 50 حجم الكبد > 20000 قياسل المستجيب
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
- إضافة تسميات استجابة نتائج قياسل كالعمود الأخير.
- إزالة ميزات التباين المنخفض من النظر فيها.
استيراد نومبي كالتي أرستها
استيراد من sklearn.feature_selection فاريانسيثريشولد
# قراءة في مصفوفة ثنائية.
ميزات =]
تسميات =]
للأول ول في enumerate(sys.stdin):
إذا أنا = = 0
مواصلة
n_fs_L = L.strip().split('\t')
features.append([float(_) لمدة _ في n_fs_L[1:-1]])
labels.append(n_fs_L[-1])
X = np.array(features)
y = np.array(labels)
# حساب السمات التي تظهر في مالا يقل عن 20 في المائة من المستجيبين وغير ريسبنديرس.
نموذج = فاريانسيثريشولد (عتبة = 0.8 * (1-0.8))
X_new = model.fit_transform (X, y)
قد أزيلت الذكور، والزلال < 3.5، وجود تليف الكبد، وحجم الكبد > 2000 الميزات.المريض العمر > 60 التهاب الكبد الوبائي الحالي يعني تعزيز الكبد > 50 قياسل المستجيب 1 0 0 1 1 2 1 0 0 1 3 0 1 0 0 - إزالة ميزات مع رابطة وحيد المتغير المنخفض مع النتائج. تصفية فقط تلك الميزات التي تم تمريرها 4.2. الاحتفاظ بسيل ميزات (سجل2(ن))، حيث أن N هو عدد المرضى. سيل (سجل2(3)) = 2.
استيراد الرياضيات
استيراد من sklearn.feature_selection سيليكتكبيست
استيراد من sklearn.feature_selection chi2
# قراءة في المصفوفة الثنائية كما هو الحال في 4.2.1
...
# حساب ميزات ceil(log2(N)) العلوي برابطة وحيد المتغير.
k = math.ceil(log2(length(y)))
نموذج = سيليكتكبيست (chi2, k = k)
X_new = model.fit_transform (X, y)
تمت إزالة ميزة > 60 سن الذكور من الميزات الباقية من 4.2.1.
| المريض | التهاب الكبد الوبائي الحالي | يعني تعزيز الكبد > 50 | قياسل المستجيب |
| 1 | 0 | 1 | 1 |
| 2 | 0 | 0 | 1 |
| 3 | 1 | 0 | 0 |
5. نموذج التدريب والاختبار
راجع الخطوة 5 مواد تكميلية للحصول على أمثلة التعليمات البرمجية
- تدريب نموذج انحدار اللوجستي باستخدام مصفوفة الميزات ثنائي من 4.3.
استيراد الرياضيات
استيراد من sklearn.linear_model لوجيستيكريجريشن
# قراءة في المصفوفة الثنائية كما هو الحال في 4.2 و 4.3.
...
# لكل مريض، تدريب نموذجا على جميع المرضى الآخرين.
نقاط = 0.0
نماذج =]
للمريض في len(X):
# تدريب نموذجية في جميع ولكن أحد المرضى.
train_x = np.array ([_ لانا _ في enumerate(X) إذا كان i! = المريض])
train_y = np.array ([_ لانا _ في enumerate(y) إذا كان i! = المريض])
نموذج = LogisticRegression(C=1e15)
model.fit (train_x، train_y)
# اختبار على المريض من اليسار.
y_prediction = model.predict(X[patient])
إذا كان y_prediction = = y [المريض]:
نقاط + = 1
models.append(model) - تدريب نموذج عشوائي للغابات باستخدام المصفوفة ميزات ثنائي من 4-2-2. الخطوات مطابقة ل 5.2.1، إلا ينبغي استكمال إنشاء مثيل النموذج كما يلي:
استيراد من sklearn.ensemble راندومفوريستكلاسيفير
...
نموذج = RandomForestClassifier(n_estimators=100)
... - طباعة نقاط/len (X) ل 5.1 و 5.2. وهذا يمثل متوسط دقة جميع نماذج الانحدار اللوجستي وجميع نماذج عشوائية للغابات، على التوالي. ينبغي أن يطبق جميع ن نماذج للمرضى الجدد مع تصنيف متوسط المتخذة كنتيجة للتنبؤ
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
تم تطبيق الأسلوب المقترح إلى 36 من المرضى الذين تلقوا العلاج ترانس-الشرياني سرطانه الخلية الكبدية. تم تحديد السمات الخمس والعشرين، وبيناريزيد باستخدام الخطوات 1-5. خمس ميزات استيفاء كل الفرق ومرشحات رابطة وحيد المتغير (انظر الخطوات 5.1 و 5-2)، وكانت تستخدم للتدريب النموذجي. وقد وصفت كل مريض مستجيب أو غير مستجيب تحت معايير الاستجابة قياسل. وهكذا كان المصفوفة ميزات مجموعة 36 × 5 بينما كان ناقل تسميات الهدف 36 × 1.
