Summary
Intraarteriel behandlingsformer er standard for pleje til patienter med hepatocellulært carcinom, der ikke kan gennemgå kirurgisk resektion. En metode til at forudsige svar til disse behandlinger er foreslået. Teknikken bruger pre proceduremæssige kliniske, demografiske og billeddiagnostiske oplysninger for at træne maskinen læringsmodeller i stand til at forudsige svar inden behandling.
Abstract
Intraarteriel behandlingsformer er standard for pleje til patienter med hepatocellulært carcinom, der ikke kan gennemgå kirurgisk resektion. Formålet med denne undersøgelse var at udvikle en metode til at forudsige svar på intraarteriel behandling inden intervention.
Metoden giver en generel ramme for at forudsige resultater før intraarteriel terapi. Det drejer sig om sammenlægning kliniske, demografiske og billeddiagnostiske data på tværs af en kohorte af patienter og bruger disse data til at træne en machine learning model. Den uddannede model anvendes på nye patienter for at forudsige sandsynligheden af svar til intraarteriel terapi.
Metoden indebærer erhvervelse og parsing af kliniske, demografiske og billeddiagnostiske data fra N patienter, der allerede har gennemgået trans-arteriel behandlingsformer. Disse data er analyseret i diskrete funktioner (alder, køn, skrumpelever, graden af tumor ekstraudstyr, osv.) og binarized til sand/falsk værdier (f.eks. alder over 60, mandlige køn, tumor ekstraudstyr ud over et sæt tærskel, osv.). Lav varians funktioner og funktioner med lav inputområdet foreninger med resultatet er fjernet. Hver behandlede patienten er mærket efter om de har reageret eller ikke reagerer på behandling. Hver uddannelse patienten er således repræsenteret ved et sæt af binære funktioner og en resultatet etiket. Maskinen læringsmodeller er uddannet ved hjælp af N - 1 patienter med test på venstre-out patient. Denne proces gentages for hver af N patienterne. N -modellerne er gennemsnit for at nå frem til en endelig model.
Teknikken kan udvides og giver mulighed for optagelse af yderligere funktioner i fremtiden. Det er også et generaliserbart proces, der kan anvendes til klinisk forskningsspørgsmål uden for interventionel radiologi. Den største begrænsning er behovet for at udlede funktioner manuelt fra hver patient. En populær moderne form af maskinen læring kaldes dyb kræver læring ikke lider af denne begrænsning, men større datasæt.
Introduction
Patienter med hepatocellulært carcinom, som ikke er kirurgiske kandidater tilbydes intraarteriel terapier1,2,3. Der er ingen enkelt metrikværdi, der afgør om en patient vil reagere på en intraarteriel terapi før behandling administreres. Formålet med denne undersøgelse var at vise en metode, der forudsiger behandlingsrespons ved at anvende metoder fra maskinen læring. Sådanne modeller give vejledning til praktiserende læger og patienter ved at vælge, om at gå videre med en behandling.
Protokollen indebærer en reproducerbar proces for erhvervsuddannelse og opdaterer en model fra primære patientdata (kliniske noter, demografi, laboratoriedata og billedbehandling). Dataene er i første omgang parset for bestemte funktioner, med hver patient, repræsenteret ved et sæt af binære funktioner og en binære resultat mål etiket. Resultatet etiketten bestemmes ved hjælp en etablerede imaging-baserede svar kriterium for hepatocellulært terapi4,5,6,7. Funktioner og mål etiketterne videregives til maskinen læring software, der lærer tilknytningen mellem funktioner og resultater under en bestemt læring model (logistisk regression eller tilfældige skov)8,9,10. Lignende teknikker har været anvendt i radiologi og andre områder af kræftforskning for diagnose og behandling forudsigelse11,12,13.
Metoden, der tilpasser teknikker fra datalogi til inden for interventionel radiologi. Traditionelle betydning undersøgelser i interventionel radiologi og medicin i almindelighed, afhængige af mono - eller oligo-funktionen analyser. For eksempel, omfatter Model for slutstadiet leveren sygdom fem kliniske målinger for at vurdere omfanget af leversygdom. Fordelen ved den foreslåede metode er muligheden for at tilføje funktioner rigeligt; tyve-fem funktioner betragtes i eksempel analyse. Ekstra funktioner kan tilføjes som ønsket.
