Summary
Intraarteriell behandlingar är standardbehandling för patienter med Hepatocellulär cancer som inte kan genomgå kirurgisk resektion. En metod för att förutsäga svar på dessa terapier föreslås. Tekniken använder pre kliniska, demografiska och imaging Procedurinformation för att träna maskinmodeller lärande kan förutsäga svar före behandling.
Abstract
Intraarteriell behandlingar är standardbehandling för patienter med Hepatocellulär cancer som inte kan genomgå kirurgisk resektion. Syftet med denna studie var att utveckla en metod för att förutsäga svar på intraarteriell behandling före interventionen.
Metoden ger en allmän ram för förutsäga resultat före intraarteriell behandling. Det handlar om poolning imaging, kliniska och demografiska data över en kohort av patienter och använder dessa data för att utbilda en machine learning-modell. Den utbildade modellen tillämpas på nya patienter för att förutsäga sannolikheten för intraarteriell behandlingssvaret.
Metoden innebär att förvärv och parsning av imaging, kliniska och demografiska data från N patienter som redan genomgått trans-arteriell terapier. Dessa data är tolkas till diskreta funktioner (ålder, kön, cirros, grad av tumören enhancement, etc.) och binarized till sant/falskt-värden (t.ex. ålder över 60, manligt kön, tumör förbättring utöver en inställd tröskel, etc.). Låg-variance funktioner och funktioner med låg univariat föreningar med resultatet tas bort. Varje behandlad patient är märkt beroende på om de svarat eller inte svarade på behandling. Varje utbildning patient representeras alltså av en uppsättning binära funktioner och en etikett som resultat. Machine learning-modeller är utbildade med N - 1 patienter med tester på vänster ut patienten. Denna process upprepas för varje N patienterna. De N -modellerna är i genomsnitt för att ankomma på en sista modell.
Tekniken är utökningsbar och möjliggör integration av ytterligare funktioner i framtiden. Det är också en generaliserbara process som kan tillämpas på kliniska frågeställningar utanför interventionell radiologi. Den största begränsningen är behovet av att härleda funktioner manuellt från varje patient. En populär modern form av machine learning kallas djupa kräver lärande inte lider av denna begränsning, men större datamängder.
Introduction
Patienter med Hepatocellulär cancer som inte är kirurgisk kandidater erbjuds intraarteriell terapier1,2,3. Det finns ingen enda mått som avgör om en patient kommer att svara på en intraarteriell behandling innan behandling ges. Syftet med denna studie var att visa en metod som förutspår behandlingssvar genom att tillämpa metoder från maskininlärning. Sådana modeller ger vägledning till läkare och patienter när du väljer om du vill fortsätta med en behandling.
Protokollet innebär en reproducerbar process för utbildning och uppdatera en modell från primära patientdata (kliniska anteckningar, demografi, laboratoriedata och imaging). Data analyserats från början för specifika funktioner, med varje patient som representeras av en uppsättning binära funktioner och ett binärt utfall måletikett. Resultatet etiketten bestäms med hjälp av en etablerad imaging-baserade svar kriterium för hepatocellulär terapi4,5,6,7. Funktioner och målet etiketter överförs till maskinen lärande programvara som lär sig mappningen mellan funktioner och resultat under en specifik lärande modell (Logistisk regression eller random forest)8,9,10. Liknande metoder har tillämpats inom radiologi och andra områden av cancerforskning för diagnos och behandling prognos11,12,13.
Metoden anpassar tekniker från datavetenskap till fältet i interventionell radiologi. Traditionella betydelsen studier i interventionell radiologi och medicin i allmänhet lita på mono - eller oligo-funktionen analyser. Modellen för slutstadiet lever sjukdom innehåller till exempel fem kliniska mätvärden för att bedöma omfattningen av leversjukdom. Förmån för den föreslagna metoden är möjligheten att lägga till funktioner frikostigt; tjugofem funktioner anses i exempel analysen. Ytterligare funktioner kan läggas som önskat.
