Login processing...

Trial ends in Request Full Access Tell Your Colleague About Jove

Medicine

Het voorspellen van behandeling reactie op Image-Guided therapieën met behulp van Machine Learning: een voorbeeld voor Trans-Arterial behandeling van hepatocellulaire Carcinoma

doi: 10.3791/58382 Published: October 10, 2018

Summary

Intra-arteriële therapieën zijn de standaard van zorg voor patiënten met hepatocellulaire carcinoom, die kan niet chirurgische resectie ondergaan. Een methode voor het voorspellen van de reactie op deze therapie wordt voorgesteld. De techniek maakt gebruik van vooraf procedurele informatie over klinische, demografische en imaging te trainen van machine learning modellen kunnen voorspellen van de respons voorafgaand aan de behandeling.

Abstract

Intra-arteriële therapieën zijn de standaard van zorg voor patiënten met hepatocellulaire carcinoom, die kan niet chirurgische resectie ondergaan. Het doel van deze studie was het ontwikkelen van een methode om te voorspellen reactie op intra-arteriële behandeling voorafgaand aan interventie.

De methode biedt een algemeen kader voor het voorspellen van de resultaten voordat intra-arteriële therapie. Het gaat om bundeling van klinisch en beeldvorming en demografische gegevens over een cohort van patiënten en het gebruik van deze gegevens om te trainen op een machine leren model. De opgeleide model wordt toegepast op nieuwe patiënten om te voorspellen van hun kans van respons op intra-arteriële therapie.

De methode leidt tot de verwerving en het ontleden van klinisch en beeldvorming en demografische gegevens van N -patiënten die al een trans-arterial therapieën hebben ondergaan. Deze gegevens zijn geparseerd in afzonderlijke kenmerken (leeftijd, geslacht, levercirrose, mate van verhoging van de tumor, etc.) en binarized in waar/onwaar-waarden (bijvoorbeeld leeftijd boven 60, mannelijk geslacht, verhoging van de tumor boven een bepaalde drempel, enz.). Low-variantie-functies en functies met lage univariate verenigingen met het resultaat worden verwijderd. Elke behandelde patiënt heet volgens gereageerd of niet reageren op de behandeling. Elke opleiding patiënt is dus vertegenwoordigd door een set van binaire eigenschappen en een resultaat-label. Machine leren modellen worden getraind met behulp van N - 1 patiënten met testen op de links-out patiënt. Dit proces wordt herhaald voor elk van de N -patiënten. De N -modellen zijn gemiddeld om te komen tot een definitief model.

De techniek is uitbreidbaar en kan de opname van extra functies in de toekomst. Het is ook een gegeneraliseerd proces dat kan worden toegepast op klinisch onderzoeksvragen buiten Interventionele radiologie. De belangrijkste beperking is de noodzaak om de functies van handmatig ontlenen met elke patiënt. Een populaire moderne vorm van machinaal leren genaamd diepe vereist leren geen last van deze beperking, maar grotere datasets.

Introduction

or Start trial to access full content. Learn more about your institution’s access to JoVE content here

Patiënten met hepatocellulaire carcinoom die geen chirurgische kandidaten worden aangeboden intra-arteriële therapieën1,2,3. Er is geen enkele statistiek die bepaalt of een patiënt op een intra-arteriële therapie reageren zal voordat de behandeling wordt beheerd. Het doel van deze studie was om aan te tonen van een methode die behandeling reactie voorspelt door toepassing van de methoden van machine learning. Dergelijke modellen een leidraad voor artsen en patiënten zijn bij het bepalen of u wilt doorgaan met een behandeling.

Het protocol houdt een reproduceerbare proces voor opleiding en bijwerken van een primaire patiëntgegevens (klinische notities, demografie, laboratorium gegevens en imaging) vanaf model. De gegevens wordt het aanvankelijk geparseerd voor specifieke functies, met elke patiënt door een reeks binaire eigenschappen en een binaire resultaat target label aangegeven. Het resultaat-label wordt bepaald met behulp van een gevestigde imaging gebaseerde reactie criterium voor hepatocellulaire therapie4,5,6,7. De functies en de doelgroep labels worden doorgegeven aan software voor het leren van machine die leert de toewijzing tussen functies en resultaten onder een specifiek model (logistische regressie of willekeurige forest)8,9,10te leren. Soortgelijke technieken zijn toegepast in de radiologie en andere gebieden van kankeronderzoek voor diagnose en behandeling voorspelling11,12,13.