Teknikken kan anvendes på øvrige radiografiske interventioner hvor før og efter intervention billeddiagnostiske data er tilgængelige. For eksempel kunne resultater efter perkutan behandlinger forudsiges på samme måde. Den største begrænsning af undersøgelsen er nødvendigheden af at manuel kapellan funktioner til optagelse i modellen. Dataudtræk datasikring og funktion er tidskrævende for den praktiserende læge og kan hæmme kliniske vedtagelsen af sådanne maskinen læring modeller.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
1. Arbejdsstation installation til maskinen læring
- Bruge et system med følgende:
Intel Core 2 Duo eller højere CPU på 2,0 GHz
4 GB eller mere systemhukommelse
POSIX-kompatible driftssystem (Linux eller Mac OS) eller Microsoft Windows 7
Brugertilladelser for udførelse af programmer og gemme filer - Installere følgende værktøjer:
Anaconda Python3: https://www.anaconda.com/download
DICOM til NIfTI converter (dcm2niix) - https://github.com/rordenlab/dcm2niix
Sublime tekst Editor: https://www.sublimetext.com/
ITK-SNAP (valgfri): http://www.itksnap.org- Installere Anaconda Python3, dcm2nii og Sublime tekst, kan du besøge deres respektive hjemmesider for operativsystemet specifikke installationstrin.
- Oprette og aktivere en Anaconda miljø.
conda oprette--navn mlenv
conda aktivere mlenv - Installere Anaconda pakker til maskinen læring.
conda installere numpy scipy scikit-Lær nltk nibabel
Bemærk: Nltk pakken er nyttigt for parsing plaintext kliniske noter, mens nibabel pakken indeholder nyttige funktioner til medicinsk billedbehandling. ITK-SNAP kan installeres for segmentering af organer og svulster fra medicinske billeder. Det er nyttigt for begrænsende funktioner til bestemte regioner.
2. Funktionen udvinding fra AlmindeligTekst kliniske noter og struktureret kliniske Data
- Oprette en rodbiblioteket for projektet, og oprette en mappe til hver patient i den overordnede mappe. Mappestruktur skal ligne:
Projekt /
Projekt/Patient_1 /
Projekt/Patient_2 /
Projekt/Patient_3 /
... - Få Alm kliniske bemærkninger fra den elektroniske Journal (EMR). Hente noter manuelt gennem EMR eller hospital oplysninger technology (IT) office via en data-dump. Gemme hver patient bemærkninger i deres respektive mapper.
Project/Patient_1/History_and_Physical.txt
Project/Patient_1/Procedure_Note.txt- Besluttet hvilke kliniske funktioner skal medtages i modellen. Parse plaintext klinik noter til disse funktioner. Biblioteket Python naturligt sprog Toolkit (nltk) giver nyttige kommandoer til at opdele dokumenter i sætninger. Hver sætning kan søges efter passende begreber som gulsot. Gemme hver patient funktioner i en fil med ét træk pr. linje.
Project/Patient_1/Features.txt:
alder 67
køn mand
albumin 3.1
cirrhotic nej
hepatitis_c ingen
... - For ikke-binær funktioner, skal du tage medianværdien af hver funktion på tværs af alle patienter. Binarize hver funktion som true(1) eller false(0) værdi baseret på middelværdien.
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
...
- Besluttet hvilke kliniske funktioner skal medtages i modellen. Parse plaintext klinik noter til disse funktioner. Biblioteket Python naturligt sprog Toolkit (nltk) giver nyttige kommandoer til at opdele dokumenter i sætninger. Hver sætning kan søges efter passende begreber som gulsot. Gemme hver patient funktioner i en fil med ét træk pr. linje.
1 l Funktionen udtræk fra medicinske billeder
Bemærk: Se trin 3 supplerende materialer til kodeeksempler.
- Download præ- og post-terapi Kernemagnetisk resonans DICOM-billeder fra hospitalet PACS. Gemme billeder i mapperne tilsvarende patient.