Tekniken kan tillämpas på andra radiografisk insatser där det finns före och efter intervention imaging data. Exempelvis kan utfall efter perkutan behandlingar förutsägas på ett liknande sätt. Den största begränsningen av studien är att behöva manuell kyrkoadjunkt funktioner för att ingå i modellen. Samlingsvård och funktionen datautvinning är tidskrävande för utövaren och kan hindra klinisk antagandet av sådana machine learning-modeller.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
1. Inställningar för arbetsstation för maskininlärning
- Använda ett system med följande:
Intel Core 2 Duo eller högre processor på 2,0 GHz
4 GB eller mer systemminne
POSIX-kompatibelt operativsystem (Linux eller Mac OS) eller Microsoft Windows 7
Användarbehörigheter för program körs och spara filer - Installera följande verktyg:
Anaconda Python3: https://www.anaconda.com/download
DICOM till NIfTI converter (dcm2niix) - https://github.com/rordenlab/dcm2niix
Sublime Text Editor: https://www.sublimetext.com/
itk-SNAP (tillval): http://www.itksnap.org- Installera Anaconda Python3, dcm2nii och sublima Text, besök deras respektive hemsidor för operativsystem särskilda installationssteg.
- Skapa och aktivera en Anaconda miljö.
Conda skapa--namn mlenv
Conda aktivera mlenv - Installera Anaconda paket för maskininlärning.
Conda installera numpy scipy scikit-Läs nltk nibabel
Obs: Nltk paketet är användbar för parsning klartext kliniska anteckningar, medan nibabel paketet innehåller användbara funktioner för medicinsk bildbehandling. itk-SNAP kan vara installerade för att segmentera organ och tumörer från medicinska bilder. Det är användbart för begränsande funktioner till specifika regioner.
2. Funktionen utvinning från klartext kliniska anteckningar och strukturerade kliniska Data
- Skapa en överordnad katalog för projekt och skapa en mapp för varje patient inom den överordnade mappen. Katalogstruktur bör likna:
Projekt /
Projekt/Patient_1 /
Projekt/Patient_2 /
Projekt/Patient_3 /
... - Få klartext kliniska anteckningar från elektroniska journalen (EMR). Hämta anteckningar manuellt genom EMR eller genom sjukhus information technology (IT) kontoret via en data-dump. Lagra varje patients anteckningar i sina respektive mappar.
Project/Patient_1/History_and_Physical.txt
Project/Patient_1/Procedure_Note.txt- Bestämde vilka kliniska funktioner att inkludera i modellen. Tolka klartext clinic anteckningar för dessa funktioner. Python Natural Language Toolkit (nltk) biblioteket erbjuder användbara kommandon för att dela dokument i meningar. Varje mening kan sökas för lämpliga villkor såsom gulsot. Lagra varje patients funktioner i en fil med en funktion per rad.
Project/Patient_1/Features.txt:
67 år
sex manliga
albumin 3.1
cirrotiska nr
hepatitis_c ingen
... - För icke-binära funktioner, ta medianvärdet för varje funktion i alla patienter. Binarize varje funktion som ett true(1) eller false(0) baserat på medianvärdet.
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
...
- Bestämde vilka kliniska funktioner att inkludera i modellen. Tolka klartext clinic anteckningar för dessa funktioner. Python Natural Language Toolkit (nltk) biblioteket erbjuder användbara kommandon för att dela dokument i meningar. Varje mening kan sökas för lämpliga villkor såsom gulsot. Lagra varje patients funktioner i en fil med en funktion per rad.
3. Funktionen utvinning från medicinska bilder
Obs: Se steg 3 kompletterande material kodexempel.
- Ladda ner före och efter behandling magnetresonans DICOM-bilder från sjukhuset PACS. Lagra bilder i motsvarande patientens mappar.
Projekt /
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 - Konvertera DICOM-bilder till NIfTI-format med hjälp av dcm2niix programmet. Följande kommandon konverterar alla .dcm bilder i angiven mapp. Upprepa för alla patienter.
dcm2niix projekt/Patient_1 /
dcm2niix projekt/Patient_2 / - Fyll varje NIfTI-fil i Python.