De methode past technieken uit de informatica op het gebied van Interventionele radiologie. Traditionele betekenis studies in Interventionele radiologie en geneeskunde in het algemeen afhankelijk van mono - of oligo-functie-analyses. Bijvoorbeeld, bevat het Model voor End-Stage leverziekte vijf klinische statistieken om te beoordelen in welke mate van leverziekte. Het voordeel van de voorgestelde methode is de mogelijkheid om toe te voegen functies royaal; vijfentwintig functies worden beschouwd als in de voorbeeld-analyse. Extra functies kunnen worden toegevoegd als gewenste.

De techniek kan worden toegepast op andere radiografische interventies waar pre- en post interventie imaging gegevens beschikbaar zijn. Bijvoorbeeld kunnen resultaten na percutane behandelingen worden voorspeld op een vergelijkbare manier. De belangrijkste beperking van de studie is de noodzaak tot handmatige curate functies voor opname in het model. Curatie en functie gegevensextractie is tijdrovend voor de beoefenaar en klinische aanneming van zo'n machine leren modellen kan belemmeren.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

or Start trial to access full content. Learn more about your institution’s access to JoVE content here

1. Werkstation instellen voor machinaal leren

  1. Het gebruik van een systeem met de volgende:
    Intel Core 2 Duo of hogere processor van 2,0 GHz
    4 GB of meer systeemgeheugen
    POSIX-compatibel besturingssysteem (Linux of Mac OS) of Microsoft Windows 7
    Gebruikersmachtigingen voor het uitvoeren van programma's en het opslaan van bestanden
  2. Installeer de volgende hulpprogramma's:
    Anaconda Python3: https://www.anaconda.com/download
    DICOM naar NIfTI converter (dcm2niix) - https://github.com/rordenlab/dcm2niix
    Sublime Text Editor: https://www.sublimetext.com/
    itk-module (optioneel): http://www.itksnap.org
    1. Anaconda Python3, dcm2nii en sublieme tekst installeren, bezoek hun respectieve websites voor besturingssysteem specifieke installatiestappen.
    2. Maken en activeren van een Anaconda-omgeving.
      Conda maken--naam mlenv
      Conda activeren mlenv
    3. Anaconda pakketten installeren voor machinaal leren.
      Conda installeren numpy scipy scikit-leren van nltk nibabel
      Opmerking: Het nltk pakket is handig voor het parsen van leesbare tekst klinische notities, terwijl het nibabel-pakket nuttige functies voor medische beeldmanipulatie bevat. itk-module kan worden geïnstalleerd voor het uitvoeren van de segmentactie organen en tumoren van medische beelden. Het is nuttig voor beperkende functies aan specifieke regio's.

2. Functie extractie uit leesbare tekst klinische notities en gestructureerde klinische gegevens

  1. Maak een bovenliggende map voor het project en maak een map voor elke patiënt binnen de bovenliggende map. Directory-structuur moet lijken op:
    Project /
    Project/Patient_1 /
    Project/Patient_2 /
    Project/Patient_3 /
    ...
  2. Verkrijgen van leesbare tekst klinische notities uit de elektronische medische record (EMR). Notities handmatig via de EMR of door middel van het ziekenhuis informatie technologie (IT) kantoor via een data-dump ophalen. Van elke patiënt aantekeningen opslaan in hun respectieve mappen.
    Project/Patient_1/History_and_Physical.txt
    Project/Patient_1/Procedure_Note.txt
    1. Besloten welke klinische kenmerken in het model op te nemen. Parseren van de nota's van leesbare tekst, kliniek voor deze functies. De bibliotheek van Python Natural Language Toolkit (nltk) biedt nuttige commando's voor documenten splitsen in zinnen. Elke zin kan doorzocht worden op gepaste wijze geformuleerd zoals geelzucht. Van elke patiënt functies opslaan in een bestand met één eigenschap per regel.
      Project/Patient_1/Features.txt:
      leeftijd 67
      geslacht man
      albumine 3.1
      cirrhotic no
      hepatitis_c geen
      ...
    2. Voor niet-binaire functies, nemen de mediane waarde van elke functie in alle patiënten. Binarize elke functie als een waarde van het true(1) of false(0) op basis van de gemiddelde waarde.
      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
      ...