الانحدار اللوجستي والمصنفات والغابات العشوائية تستخدم لتركيب نموذج. إجازة السحب واحدة عبر التحقق من صحة استخدمت لتقييم أداء النماذج الناتجة عن ذلك. وتم تدريب اثنين من نماذج إضافية باستخدام ميزات أعلى اثنين فقط (وجود تليف الكبد وما قبل-تاس الورم إشارة كثافة أكبر من 27.0). ويبين الشكل 1 أداء النماذج كما تم إضافة ميزات. الانحدار اللوجستي ونماذج عشوائية للغابات وتوقع الاستجابة للمعالجة تشيمومبوليزيشن ترانس-الشرياني بدقة الإجمالي 78% (حساسية 62.5%، خصوصية 82.1%، والقيمة التنبؤية الإيجابية 50.0%، والقيمة التنبؤية السلبية 88.5 في المائة).
الشكل 1 : أداء الجهاز تعلم الخوارزميات. (أ، ب) الانحدار اللوجستي و (ج، د) دقة المصنف العشوائي للغابات كميزات تمت إضافتها. تم إضافة ميزات بالترتيب التالي: 1) اثيوديزيد النفط، 2) سورافينيب، 3) تليف الكبد، 4) قبل-ترانسارتيريال الانصمام الكيماوي الورم النسبي إشارة كثافة > 27.0، و 5) عدد من الأورام > 2. الرقم المستخدم مع الإذن بشكل غير معدلة من دفتر يومية من الأوعية الدموية والأشعة التداخلية14. الرجاء انقر هنا لمشاهدة نسخة أكبر من هذا الرقم-
Subscription Required. Please recommend JoVE to your librarian.
Discussion
وتقدم المرضى المصابين بسرطانه الخلية الكبدية الذين ليسوا مرشحين للاستئصال الجراحي العلاج داخل الشرايين. توجد أساليب عدة لتحديد إذا كان مريض سيستجيب قبل-العلاج. تقنيات التقييم بعد العلاج تعتمد على التغييرات في حجم الورم أو الإقبال على النقيض الورم. وتسمى هذه المعايير الاستجابة، مع كونها الأكثر دقة "الكمية الرابطة الأوروبية" لدراسة الكبد (قياسل) المعيار. قياسل يعتمد على السواء الحجمي وتعزيز التغييرات بعد العلاج للتنبؤ بوجود احتمال للاستجابة. وعلى الرغم من نقاط قوة قياسل، هو مع ذلك معايير تقييم بعد علاج، ولا يمكن المساعدة في التخطيط للعلاج.
هناك حاجة لتقييم المرضى التي من المرجح أن تستجيب للعلاج داخل الشرايين قبل القيام بالتدخل. الأسلوب أداءهم في هذا البروتوكول يتضمن السريرية والمختبرية والتصوير يتميز إلى نموذج تنبؤي باستخدام تقنيات من مجالات علوم الحاسب الآلي والإحصاء. نموذج تعلم آلة هو تدريب يقوم بتعيين هذه الميزات من المرضى الذين خضعوا للعلاج داخل الشرايين لنتائجها قياسل. ثم يمكن تطبيق النموذج للمرضى الجدد الذي سيخضع للعلاج للتنبؤ باستجابتها قياسل استخدام فقط ملامحها قبل العلاج.
ويصف الخطوة 1 إعداد محطة العمل لالة التعلم. كما يوفر إرشادات موجزة على كيفية إعداد محطة عمل مع الأدوات المطلوبة. يمكن تحليل الخطوات من 2-4 الخوض في التفاصيل التقنية حول البيانات السريرية والتصوير كيف للحصول على ميزات للفائدة. هذه الخطوات حاسمة لاختيار من الميزات المناسبة ستحدد فعالية النموذج. تم اختيار بعض سوبستيبس لسهولة استخراج ميزة. على سبيل المثال، يتم تخزين الصور الشعاعية عادة في تنسيق DICOM هي ليست مثالية لتحليل الصور. فرع نيورويماجينج المعاهد الوطنية للصحة (NIH) بوضع معيار Neuroimaging مبادرة التكنولوجيا المعلوماتية (نيفتي) لتسهيل معالجة الصورة في بيئات البحث. ويستتبع خطوة 3.2 التحويل من DICOM إلى تنسيق نيفتي تسهيل عملية استخراج ميزة. أقنعة الكبد وورم يمكن استخلاصها من تنسيق نيفتي باستخدام برنامج مثل برنامج تجزئة itk-الأداة أو ما شابه ذلك.