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 - Konvertere DICOM-billederne i NIfTI format ved hjælp af programmet dcm2niix. Følgende kommandoer konverterer alle .dcm billeder i angivne mappe. Gentag for alle patienter.
dcm2niix Project/Patient_1 /
dcm2niix Project/Patient_2 / - Læg hver NIfTI fil i Python.
import nibabel
billede = nibabel.load('Project/Patient_1/Pre_TACE_MRI_Pre-Contrast.dcm')- Vedtage orientering af hvert billede. Dette sikrer, at x, y og z-akser er identiske, uanset maskinen anvendes til at erhverve billederne.
bbillede = nibabel.as_closest_canonical(image)
- Vedtage orientering af hvert billede. Dette sikrer, at x, y og z-akser er identiske, uanset maskinen anvendes til at erhverve billederne.
- Bruge itk-SNAP (eller en tilsvarende softwarepakke) for at segmentere binære leveren og tumor masker for hvert billede.
Project/Patient_1/Pre_TACE_MRI_Pre-Contrast_Liver_Mask.bin
Project/Patient_1/Pre_TACE_MRI_Pre-Contrast_Tumor_Mask.bin - Læs i leveren og tumor masker i Python. Koden nedenfor viser hvordan man kan rette orientering spørgsmål for at orientere masker langs de samme kanoniske akser som hr. billeder.
importere numpy som np
med åben (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, rækkefølge = 'F')
liver_mask = liver_mask [:,:: -1,:]
liver_mask [liver_mask > 0] = 1- Brug af leveren og tumor masker for at isolere voxels indeholdende leveren og tumor.
leveren = np.copy(cImage)
leveren [liver_mask < = 0] = 0
- Brug af leveren og tumor masker for at isolere voxels indeholdende leveren og tumor.
- Beregne gennemsnitlige lever enhancement funktion.
mean_liver_enhancement = mean(liver)- Beregne lever volumen funktion.
pixdim = cImage.header['pixdim»]
enheder = pre.header['xyzt_units']
DX, dy, dz = pre_pixdim [1:4]
liver_volume = length(liver) * dx * dx * dz - (Valgfrit) Beregne ekstra funktioner som ønsket.
- Beregne lever volumen funktion.
- Patient-specifikke funktioner opdateringsfil med funktionerne billede.
Project/Patient_1/Features.txt:
alder 67
køn mand
albumin 3.1
cirrhotic nej
hepatitis_c ingen
pre_tace_mean_liver_enhancement 78
pre_tace_liver_volume 10000- Beregning af median værdier for hver tænkelig funktion og binarize som i trin 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
- Beregning af median værdier for hver tænkelig funktion og binarize som i trin 2.2.2.
4. har sammenlægning og reduktion
Bemærk: Se trin 4 supplerende materialer til kodeeksempler.
- Kombinere Binary_Features.txt filer for hver patient i et regneark med patienter på y-aksen og funktioner på x-aksen.
Patienten Alder > 60 Hankøn Albumin < 3,5 Tilstedeværelsen af skrumpelever Hepatitis C nuværende mener lever ekstraudstyr > 50 leveren volumen > 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 - Tilføj qEASL resultatet svar etiketter som den sidste kolonne.
Patienten Alder > 60 Hankøn Albumin < 3,5 Tilstedeværelsen af skrumpelever Hepatitis C nuværende mener lever ekstraudstyr > 50 leveren volumen > 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 - Eksportere regnearket som en tabulatorsepareret fil.
Project/ML_Matrix.tsv:
PatientAge > 60 mandlige Sex Albumin < 3.5 tilstedeværelse af skrumpelever Hepatitis C nuværende gennemsnitlige lever ekstraudstyr > 50 lever volumen > 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
- Tilføj qEASL resultatet svar etiketter som den sidste kolonne.