3. Functie extractie van medische beelden

Opmerking: Zie stap 3 aanvullende materialen voor voorbeelden van programmacode.

  1. Download pre-en post therapie magnetische resonantie DICOM-afbeeldingen uit het ziekenhuis PACS. Afbeeldingen opslaan in de overeenkomstige patiënt mappen.
    Project /
    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
  2. DICOM-afbeeldingen converteren naar NIfTI-formaat met behulp van het dcm2niix-programma. De volgende opdrachten converteert alle bestandstoevoeging afbeeldingen in de opgegeven map. Herhaal voor alle patiënten.
    dcm2niix Project/Patient_1 /
    dcm2niix Project/Patient_2 /
  3. Elk NIfTI-bestand laden in Python.
    nibabel importeren
    afbeelding = nibabel.load('Project/Patient_1/Pre_TACE_MRI_Pre-Contrast.dcm')
    1. Canonicalize de richting van elke afbeelding. Dit zorgt ervoor dat de x-, y- en z-assen identiek, ongeacht de machine gebruikt zijn te verwerven van de beelden.
      cImage = nibabel.as_closest_canonical(image)
  4. Itk-module (of een gelijkwaardige softwarepakket) om te segmenteren binaire lever en tumor maskers voor elke afbeelding te gebruiken.
    Project/Patient_1/Pre_TACE_MRI_Pre-Contrast_Liver_Mask.bin
    Project/Patient_1/Pre_TACE_MRI_Pre-Contrast_Tumor_Mask.bin
  5. Lees de lever en tumor maskers in Python. De onderstaande code laat zien hoe oriëntatie om problemen te verhelpen om te oriënteren van de maskers langs de dezelfde canonieke assen als de heer beelden.
    import numpy als np
    met open (liver_mask_file, 'rb') als 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
    1. Gebruik de lever en tumor maskers te isoleren voxels met lever en tumor.
      lever = np.copy(cImage)
      lever [liver_mask < = 0] = 0
  6. Bereken de gemiddelde verhoging van de lever functie.
    mean_liver_enhancement = mean(liver)
    1. Functie van de lever volume berekenen.
      pixdim cImage.header['pixdim =']
      eenheden = pre.header['xyzt_units']
      DX, dy, dz = pre_pixdim [1:4]
      liver_volume = length(liver) * dx * dx * dz
    2. (Optioneel) Bereken extra functies zoals gewenst.
  7. Patiënt-specifieke functies bestand bijgewerkt met de eigenschappen van de afbeelding.
    Project/Patient_1/Features.txt:
    leeftijd 67
    geslacht man
    albumine 3.1
    cirrhotic no
    hepatitis_c geen
    pre_tace_mean_liver_enhancement 78
    pre_tace_liver_volume 10000
    1. Berekenen van de gemiddelde waarden voor elke beeldbewerking functie en binarize zoals in stap 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

4. beschikken over aggregatie en vermindering

Opmerking: Zie stap 4 aanvullende materialen voor voorbeelden van programmacode.

  1. Combineer de Binary_Features.txt bestanden voor elke patiënt in een spreadsheet met patiënten op de y-as en functies op de x-as.
    Patiënt Leeftijd > 60 Mannelijk geslacht Albumine < 3.5 Aanwezigheid van levercirrose Hepatitis C aanwezig bedoel lever Toebehoren > 50 lever volume > 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
    1. QEASL resultaat reactie labels toevoegen als de laatste kolom.
      Patiënt Leeftijd > 60 Mannelijk geslacht Albumine < 3.5 Aanwezigheid van levercirrose Hepatitis C aanwezig bedoel lever Toebehoren > 50 lever volume > 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
    2. Het werkblad exporteren als een tabgescheiden bestand.
      Project/ML_Matrix.tsv:
      PatientAge > 60 mannelijke geslacht albumine < 3.5 aanwezigheid van levercirrose Hepatitis C huidige gemiddelde lever Toebehoren > 50 lever volume > 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
  2. Lage-variantie-functies verwijderen van overweging.
    import numpy als np
    importeren uit sklearn.feature_selection VarianceThreshold