Importera nibabel
bilden = nibabel.load('Project/Patient_1/Pre_TACE_MRI_Pre-Contrast.dcm')- Kanonisera orienteringen för varje bild. Detta säkerställer att de x, y och z-axlarna är identiska oavsett maskinen används för att förvärva bilderna.
bavbild = nibabel.as_closest_canonical(image)
- Kanonisera orienteringen för varje bild. Detta säkerställer att de x, y och z-axlarna är identiska oavsett maskinen används för att förvärva bilderna.
- Använd itk-SNAP (eller en motsvarande programvarupaket) för att segmentera binära levern och tumör masker för varje bild.
Project/Patient_1/Pre_TACE_MRI_Pre-Contrast_Liver_Mask.bin
Project/Patient_1/Pre_TACE_MRI_Pre-Contrast_Tumor_Mask.bin - Läs de levern och tumör maskerna i Python. Koden nedan visar hur man korrekt orientering frågor för att orientera maskerna längs samma kanoniska axlarna som herr bilder.
Importera numpy som np
med öppen (liver_mask_file, 'rb') som f:
liver_mask = f.read()
liver_mask = np.fromstring (liver_mask, dtype = 'uint8')
liver_mask = np.reshape (liver_mask, diff.shape, order = 'F')
liver_mask = liver_mask [:,:: -1:]
liver_mask [liver_mask > 0] = 1- Använda de levern och tumör maskerna för att isolera voxlar innehållande lever och tumör.
lever = np.copy(cImage)
levern [liver_mask < = 0] = 0
- Använda de levern och tumör maskerna för att isolera voxlar innehållande lever och tumör.
- Beräkna genomsnittlig lever enhancement funktionen.
mean_liver_enhancement = mean(liver)- Beräkna levervolymen funktionen.
pixdim = cImage.header['pixdim']
enheter = pre.header['xyzt_units']
DX, dy, dz = pre_pixdim [1:4]
liver_volume = length(liver) * dx * dx * dz - (Valfritt) Beräkna ytterligare funktioner som önskas.
- Beräkna levervolymen funktionen.
- Patient-specifika funktioner uppdateringsfilen med bild funktioner.
Project/Patient_1/Features.txt:
67 år
sex manliga
albumin 3.1
cirrotiska nr
hepatitis_c ingen
pre_tace_mean_liver_enhancement 78
pre_tace_liver_volume 10000- Beräkna medianvärden för varje tänkbar funktion och binarize som i steg 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
- Beräkna medianvärden för varje tänkbar funktion och binarize som i steg 2.2.2.
4. har aggregering och minskning
Obs: Se steg 4 kompletterande material kodexempel.
- Kombinera Binary_Features.txt filerna för varje patient till ett kalkylblad med patienter på y-axeln och funktioner på x-axeln.
Patienten Ålder > 60 Manligt kön Albumin < 3,5 Förekomsten av cirros Hepatit C närvarande menar lever enhancement > 50 levervolymen > 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 - Lägg till qEASL resultatet svar etiketter som den sista kolumnen.
Patienten Ålder > 60 Manligt kön Albumin < 3,5 Förekomsten av cirros Hepatit C närvarande menar lever enhancement > 50 levervolymen > 20000 qEASL Responder 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 - Exportera kalkylbladet som en tabbavgränsad fil.
Project/ML_Matrix.tsv:
PatientAge > 60 manliga kön Albumin < 3.5 närvaro av cirros hepatitC nuvarande genomsnittliga lever enhancement > 50 levervolymen > 20000 qEASL Responder
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
- Lägg till qEASL resultatet svar etiketter som den sista kolumnen.
- Ta bort låg-variance funktioner från behandling.