- Fjerne lav varians funktioner fra overvejelser.
importere numpy som np
fra sklearn.feature_selection import VarianceThreshold
# Læse i den binære matrix.
funktioner =]
etiketter =]
for jeg, L i enumerate(sys.stdin):
Hvis jeg == 0
fortsat
n_fs_L = L.strip().split('\t')
features.Append([float(_) for _ i n_fs_L[1:-1]])
labels.Append(n_fs_L[-1])
X = np.array(features)
y = np.array(labels)
# Beregne funktioner optræder i mindst 20% af både respondenter og ikke-respnders.
model = VarianceThreshold (tærskel = 0,8 * (1 - 0,8))
X_new = model.fit_transform (X, y)
Mandlige sex, albumin < 3.5, tilstedeværelsen af skrumpelever, og leveren volumen > 2000 funktioner er blevet fjernet.Patienten Alder > 60 Hepatitis C nuværende mener lever ekstraudstyr > 50 qEASL Responder 1 0 0 1 1 2 1 0 0 1 3 0 1 0 0 - Fjern funktioner med lav inputområdet-forening med resultatet. Filtrer kun de funktioner, der passerede 4.2. Bevare ceil (log2(N)) funktioner, hvor N er antal patienter. Ceil (Log2(3)) = 2.
importere matematik
fra sklearn.feature_selection import SelectKBest
fra sklearn.feature_selection import chi2
# Læse i den binære matrix som 4.2.1
...
# Beregne top ceil(log2(N)) funktioner af inputområdet association.
k = math.ceil(log2(length(y)))
model = SelectKBest (chi2, k = k)
X_new = model.fit_transform (X, y)
Den mandlige køn alder > 60 indslag er blevet fjernet fra de resterende funktioner fra 4.2.1.
| Patienten | Hepatitis C nuværende | mener lever ekstraudstyr > 50 | qEASL Responder |
| 1 | 0 | 1 | 1 |
| 2 | 0 | 0 | 1 |
| 3 | 1 | 0 | 0 |
5. Model undervisning og test
Se trin 5 supplerende materialer til kodeeksempler
- Tog en logistisk regressionsmodel ved hjælp af binære egenskaber matrice fra 4.3.
importere matematik
fra sklearn.linear_model import LogisticRegression
# Læse i matrixen binære 4.2 og 4.3.
...
# For hver patient, tog en model på alle andre patienter.
score = 0,0
modeller =]
for patienten i len(X):
# Tog model på alle, men en af patienterne.
train_x = np.array ([_ for i, _ i enumerate(X) hvis jeg! = patienten])
train_y = np.array ([_ for i, _ i enumerate(y) hvis jeg! = patienten])
model = LogisticRegression(C=1e15)
model.Fit (train_x, train_y)
# Test på venstre-out patient.
y_prediction = model.predict(X[patient])
Hvis y_prediction == y [patient]:
score += 1
models.Append(model) - Tog en tilfældig skov model ved hjælp af binære egenskaber matrice fra 4.2.2. Trin er identisk med 5.2.1, undtagen model instantiering bør ajourføres som følger:
fra sklearn.ensemble import RandomForestClassifier
...
model = RandomForestClassifier(n_estimators=100)
... - Print ud score / len (X) for 5.1 og 5.2. Dette repræsenterer den gennemsnitlige nøjagtigheden af alle logistisk regression modeller og alle tilfældige skov modeller, henholdsvis. Alle N modeller skal anvendes på nye patienter med den gennemsnitlige klassificering som forudsigelse resultatet
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
Den foreslåede metode blev anvendt til 36 patienter, der havde gennemgået trans-arteriel behandlingsmetoder for hepatocellulært carcinom. Tyve-fem funktioner blev identificeret og binarized ved hjælp af trin 1-5. Fem funktioner opfyldt både varians og inputområdet association filtre (Se trin 5.1 og 5.2) og blev brugt til model uddannelse. Hver patient var mærket som enten en responder eller ikke-responder under qEASL svar kriterier. Matrixen funktioner var således en 36 x 5 matrix, mens målet etiketter vektor var 36 x 1.
Logistisk regression og tilfældige skov klassificeringer blev brugt til model montering. Orlov-one-out cross-validering blev brugt til at vurdere effektiviteten af de resulterende modeller. To yderligere modeller blev trænet ved hjælp af netop de top-to funktioner (tilstedeværelse af skrumpelever og pre-TACE tumor signal intensitet større end 27,0). Figur 1 illustrerer ydeevnen af modellerne som funktioner blev tilføjet. Logistisk regression og tilfældige skov modeller forudsagt trans-arteriel chemoembolization behandlingsrespons med 78% (følsomhed 62,5%, specificitet 82,1%, positiv prædiktiv værdi 50,0%, negativ prædiktiv værdi 88.5%) samlede nøjagtighed.
