Login processing...

Trial ends in Request Full Access Tell Your Colleague About Jove

Medicine

חיזוי טיפול בתגובה תמונה מונחה טיפולים באמצעות למידה חישובית: דוגמא לטיפול קרצינומה Hepatocellular הטרנס-עורקים

doi: 10.3791/58382 Published: October 10, 2018

Summary

טיפולים התוך עורקי הם סטנדרטי של טיפול בחולים עם קרצינומה hepatocellular, אשר לא ניתן לעבור כריתה כירורגית. שיטה לחיזוי התגובה לטיפולים אלה מוצע. הטכניקה משתמשת במידע קליני, דמוגרפי, הדמיה מראש פרוצדורלי לאמן מכונת למידה מודלים מסוגל לחזות את התגובה לפני הטיפול.

Abstract

טיפולים התוך עורקי הם סטנדרטי של טיפול בחולים עם קרצינומה hepatocellular, אשר לא ניתן לעבור כריתה כירורגית. מטרת מחקר זה היתה לפתח שיטה לחיזוי התגובה לטיפול התוך עורקי לפני התערבות.

השיטה מספקת מסגרת כללית לניבוי תוצאות לפני טיפול התוך עורקי. זה כרוך באגירת קליני, דמוגרפיים ונתוני ההדמיה על-פני קבוצה של חולים אלה נתונים ושימוש לאמן מודל למידה מכונה. המודל מיומן מוחל על חולים חדשים כדי לנבא את הסבירות לתגובה לטיפול התוך עורקי.

השיטה מצריכה רכישת ופרישה של נתונים קליניים, דמוגרפי, הדמיה N בחולים שעברו כבר טיפולים הטרנס-עורקים. נתונים אלה הינם מנותח אל תכונות דיסקרטית (גיל, מין, שחמת, דרגת הגידול שיפור, וכו '), binarized לתוך ערכי true/false (למשל, גיל מעל 60, המגדר הגברי, שיפור הגידול מעבר קביעת הסף, וכו '). תכונות נמוך-סטיה ותכונות עם עמותות univariate נמוך עם התוצאה יוסרו. כל מטופל שטופלו נקראת על פי אם הם הגיבו או לא הגיב לטיפול. כל מטופל הכשרה ובכך מיוצג על ידי קבוצה של תכונות בינארי ותווית התוצאה. מכונת למידה מודלים מאומנים באמצעות N - 1 חולים עם בדיקות על המטופל שמאל-אאוט. תהליך זה חוזר על עצמו עבור כל המטופלים N . חישוב הממוצע הדגמים N כדי להגיע למודל הסופי.

הטכניקה ניתנת להרחבה, ומאפשרת ההכללה של תכונות נוספות בעתיד. זה גם תהליך להכליל כי ניתן להחיל את שאלות המחקר הקליני מחוץ רדיולוגיה התערבותית. המגבלה העיקרית היא צורך נובעות תכונות באופן ידני כל מטופל. צורה מודרנית הפופולרי של מכונת למידה שנקרא עמוק למידה לא סובל מגבלה זו, אך דורשות datasets גדול יותר.

Introduction

בחולים עם קרצינומה hepatocellular שאינם כירורגיים מועמדים מוצעים טיפולים התוך עורקי1,2,3. אין שום מדד יחיד אשר קובע אם החולה יגיב טיפול אינטרה-עורקים לפני הטיפול נעשה. מטרת מחקר זה היתה להפגין שיטה אשר מנבאת את התגובה לטיפול על-ידי החלת שיטות של למידה חישובית. מודלים כאלה לספק הדרכה למטפלים ומטופלים בבואך לבחור אם להמשיך בטיפול.

הפרוטוקול מצריכה תהליך לשחזור עבור הדרכת ועדכון מודל החל מנתונים עיקריים החולה (הערות קליני, דמוגרפיה, נתוני מעבדה, הדמיה). הנתונים בתחילה מנותח לתכונות מסוימות, עם כל מטופל המיוצג על-ידי קבוצת תכונות בינארי, תווית היעד תוצאה בינארית. התווית התוצאה נקבעת באמצעות קריטריון הוקמה תגובה מבוססת-הדמיה של hepatocellular טיפול4,5,6,7. תכונות והתוויות היעד מועברים לתוכנה למידה מכונת לומד את המיפוי בין תכונות ותוצאות תחת ספציפי של למידה מודל (רגרסיה לוגיסטית או יער אקראי)8,9,10. טכניקות דומות הוחלו רדיולוגיה ובאזורים אחרים לחקר הסרטן עבור אבחון וטיפול חיזוי11,12,13.