    # Lees in de binaire matrix.
    functies =]
    etiketten =]
    want ik, L in enumerate(sys.stdin):
    Als ik == 0
    blijven
    n_fs_L = L.strip().split('\t')
    features.Append([float(_) voor _ in n_fs_L[1:-1]])
    Labels.Append(n_fs_L[-1])
    X = np.array(features)
    y = np.array(labels)

    # Berekenen functies verschijnen in ten minste 20% van zowel responders en niet-respnders.
    model = VarianceThreshold (drempel = 0,8 * (1 - 0.8))
    X_new = model.fit_transform (X, y)
    Het mannelijk geslacht, albumine < 3.5, aanwezigheid van levercirrose en lever volume > 2000-functies zijn verwijderd.
    Patiënt Leeftijd > 60 Hepatitis C aanwezig bedoel lever Toebehoren > 50 qEASL Responder
    1 0 0 1 1
    2 1 0 0 1
    3 0 1 0 0
  3. Verwijderen van functies met lage univariate-vereniging met het resultaat. Alleen die functies die 4.2 doorgegeven filteren. Behouden (logboek2van (N)) functies, waarbij N staat voor het aantal patiënten ceil. Ceil (logboek2van (3)) = 2.

    importeren van math
    importeren uit sklearn.feature_selection SelectKBest
    vanuit sklearn.feature_selection importeren chi2

    # Lees in de binaire matrix als in 4.2.1
    ...

    # Berekenen top ceil(log2(N)) functies door univariate association.
    k = math.ceil(log2(length(y)))
    model = SelectKBest (chi2, k = k)
    X_new = model.fit_transform (X, y)

    De mannelijke geslacht leeftijd > 60 functie is verwijderd uit de overige functies van 4.2.1.
Patiënt Hepatitis C aanwezig bedoel lever Toebehoren > 50 qEASL Responder
1 0 1 1
2 0 0 1
3 1 0 0

5. Model opleiding en testen

Zie stap 5 aanvullende materialen voor voorbeelden van programmacode

  1. Train een logistische regressiemodel met behulp van de functies van de binaire matrix van 4.3.
    importeren van math
    importeren uit sklearn.linear_model LogisticRegression

    # Lees in de binaire matrix zoals in 4.2 en 4.3.
    ...

    # Voor elke patiënt, trein een model op alle andere patiënten.
    Score = 0.0
    modellen =]
    voor patiënt in len(X):
    # Train model op alle, maar een van de patiënten.
    train_x = np.array ([_ want ik, _ in enumerate(X) als i! = patiënt])
    train_y = np.array ([_ want ik, _ in enumerate(y) als i! = patiënt])
    model = LogisticRegression(C=1e15)
    model.fit (train_x, train_y)

    # Test op de links-out patiënt.
    y_prediction = model.predict(X[patient])
    Als y_prediction == y [patiënt]:
    Score van += 1
    models.Append(model)
  2. Train een willekeurige forest-model met behulp van de functies van de binaire matrix van 4.2.2. Stappen zijn identiek aan 5.2.1, behalve het instantiëren van het model als volgt moet worden bijgewerkt:
    importeren uit sklearn.ensemble RandomForestClassifier
    ...
    model = RandomForestClassifier(n_estimators=100)
    ...
  3. Print score / len (X) voor 5.1 en 5.2. Hiermee wordt de gemiddelde nauwkeurigheid van alle logistische regressie-modellen en alle modellen van de willekeurige bos, respectievelijk. Alle N modellen moeten worden toegepast op nieuwe patiënten met gemiddelde declassificatie genomen als het resultaat voorspelling

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

or Start trial to access full content. Learn more about your institution’s access to JoVE content here

De voorgestelde methode werd toegepast op 36 patiënten die trans-arterial therapieën voor hepatocellulaire carcinoom had ondergaan. Vijfentwintig functies werden geïdentificeerd en met behulp van de binarized stappen 1-5. Vijf functies tevreden van zowel de variantie en univariate vereniging filters (zie stap 5.1 en 5.2) en werden gebruikt voor model opleiding. Elke patiënt was gelabeld als een-responder of non-responder onder de criteria van qEASL reactie. De functies matrix was dus een 36 x 5-array, terwijl de doelstelling etiketten vector 36 x 1.