Importera numpy som np
Importera VarianceThreshold från sklearn.feature_selection
# Läs i den binär matrisen.
funktioner =]
Etiketter =]
för jag, L i enumerate(sys.stdin):
om jag == 0
Fortsätt
n_fs_L = L.strip().split('\t')
features.append([float(_) för _ i n_fs_L[1:-1]])
Labels.append(n_fs_L[-1])
X = np.array(features)
y = np.array(labels)
# Beräkna funktioner som förekommer i minst 20% av både responders och non-respnders.
modell = VarianceThreshold (tröskelvärde = 0,8 * (1 - 0,8))
X_new = model.fit_transform (X, y)
Den manligt kön, albumin < 3.5, förekomsten av cirros och levervolymen > 2000-funktioner har tagits bort.Patienten Ålder > 60 Hepatit C närvarande menar lever enhancement > 50 qEASL Responder 1 0 0 1 1 2 1 0 0 1 3 0 1 0 0 - Ta bort funktioner med låg univariat-association med resultatet. Filtrera endast de funktioner som passerade 4.2. Behålla ceil (log2(N)) funktioner, där N är antalet patienter. Ceil (Log2(3)) = 2.
Importera matematik
Importera SelectKBest från sklearn.feature_selection
från sklearn.feature_selection importera chi2
# Läs i den binär matrisen som i 4.2.1
...
# Compute topp ceil(log2(N)) funktioner av univariat association.
k = math.ceil(log2(length(y)))
modell = SelectKBest (chi2, k = k)
X_new = model.fit_transform (X, y)
Manligt kön ålder > 60 funktionen har tagits från de återstående funktionerna från 4.2.1.
| Patienten | Hepatit C närvarande | menar lever enhancement > 50 | qEASL Responder |
| 1 | 0 | 1 | 1 |
| 2 | 0 | 0 | 1 |
| 3 | 1 | 0 | 0 |
5. Modell utbildning och testning
Se steg 5 kompletterande material kodexempel
- Träna en logistisk regressionsmodell som använder binära funktioner matrisen från 4.3.
Importera matematik
Importera LogisticRegression från sklearn.linear_model
# Läs i den binär matrisen som i 4.2 och 4.3.
...
# För varje patient, träna en modell på alla andra patienter.
Poäng = 0,0
modeller =]
för patient i len(X):
# Tåg modell på alla utom en av patienterna.
train_x = np.array ([_ för jag, _ i enumerate(X) om jag! = patienten])
train_y = np.array ([_ för jag, _ i enumerate(y) om jag! = patienten])
modell = LogisticRegression(C=1e15)
Model.Fit (train_x, train_y)
# Testa på vänster ut patienten.
y_prediction = model.predict(X[patient])
om y_prediction == y [patienten]:
Poäng += 1
Models.append(Model) - Träna en slumpmässig skogsmodell med matrisen binära funktioner från 4.2.2. Stegen är identisk med 5.2.1, förutom modell instansieringen bör uppdateras enligt följande:
Importera RandomForestClassifier från sklearn.ensemble
...
modell = RandomForestClassifier(n_estimators=100)
... - Skriva ut poäng / len (X) för 5.1 och 5.2. Detta representerar den genomsnittliga noggrannheten hos alla logistiska regressionsmodeller och alla random forest modeller, respektive. Alla N modeller bör tillämpas på nya patienter med genomsnittliga klassificeringen tas som förutsägelse resultatet
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
Den föreslagna metoden tillämpades på 36 patienter som hade genomgått trans-arteriell terapier för Hepatocellulär cancer. Tjugofem funktioner identifierades och binarized med steg 1-5. Fem funktioner nöjda både varians och univariat association filter (se avsnitt5.1 och 5.2) och användes för modell utbildning. Varje patient var märkt som en responder eller non-responder enligt kriterierna i qEASL svar. Matrisen funktioner var således en 36 x 5 matris medan målet etiketter vektorn var 36 x 1.