השיטה מסתגל טכניקות של מדעי המחשב לשדה לרדיולוגיה התערבותית. המשמעות המסורתית הלימודים רדיולוגיה התערבותית, הרפואה באופן כללי, מסתמכים על מונו - או oligo-תכונה ניתוחים. לדוגמה, המודל עבור מחלת כבד סופנית משלבת חמישה מדדים קליניים כדי להעריך את היקף מחלת כבד. היתרון של השיטה המוצעת היא היכולת להוסיף תכונות בנדיבות; עשרים וחמש תכונות נחשבים בניתוח דוגמה. ניתן להוסיף תכונות נוספות לפי הצורך.

הטכניקה שיוחלו על התערבויות אחרות רדיוגרפי בו מראש, שלאחר ההתערבות נתונים הדמיה זמינים. לדוגמה, יכול להיות החזוי תוצאות בעקבות טיפולים percutaneous באופן דומה. המגבלה העיקרית של המחקר הוא הצורך לתכונות בדיוקסיה ידנית להכללה במודל. מיצוי נתונים curation וכוללים גוזלת זמן עבור המטפל, עשוי לעכב קליניים אימוץ כזה מכונת למידה מודלים.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

1. תחנת עבודה ההתקנה עבור למידה חישובית

  1. להשתמש במערכת בפריטים הבאים:
    Intel Core 2 Duo או CPU גבוה יותר ב- 2.0 ג'יגה-הרץ
    4 ג'יגה-בתים או יותר של זיכרון מערכת
    תואם POSIX מערכת ההפעלה (לינוקס או Mac OS) או Microsoft Windows 7
    הרשאות משתמש עבור הרצת תוכנות ושמירה של הקבצים
  2. התקן את הכלים הבאים:
    אנקונדה Python3: https://www.anaconda.com/download
    DICOM ממיר NIfTI (dcm2niix) - https://github.com/rordenlab/dcm2niix
    עורך טקסט הנשגב: https://www.sublimetext.com/
    itk-SNAP (אופציונלי): http://www.itksnap.org
    1. להתקין Python3 אנקונדה, dcm2nii וטקסט הנשגב, בקר שלהם אתרי אינטרנט בהתאמה עבור שלבי ההתקנה הספציפי של מערכת ההפעלה.
    2. ליצור ולהפעיל סביבה אנקונדה.
      conda צור - שם mlenv
      conda להפעיל את mlenv
    3. התקנת חבילות אנקונדה למידה חישובית.
      conda להתקין numpy scipy scikit-ללמוד nltk nibabel
      הערה: החבילה nltk שימושית עבור פרישת הערות קליניים בטקסט רגיל, ואילו החבילה nibabel מספק פונקציות שימושיות עבור מניפולציה תמונה רפואית. ניתן להתקין itk-SNAP ולהפרדת איברים וגידולים מתמונות רפואי. זה שימושי עבור תכונות מגבילה לאזורים ספציפיים.