Figur 1 : Resultater af machine learning algoritmer. (a, b) Logistisk regression og (c, d) tilfældige skov klassificeringen nøjagtigheder som funktioner er tilføjet. Funktioner blev tilføjet i følgende rækkefølge: 1) ethiodized olie, 2) sorafenib, 3) skrumpelever, 4) pre-transarterial kemo-embolisering relative tumor signal intensitet > 27,0 og 5) antal tumorer > 2. Figur bruges med tilladelse i uforandret form fra Journal af vaskulære og interventionel radiologi14. Venligst klik her for at se en større version af dette tal.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
Patienter med hepatocellulært carcinom, der ikke er kandidater til kirurgisk resektion tilbydes intraarteriel behandlingsformer. Få metoder eksisterer for at bestemme, hvis en patient vil reagere pre-behandling. Efterbehandling evalueringsteknikker afhængige af ændringer i tumorstørrelse eller tumor kontrast optagelse. Disse kaldes svar kriterier, med de mest præcise er kvantitative European Association for studiet af leveren (qEASL) kriterium. qEASL er afhængig af både volumetrisk og ekstraudstyr ændringer efter behandling for at forudsige sandsynligheden for svar. Trods de stærke sider ved qEASL, det er ikke desto mindre en efterbehandling evalueringskriterier, og kan ikke støtte i behandling planlægning.
Der er behov for at vurdere, hvilke patienter er tilbøjelige til at reagere på intraarteriel behandlinger før interventionen. Metoden demonstreret i denne protokol omfatter kliniske, laboratorie- og imaging funktioner i en prognosemodel ved hjælp af teknikker inden for datalogi og statistik. Machine learning model er uddannet der knytter disse funktioner fra patienter, der har gennemgået intraarteriel behandlingsformer til deres qEASL resultater. Modellen kan derefter anvendes på nye patienter, der gennemgår behandling for at forudsige deres qEASL svar ved hjælp af kun deres forbehandling funktioner.
Trin 1 beskriver arbejdsstation installation til maskinen læring. Det giver korte instruktioner på hvor hen til setup en arbejdsstation med nødvendige værktøj. Trin 2-4 gå i tekniske detaljer om hvordan klinisk og billedbehandling data kunne parses for at opnå funktioner af interesse. Disse trin er kritisk, da udvalg af relevante funktioner vil bestemme effektiviteten af modellen. Visse undertrin blev valgt til at lette funktion udvinding. For eksempel, er Radiografisk billeder typisk gemt i DICOM-format, som ikke er ideel til billedanalyse. National Institutes of Health (NIH) neuroradiologisk afdeling udviklet Neuroimaging Informatik teknologiinitiativ (NIfTI) standard for at lette billedmanipulation i forskningsmiljøer. Trin 3.2 indebærer konvertering fra DICOM til NIfTI format til at lette processen med funktionen udvinding. Leveren og tumor masker kan udvindes fra NIfTI format ved hjælp af et program som itk-SNAP eller lignende segmentering software.
Hver funktion, bør om erhvervet fra kliniske noter eller billeddiagnostiske data, være binarized som sand-falsk værdier. For eksempel kan en kontinuerlig billede forbedring gradient spænder fra 0 til 10 være binarized til en enkelt funktion, der repræsenterer enhancement større end eller mindre end 5. Alternativt, funktionen kunne opdeles i flere binære funktioner: x < 3; 3 < = x < 7; 7 < = x. maskinen læring modeller, der opererer på binære funktioner er lettere at træne.
Slutresultatet af trin 2-4 er en binær matrix med patienter på y-aksen, funktioner på x-aksen, og en sidste kolonne repræsenterer resultatet (responder eller ikke-responder) som fastlagt for at patienten under qEASL svar kriterium. Visse funktioner kan være repræsenteret eller overrepræsenteret i befolkningens resultatet. For eksempel, hvis alle behandling respondenter var af hankøn, kan det forkert konkluderes, at mandlige køn indebærer svar. Én måde at håndtere denne fejlslutning er at fjerne alle funktioner, ikke som findes i både respondenter og ikke-respondenter nogle tærskel som 20%.