Logistisk regression och random forest klassificerare användes för modell montering. Ledighet-en-ut cross-validering användes för att bedöma de resulterande modellerna. Två ytterligare modeller utbildades använder bara topp-två funktioner (förekomst av cirros och pre-TACE tumör signalintensitet större än 27,0). Figur 1 illustrerar prestanda av modellerna som funktioner har lagts till. Både Logistisk regression och random forest modeller förutspådde trans-arteriell chemoembolization behandlingssvar med en övergripande noggrannhet på 78% (känslighet 62,5%, specificitet 82,1 procent, positivt prediktivt värde 50,0%, negativt prediktivt värde 88,5%).
Figur 1 : Prestanda av machine learning algoritmer. (a, b) Logistisk regression och (c, d) random forest klassificerare exaktheter som funktioner läggs till. Funktioner har lagts till i följande ordning: 1) ethiodized olja, 2) sorafenib, 3) cirros, (4) pre-transarterial kemo-embolisering relativa tumör signalintensitet > 27,0 och 5) antal tumörer > 2. Figur som används med tillstånd i oförändrad form från tidning för vaskulär och interventionell radiologi14. Klicka här för att se en större version av denna siffra.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
Patienter med Hepatocellulär cancer som inte är kandidater för kirurgisk resektion erbjuds intraarteriell terapier. Det finns några metoder för att avgöra om en patient kommer att svara pre-behandling. Efter behandling utvärderingsmetoder är beroende av förändringar i tumörens storlek eller tumör kontrast upptag. Dessa kallas svarskriterierna, med den mest korrekta är kvantitativa European Association for studiet av kriteriet levern (qEASL). qEASL bygger på både volymetrisk och förbättring förändringar efter behandling för att förutsäga sannolikheten för svar. Trots styrkan i qEASL, det är ändå en efterbehandling utvärderingskriterier, och kan inte stöd i dosplanering.
Det finns ett behov av att bedöma vilka patienter är benägna att svara att intraarteriell behandlingar innan du utför interventionen. Metoden visat i detta protokoll innehåller kliniska, laboratorium och imaging funktioner till en förutsägande modell med hjälp av tekniker från områdena datavetenskap och statistik. En lärande modell är utbildad som mappar dessa funktioner från patienter som har genomgått intraarteriell terapier till deras qEASL resultat. Modellen kan sedan tillämpas på nya patienter som genomgår behandling för att förutsäga deras qEASL svar med endast deras förbehandling funktionerna.
Steg 1 beskriver inställningar för arbetsstation för maskininlärning. Det ger korta instruktioner på hur till setup en arbetsstation med nödvändiga verktyg. Steg 2-4 gå in på tekniska detaljer om hur kliniska och tänkbar data kan tolkas för att få funktioner av intresse. Dessa steg är kritisk som urval av lämpliga funktioner kommer att avgöra effektiviteten hos modellen. Vissa delsteg valdes för att underlätta funktionen extraktion. Till exempel lagras vanligtvis radiografiska bilder i DICOM-format som inte är idealisk för bildanalys. Grenen National Institutes of Health (NIH) Neuroimaging utvecklat standarden Neuroimaging informatik teknikinitiativet (NIfTI) för att underlätta bildmanipulering i forskningsmiljöer. Steg 3,2 medför omvandlingen från DICOM till NIfTI-format för att underlätta processen för funktionen extraktion. Levern och tumör masker kan utvinnas ur NIfTI-format med ett program till exempel itk-SNAP eller liknande segmentering.
Varje funktion bör förvärvad från kliniska anteckningar eller imaging data, vara binarized som sant-falskt-värden. Exempelvis kan en kontinuerlig bild enhancement gradient sträcker sig från 0 till 10 vara binarized till en enda funktion som representerar enhancement större eller mindre än 5. Alternativt, funktionen kunde delas upp i flera binära funktioner: x < 3. 3 < = x < 7; 7 < = x. Machine learning modeller som verkar på binära funktioner är lättare att träna.
Slutresultatet av steg 2-4 är en binär matris med patienter på y-axeln, funktioner på x-axeln, och en sista kolumnen som representerar resultatet (responder eller non-responder) som bestäms för patienten under qEASL svar kriteriet. Vissa funktioner kan vara underrepresenterade eller överrepresenterade i befolkningens resultatet. Till exempel om alla behandling responders var män, kan felaktigt slutsatsen dras att manligt kön innebär svar. Ett sätt att ta itu med denna vanföreställning är att ta bort alla funktioner som inte finns i både responders och non-responders vissa tröskelvärdet som 20%.