وينبغي أن بيناريزيد كل ميزة، سواء تم الحصول عليها من الملاحظات السريرية أو بيانات التصوير، كقيم صواب-خطأ. على سبيل المثال، قد بيناريزيد صورة مستمرة تعزيز متدرجة تتراوح من 0 إلى 10 لميزة واحدة تمثل زيادة أكبر من أو أقل من 5. وبدلاً من ذلك، الميزة يمكن أن تنقسم إلى عدة ميزات ثنائي: x < 3؛ 3 < = x < 7؛ 7 < = x. آلة التعلم النماذج التي تعمل على ميزات ثنائي أسهل لتدريب.
النتيجة النهائية للخطوات من 2-4 مصفوفة ثنائي مع المرضى على المحور الصادي، وميزات على المحور س، وعمود نهائي يمثل النتائج (مستجيب أو غير مستجيب) وفقا لما تحدده لهذا المريض تحت معيار الاستجابة قياسل. قد تكون بعض الميزات ناقصاً أو غير ممثلة تمثيلاً زائداً في حالة سكان نتيجة. على سبيل المثال، إذا كانت كافة معاملة المستجيبين الذكور، بشكل غير صحيح يمكن الاستنتاج أن جنس الذكور ينطوي على الاستجابة. طريقة واحدة للتعامل مع هذه المغالطة هو إزالة كافة الميزات التي لا توجد في كل من المستجيبين وغير المستجيبين بعض عتبة مثل 20%.
ميزات أخرى قد تكون محدودة الأهمية في تحديد نتائج قيد الدراسة. على سبيل المثال، لون العينين من المحتمل لا علاقة لها بالنتائج بعد العلاج داخل الشرايين. هذه الميزات سوف يكون ارتباط وحيد المتغير منخفض بالنتائج. على الرغم من أن ميزة واحدة لا يتوقع أن يكون ارتباط (ف < 0.05) كبير بالنتائج، استراتيجية فعالة تتطلب أن يكون ميزات بعض الارتباط وحيد المتغير أدنى عتبة محددة.
الخطوة 5 يغطي عملية التدريب وتطبيق آلة التعلم النموذجية. ليس من الضرورة القصوى المضي قدما بالطريقة الموصوفة، طالما النتيجة النهائية هي نفسها. يستخدم عملية التدريب حيث يدرب نماذج N لكل من المرضى ن التحقق من الصليب إجازة السحب واحدة. قد بلغ ن النماذج الناتجة المتولدة من إجازة السحب واحدة عبر التحقق من صحة لإنتاج نموذج نهائي.
هذا الأسلوب ينطبق أيضا على إجراءات أخرى يتم تحت التصوير. آلة التعلم يأخذ الميزات من مجموعة من المرضى التدريب والأوزان لهم وفقا لمساهمتها النسبية إلى نتيجة مستهدفة. تعتمد عملية الترجيح على النموذج الذي تم اختياره؛ نماذج الانحدار اللوجستي حساب مجموعة خطي اكسبونينتياتيد بينما تستخدم نماذج عشوائية للغابات مجموعة من أشجار القرار مرجح. وكان الهدف المستخدمة في هذا البروتوكول الاستجابة وفقا لمعيار قياسل. ويمكن اختيار أهداف أخرى، مثل البقاء خالية من الأمراض أو نوعية الحياة سنوات، اعتماداً على النتيجة المرجوة تحت السؤال.
القيد الرئيسي للبروتوكول هو الحاجة إلى تعريف يدوياً والحصول على ميزات قيد النظر. وهذا يتطلب قدرا كبيرا من العمل اليدوي مثل تحليل الملاحظات السريرية وتجزئة وحدات التخزين الورم وإحصاء عدد الآفات. تعلم آلة العميق يحاول استخلاص ميزات تلقائياً من البيانات الخام المصدر، ولكن يتطلب أكثر بكثير من بيانات التدريب. هذه التكنولوجيا المتزايدة قد ثبت أن تكون متفوقة للتعلم تحت الإشراف في مجموعة متنوعة من السياقات، وسيكون على الأرجح التطور القادم من النماذج التنبؤية للمرضى الذين يخضعون لإجراءات موجهة بصورة.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
أ. أ. يعمل كالتشاور برمجيات للصحة الإخلاص, Inc. التي توظف آلة مماثلة تعلم تقنيات على الملاحظات السريرية للاستفادة المثلى من تسديد التكاليف الطبية.