Logistische regressie en willekeurige bos classificaties werden gebruikt voor de montage van het model. Verlof-one-out cross-validatie werd gebruikt voor het beoordelen van de prestaties van de resulterende modellen. Twee extra modellen werden getraind met behulp van alleen de top-twee functies (aanwezigheid van cirrose en pre-Trace tumor signaal intensiteit groter is dan 27,0). Figuur 1 illustreert de prestaties van de modellen, zoals de functies werden toegevoegd. Zowel de logistische regressie en de willekeurige bos modellen voorspeld trans-arterial chemoembolization behandeling reactie met een algehele nauwkeurigheid van 78% (62,5% van de gevoeligheid, specificiteit 82,1%, positief voorspellende waarde 50,0% negatieve voorspellende waarde 88,5%).

Figure 1
Figuur 1 : Prestaties van machine learning algoritmen. (a, b) Logistische regressie en (c, d) willekeurige bos classificatie nauwkeurigheden als functies worden toegevoegd. Functies werden toegevoegd in de volgende volgorde: 1) ethiodized olie, 2) sorafenib, 3) cirrose, 4) pre-transarterial chemo-embolisatie kan leiden relatieve tumor signaal intensiteit > 27,0 en 5) aantal tumoren > 2. Figuur gebruikt met toestemming in ongewijzigde vorm van het dagboek van vasculaire en Interventionele radiologie14. Klik hier voor een grotere versie van dit cijfer.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

or Start trial to access full content. Learn more about your institution’s access to JoVE content here

Patiënten met hepatocellulaire carcinoom die geen kandidaten voor chirurgische resectie zijn intra-arteriële therapieën aangeboden. Enkele methoden bestaan om te bepalen als een patiënt pre reageren zal-behandeling. Nabehandeling evaluatietechnieken zijn afhankelijk van wijzigingen in de grootte van de tumor of tumor contrast opname. Deze heten antwoord criteria, met de meest accurate is de kwantitatieve Europese vereniging voor de studie van het criterium van de lever (qEASL). qEASL berust op beide volumetrische en toebehoren wijzigingen na therapie te voorspellen van de kans op een reactie. Ondanks de sterke punten van qEASL, het is toch een nabehandeling evaluatiecriteria, en kan niet steun bij de planning van de behandeling.

Er is een noodzaak om te beoordelen welke patiënten kans om te reageren op intra-arteriële therapieën zijn alvorens de interventie uit te voeren. De methode aangetoond in dit protocol omvat klinische, voorzien van laboratorium en beeldvorming in een voorspellend model met behulp van technieken op het gebied van informatica en statistiek. Een machine leren model wordt opgeleid die kaarten van deze functies van patiënten die een intra-arteriële therapieën tot de resultaten van hun qEASL hebben ondergaan. Het model kan dan worden toegepast op nieuwe patiënten die behandeling te voorspellen hun reactie van de qEASL met behulp van alleen de functies van hun pre-behandeling zal ondergaan.

Stap 1 beschrijft werkstation instellen voor machinaal leren. Het biedt korte instructies over het opzetten van een workstation met vereiste tooling. Stap 2-4 ingaan op technische details over hoe klinisch en beeldvorming gegevens kunnen worden ontleed om te verkrijgen van de kenmerken van belang. Deze stappen zijn kritische zoals selectie van de desbetreffende functies bepalend zijn voor de doeltreffendheid van het model. Bepaalde substeps werden gekozen om te verlichten functie extractie. Radiografische beelden worden bijvoorbeeld doorgaans opgeslagen in de DICOM-indeling die niet ideaal voor beeldanalyse is. De National Institutes of Health (NIH) Neuroimaging tak ontwikkelde de standaard Neuroimaging informatica technologie-initiatief (NIfTI) ter vergemakkelijking van de beeldmanipulatie in research omgevingen. Stap 3.2 houdt de conversie van DICOM naar NIfTI formaat om het proces van extractie van de functie te vergemakkelijken. Lever en tumor maskers kunnen worden geëxtraheerd uit NIfTI-formaat met behulp van een programma zoals itk-module of soortgelijke segmentatie software.