Andra funktioner kan ha begränsad betydelse för att kora under studien. Till exempel ögonfärg är sannolikt betydelse för utfall efter intraarteriell terapier. Sådana funktioner kommer att ha en låg univariat förening med resultatet. Även om ingen enda funktion förväntas ha en signifikant (p < 0,05) samband med resultatet, är en effektiv strategi att kräva att funktioner har några minimala univariat korrelation över ett visst tröskelvärde.
Steg 5 omfattar processen för utbildning och tillämpa en machine learning-modell. Det är inte absolut nödvändigt att fortsätta på det sätt som beskrivs, så länge slutresultatet är detsamma. Utbildningsprocessen använder ledighet-en-ut cross-validering whereby N modeller utbildas för var och en av de N patienterna. N resulterande modellerna genereras från ledighet-en-ut cross-validering kan vara i genomsnitt för att producera en sista modell.
Tekniken är även tillämplig för andra ingrepp som görs under imaging. Machine learning tar funktioner från en uppsättning utbildning patienter och väger dem enligt deras relativa bidrag till ett mål resultat. Viktning processen beror på den valda modellen; logistiska regressionsmodeller beräkna en exponentiated linjärkombination medan random forest modeller använder en uppsättning vägda beslutsträd. Målet används i detta protokoll var svar under qEASL kriteriet. Andra mål, såsom års Sjukdomsfri överlevnad eller livskvalitet år, kan väljas beroende på det önskade resultatet under frågan.
Den största begränsningen av protokollet är behovet av att manuellt definiera och få funktioner under övervägande. Detta innebär en betydande mängd manuellt arbete såsom parsning kliniska anteckningar, segmentera tumör volymer och räknar antalet lesioner. Djupa maskininlärning försöker automatiskt härleda egenskaper från raw källdata, men kräver betydligt mer träningsdata. Denna växande teknik har visat sig vara överlägsen övervakad lärande i olika sammanhang, och kommer sannolikt att vara nästa evolution av prediktiva modeller för patienter som genomgår bild-guidad förfaranden.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
A.A. fungerar som en programvara consult för hälsa trohet, Inc. som använder liknande tekniker på kliniska anteckningar för att optimera medicinsk ersättning för maskininlärning.
J.F.G. tar emot personliga avgifter från Guerbet Healthcare, BTG, tröskel Pharmaceuticals (San Francisco, Kalifornien), Boston Scientific och Terumo (Elkton, Maryland); och har en betald konsulttjänster för förutseende Labs (Westport, Connecticut).
Ingen av de andra författarna har identifierat en intressekonflikt.
Acknowledgments
A.A. fått finansieringsstöd av Office för Student forskning, Yale School of Medicine.
L.J.S. får anslag från National Institutes of Health (NIH/NCI R01CA206180) och Leopoldina postdoktorsstipendium Rolf W. Guenther Foundation för radiologiska vetenskaper (Aachen, Tyskland).
J.C. får anslag från National Institutes of Health (NIH/NCI R01CA206180), Philips Healthcare och tyska-israeliska stiftelsen för vetenskaplig forskning och utveckling (Jerusalem, Israel och Wageningen, Tyskland); och stipendier från Rolf W. Guenther Foundation av radiologiska vetenskaper och det Charite Berlin institutet av kliniska forskare hälsoprogram (Berlin, Tyskland).
J.S.D. och M.L. får bidrag från National Institutes of Health (NIH/NCI R01CA206180) och Philips Healthcare (Best, Nederländerna).
J.F.G. får anslag från National Institutes of Health (NIH/NCI R01CA206180), Philips Healthcare, BTG (London, Storbritannien), Boston Scientific (Marlborough, Massachusetts), och Guerbet Healthcare (Villepinte, Frankrike)
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).