J.F.G. يتلقى رسوم شخصية من الرعاية الصحية جربة BTG، عتبة المستحضرات الصيدلانية (سان فرانسيسكو، كاليفورنيا)، وبوسطن وعلمية وتيرومو (Elkton، ماريلاند)؛ واستشارات مدفوعة "الترسانة مختبرات" (يستبورت، كونيتيكت).
لم التعرف على أي من المؤلفين الآخرين وجود تضارب في المصالح.
Acknowledgments
أ. أ. تلقي الدعم التمويلي من "مكتب بحوث الطلاب"، كلية الطب بجامعة ييل.
L.J.S. تتلقى منحا من المعاهد الوطنية للصحة (المعاهد الوطنية للصحة/NCI R01CA206180)، ليوبولدينا زمالات ما بعد الدكتوراه، ومؤسسة غينتر دبليو رولف العلوم الإشعاعية (آخن، ألمانيا).
كيركراده تتلقى منحا من المعاهد الوطنية للصحة (المعاهد الوطنية للصحة/NCI R01CA206180)، فيليبس للرعاية الصحية، والمؤسسة الألمانية-الإسرائيلية للبحث العلمي والتطوير (القدس، إسرائيل ونيوهيربيرج، ألمانيا)؛ ومنح دراسية من مؤسسة غينتر دبليو رولف "العلوم الإشعاعية" و "شاريت برلين معهد للصحة السريرية عالم البرنامج" (برلين، ألمانيا).
دكتوراه، وحركة التحرير تتلقى منحا من المعاهد الوطنية للصحة (المعاهد الوطنية للصحة/NCI R01CA206180) والرعاية الصحية فيليبس (أفضل، هولندا).
J.F.G. وتتلقى منحا من المعاهد الوطنية للصحة (المعاهد الوطنية للصحة/NCI R01CA206180)، فيليبس للرعاية الصحية، BTG (لندن، المملكة المتحدة)، بوسطن العلمية (مارلبورو، ماساتشوستس)، والرعاية الصحية جربة (Villepinte، فرنسا)
Materials
| Name | Company | Catalog Number | Comments |
| Computer workstation | N/A | N/A | Intel Core 2 Duo or higher CPU at 2.0 GHz; 4 GB or more system memory; POSIX-compliant operating system (Linux or Mac OS) or Microsoft Windows 7; User permissions for executing programs and saving files |
| Anaconda Python 3 | Anaconda, Inc. | Version 3.6 | Python 3 system and libraries packaged for scientists and researchers |
| DICOM to NIfTI | NeuroImaging Tools & Resources Collaboratory | Version 1.0 (4/4/2018 release) | Standalone program for converting DICOM imaging files to NIfTI format |
| Sublime Text Editor | Sublime HQ Pty Ltd | Version 3 (Build 3143) | Text-editor for writing Python code |
| Required Python Libraries | N/A | Version 3.2.25 (nltk) Version 0.19.1 (scikit-learn) |
Natural Language Toolkit (nltk) Scikit-learn |
| ITK-SNAP | N/A | Version 3.6.0 | Optional toolkit for performing segmentation of organ systems in medical images. |
References
- Benson, A., et al. NCCN clinical practice guidelines in oncology: hepatobiliary cancers. J National Comprehensive Cancer Network. 7 (4), 350-391 (2009).
- Siegel, R., Miller, K., Jemal, A. Cancer statistics, 2016. CA Cancer J Clin. 66 (1), 7-30 (2016).
- 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).
- 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).
- 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).
- 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).
- 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).
- Pedregosa, F., et al. Scikit-learn: Machine Learning in Python. Journal of Machine Learning Research. 12, 2825-2830 (2011).
- Bishop, C. Pattern recognition and machine learning. , Springer. New York. 738 (2006).
- Alpaydin, E. Introduction to machine learning. Third edition. , The MIT Press. Cambridge, Massachusetts. 613 (2014).
- Kim, S., Cho, K., Oh, S. Development of machine learning models for diagnosis of glaucoma. PLoS One. 12 (5), (2017).
- 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).
- Wang, S., Summers, R. Machine learning and radiology. Medical Image Analysis. 16 (5), 933-951 (2012).
- 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).