Elke functie, moet of verworven van de klinische notities of imaging gegevens, binarized worden als waar / onwaar-waarden. Bijvoorbeeld, kan een afbeelding van continue verbetering kleurovergang variërend van 0 tot en met 10 worden binarized tot een enkele functie vertegenwoordigt verhoging groter of kleiner is dan 5. U kunt ook de functie kon worden opgesplitst in meerdere binaire eigenschappen: x < 3; 3 < = x < 7; 7 < = x. Machine learning modellen die op binaire eigenschappen werken makkelijker zijn te trainen.

Het eindresultaat van de stappen 2-4 is een binaire matrix met patiënten op de y-as, functies op de x-as, en een laatste kolom vertegenwoordigt het resultaat (-responder of non-responder) zoals bepaald voor de patiënt onder de qEASL reactie criterium. Bepaalde functies zijn ondervertegenwoordigd of oververtegenwoordigd zijn in de uitkomst van de bevolking. Bijvoorbeeld, als alle behandeling responders mannelijke, kan ten onrechte geconcludeerd worden dat mannelijke geslacht antwoordt inhoudt. Een manier om te gaan met deze denkfout is het verwijderen van alle functies die niet zijn gevonden in zowel responders en non-responders boven een bepaalde drempel zoals 20%.

Andere functies mogelijk beperkte belang bij het bepalen van de resultaten bestudeerd. Oogkleur is bijvoorbeeld waarschijnlijk niet relevant voor uitkomsten na intra-arteriële therapieën. Dergelijke functies zal hebben een lage univariate vereniging met het resultaat. Hoewel geen enkele functie naar verwachting hebben een significante (p < 0,05) vereniging met het resultaat, is een effectieve strategie te eisen dat functies sommige minimale univariate correlatie boven een opgegeven drempelwaarde hebben.

Stap 5 heeft betrekking op het proces van de opleiding en het toepassen van een machine leren model. Het is niet strikt noodzakelijk om over te gaan op de wijze beschreven, zolang het eindresultaat hetzelfde is. Het opleidingsproces gebruikt verlof-one-out cross-validatie waarbij N modellen zijn opgeleid voor elk van de N -patiënten. De resulterende modellen van N , gegenereerd op basis van verlof-one-out cross-validatie kunnen worden gemiddeld voor de productie van een uiteindelijke model.

De techniek is ook van toepassing op andere procedures gedaan onder imaging. Machinaal leren neemt functies uit een set van opleiding patiënten en gewichten hen volgens hun relatieve bijdrage aan het resultaat van een doel. De weging proces hangt af van het gekozen model; logistische regressie-modellen berekenen een geëxponentieerd lineaire combinatie terwijl willekeurige bos modellen een aantal gewogen beslisbomen gebruiken. Het doel gebruikt in dit protocol was reactie onder de qEASL-criterium. Andere doelen, zoals jarenlange ziektevrije overleving of jaar van de kwaliteit van het leven, kunnen worden gekozen afhankelijk van het gewenste resultaat onder vraag.

De belangrijkste beperking van het protocol is de noodzaak om handmatig definiëren en verkrijgen van de functies in aanmerking. Dit betekent een aanzienlijke hoeveelheid handenarbeid zoals parseren klinische notities, segmenteren tumor volumes en tellen van het aantal laesies. Diepe machinaal leren probeert te ontlenen automatisch functies uit de onbewerkte brongegevens, maar vereist aanzienlijk meer trainingsgegevens. Deze groeiende technologie zal is gebleken te zijn superieur aan begeleid leren in een verscheidenheid van contexten, en waarschijnlijk de volgende evolutie van voorspellende modellen voor patiënten die een afbeelding geleide procedures.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

A.A. werkt als een software-consult voor gezondheid Fidelity, Inc. die gebruikmaakt van soortgelijke machine leertechnieken op klinische notities voor het optimaliseren van de medische vergoeding.