Andre funktioner kan have begrænset betydning ved fastsættelsen af resultatet under undersøgelsen. For eksempel, øjenfarve er sandsynligvis irrelevant for resultater efter intraarteriel behandlingsformer. Sådanne funktioner vil have en lav inputområdet association med resultatet. Selv om ingen enkelt funktion forventes at have en signifikant (p < 0,05) sammenhæng med resultatet, er en effektiv strategi til at kræve, at funktioner har nogle minimale inputområdet korrelation over en angivet tærskel.
Trin 5 dækker processen med uddannelse og anvende en maskine læring model. Det er ikke strengt nødvendigt at fortsætte på den måde beskrevet, så længe det endelige resultat er det samme. Uddannelsesprocessen bruger orlov-one-out cross-validering hvorved N modeller er uddannet for hvert af N patienter. N resulterende modeller genereret fra orlov-one-out cross-validering kan være gennemsnit for at producere en endelig model.
Teknikken er også gældende for andre procedurer gjort under imaging. Maskinen læring tager funktioner fra et sæt af uddannelse patienter og vejer dem efter deres relative bidrag til en target resultat. Vægtning processen afhænger af den valgte model. logistisk regression modeller beregne en exponentiated lineær kombination mens tilfældige skov modeller anvender et sæt af vejede beslutningstræer. Målet i denne protokol var svar under qEASL kriteriet. Andre mål, såsom af sygdomsfri overlevelse eller livskvalitet år, kan vælges afhængigt af det ønskede resultat under spørgsmål.
Den største begrænsning af protokollen er behovet for at definere og få funktioner under overvejelse manuelt. Dette medfører en betydelig mængde manuelt arbejde såsom parsing kliniske noter, segmentering tumor diskenheder og tælle antallet af læsioner. Dyb maskinen læring forsøger at automatisk udlede funktioner fra rå kildedataene, men kræver betydeligt mere træningsdata. Denne voksende teknologi har vist sig at være overlegen i forhold til overvågede læring i forskellige sammenhænge, og vil sandsynligvis være den næste udvikling af prognosemodeller for patienter, der gennemgår billede-styrede procedurer.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
A.A. virker som en software consult for sundhed troskab, Inc., der anvender lignende maskine lære teknikker på kliniske noter for at optimere medicinske tilskud.
J.F.G. modtager personlig gebyrer fra Guerbet sundhedspleje, BTG, tærskel Pharmaceuticals (San Francisco, Californien), Boston Scientific og Terumo (Elkton, Maryland); og har en betalt rådgivning for forudseenhed Labs (Westport, Connecticut).
Ingen af de andre forfattere har identificeret en interessekonflikt.
Acknowledgments
A.A. modtog finansiering støtte fra Office Student forskning, Yale School of Medicine.
L.J.S. modtager tilskud fra National Institutes of Health (NIH/NCI R01CA206180), Leopoldina postdoc stipendium, og Rolf W. Guenther Foundation i radiologisk videnskab (Aachen, Tyskland).
J.C. modtager tilskud fra National Institutes of Health (NIH/NCI R01CA206180), Philips Healthcare og det tysk-israelske Institut for videnskabelig forskning og udvikling (Jerusalem, Israel og Neuherberg, Tyskland); og stipendier fra Rolf W. Guenther Foundation radiologiske Naturvidenskabernes og de Charite Berlin Institute of sundhed kliniske videnskabsmand Program (Berlin, Tyskland).
J.S.D. og M.L. modtager tilskud fra National Institutes of Health (NIH/NCI R01CA206180) og Philips Healthcare (bedste, Nederlandene).
J.F.G. modtager tilskud fra National Institutes of Health (NIH/NCI R01CA206180), Philips Healthcare, BTG (London, Storbritannien), Boston Scientific (Marlborough, Massachusetts), og Guerbet Healthcare (Villepinte, Frankrig)
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).