J.F.G. ontvangt persoonlijke kosten van de Guerbet gezondheidszorg, BTG drempel Pharmaceuticals (San Francisco, Californië), Boston Scientific en Terumo (Elkton (Maryland)); en heeft een betaalde adviesbureau voor voorwetenschap Labs (Westport, Connecticut).

Geen van de andere auteurs hebben geïdentificeerd een belangenconflict.

Acknowledgments

A.A. ontvangen financiële steun van het Office of Student Research, Yale School of Medicine.

L.J.S. ontvangt subsidies van de National Institutes of Health (NIH/NCI R01CA206180), Leopoldina Postdoctoral Fellowship en de Rolf W. Guenther Foundation voor radiologische wetenschappen (Aken, Duitsland).

J.C. ontvangt subsidies van de National Institutes of Health (NIH/NCI R01CA206180), Philips Healthcare en de Duits-Israëlische Stichting voor wetenschappelijkonderzoek en ontwikkeling (Jeruzalem, Israël en Neuherberg, Duitsland); en beurzen uit de Rolf W. Guenther Foundation voor radiologische wetenschappen en het Charite Berlijn Instituut van gezondheid klinische wetenschapper programma (Berlijn, Duitsland).

J.S.D. en M.L. ontvangen subsidies van de National Institutes of Health (NIH/NCI R01CA206180) en Philips Healthcare (Best, Nederland).

J.F.G. ontvangt subsidies van de National Institutes of Health (NIH/NCI R01CA206180), Philips Healthcare, BTG (London, Verenigd Koninkrijk), Boston Scientific (Marlborough, Massachusetts), en Guerbet gezondheidszorg (Villepinte, Frankrijk)

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.

DOWNLOAD MATERIALS LIST

References

  1. Benson, A., et al. NCCN clinical practice guidelines in oncology: hepatobiliary cancers. J National Comprehensive Cancer Network. 7, (4), 350-391 (2009).
  2. Siegel, R., Miller, K., Jemal, A. Cancer statistics, 2016. CA Cancer J Clin. 66, (1), 7-30 (2016).
  3. 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).
  4. 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).
  5. 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).
  6. 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).
  7. 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).
  8. Pedregosa, F., et al. Scikit-learn: Machine Learning in Python. Journal of Machine Learning Research. 12, 2825-2830 (2011).
  9. Bishop, C. Pattern recognition and machine learning. Springer. New York. 738 (2006).
  10. Alpaydin, E. Introduction to machine learning. Third edition. The MIT Press. Cambridge, Massachusetts. 613 (2014).
  11. Kim, S., Cho, K., Oh, S. Development of machine learning models for diagnosis of glaucoma. PLoS One. 12, (5), (2017).
  12. 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).
  13. Wang, S., Summers, R. Machine learning and radiology. Medical Image Analysis. 16, (5), 933-951 (2012).
  14. 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).
Het voorspellen van behandeling reactie op Image-Guided therapieën met behulp van Machine Learning: een voorbeeld voor Trans-Arterial behandeling van hepatocellulaire Carcinoma
Play Video
PDF DOI DOWNLOAD MATERIALS LIST

Cite this Article

Abajian, A., Murali, N., Savic, L. J., Laage-Gaupp, F. M., Nezami, N., Duncan, J. S., Schlachter, T., Lin, M., Geschwind, J. F., Chapiro, J. Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma. J. Vis. Exp. (140), e58382, doi:10.3791/58382 (2018).More

Abajian, A., Murali, N., Savic, L. J., Laage-Gaupp, F. M., Nezami, N., Duncan, J. S., Schlachter, T., Lin, M., Geschwind, J. F., Chapiro, J. Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma. J. Vis. Exp. (140), e58382, doi:10.3791/58382 (2018).

Less
Copy Citation Download Citation Reprints and Permissions
View Video

Get cutting-edge science videos from JoVE sent straight to your inbox every month.

Waiting X
simple hit counter