2. הדמיה הערות קליניים בטקסט רגיל, נתונים קליניים מובנים

  1. ליצור ספריה האב עבור הפרוייקט וליצור תיקיה עבור כל מטופל בתוך תיקיית האב. מבנה הספריות צריך דומה:
    פרוייקט /
    פרוייקט/Patient_1 /
    פרוייקט/Patient_2 /
    פרוייקט/Patient_3 /
    ...
  2. לקבל טקסט רגיל הערות קליניים מהרשומה הרפואית אלקטרונית (אלקטרומגנטית). לאחזר הערות באופן ידני דרך של EMR או על-ידי המשרד טכנולוגיות (IT) מידע חולים דרך מזבלה-נתונים. אחסן ההערות של כל מטופל בתיקיות המתאימות שלהם.
    Project/Patient_1/History_and_Physical.txt
    Project/Patient_1/Procedure_Note.txt
    1. החליט אילו תכונות קליני כדי לכלול במודל. לנתח את ההערות מרפאת בטקסט רגיל עבור תכונות אלה. הספרייה פייתון שפה טבעית Toolkit (nltk) מספק פקודות שימושיות עבור פיצול מסמכים לתוך משפטים. ניתן לחפש מידע בכל משפט המתאים לתנאי כגון צהבת. חנות תכונות של כל מטופל קובץ עם תכונה אחת בכל שורה.
      Project/Patient_1/Features.txt:
      גיל 67
      מין זכר
      אלבומין 3.1
      . לא זה קשה וחיוור.
      hepatitis_c אין
      ...
    2. עבור תכונות שאינו בינארי, לקחת את הערך החציוני של כל תכונה על פני כל המטופלים. Binarize כל תכונה true(1) או false(0) כערך המבוסס על הערך החציוני.
      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. הדמיה רפואית תמונות

הערה: ראה שלב 3 חומרים משלימים עבור דוגמאות קוד.

  1. הורד טרום טיפול פוסט-תהודה מגנטית DICOM תמונות מבית החולים. המשלוח מהשקם הגיע. לאחסן תמונות בתיקיות המתאימות החולה.
    פרוייקט /
    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. להמיר תמונות DICOM לפורמט NIfTI באמצעות תוכנית dcm2niix. הפקודות הבאות ממירה את כל התמונות .dcm בתיקייה שצוינה. חזור על כל המטופלים.
    dcm2niix פרוייקט/Patient_1 /
    dcm2niix פרוייקט/Patient_2 /
  3. לטעון כל קובץ NIfTI לתוך פייתון.
    ייבוא nibabel
    תמונה = nibabel.load('Project/Patient_1/Pre_TACE_MRI_Pre-Contrast.dcm')
    1. קנונליזציה הכיוון של כל תמונה. פעולה זו מבטיחה כי x, y ו- z הם זהים, ללא קשר המכונה נהגה לרכוש את התמונות.
      cImage = nibabel.as_closest_canonical(image)
  4. השתמש itk-SNAP (או חבילת תוכנה מקבילה) כדי לחלק מסכות הכבד ואת הגידול בינאריים עבור כל תמונה.
    Project/Patient_1/Pre_TACE_MRI_Pre-Contrast_Liver_Mask.bin
    Project/Patient_1/Pre_TACE_MRI_Pre-Contrast_Tumor_Mask.bin
  5. קרא את המסכות הכבד ואת הגידול לתוך פייתון. הקוד שלהלן מדגים כיצד לתקן בעיות התמצאות על מנת אוריינט המסכות לאורך הצירים הקנוני אותם כתמונות מר.
    לייבא numpy np
    עם פתח (liver_mask_file, 'rb') כ- f:
    liver_mask = f.read()
    liver_mask = np.fromstring (liver_mask, dtype = 'uint8')
    liver_mask = np.reshape (liver_mask, diff.shape, הזמנת = 'F')
    liver_mask = liver_mask [:,::-1,:]
    liver_mask [liver_mask > 0] = 1
    1. השתמש המסכות הכבד ואת הגידול כדי לבודד voxels המכיל הכבד ואת הגידול.
      כבד = np.copy(cImage)
      הכבד [liver_mask < = 0] = 0
  6. לחשב תכונה רעה שיפור בכבד.
    mean_liver_enhancement = mean(liver)
    1. חישוב נפח כבד תכונה.
      pixdim = cImage.header['pixdim']
      יחידות = pre.header['xyzt_units']
      dx, dy, ובמטוס = pre_pixdim [1:4]
      liver_volume = length(liver) * dx * dx * dz
    2. (אופציונלי) לחשב תכונות נוספות לפי הצורך.
  7. עדכון קובץ התכונות הספציפיות להחולה עם תכונות התמונה.
    Project/Patient_1/Features.txt:
    גיל 67
    מין זכר
    אלבומין 3.1
    . לא זה קשה וחיוור.
    hepatitis_c אין
    pre_tace_mean_liver_enhancement 78
    pre_tace_liver_volume 10000
    1. לחשב ערכים עבור כל תכונה הדמיה, binarize כמו שלב 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. כוללים צבירה וצמצום

הערה: ראה שלב 4 חומרים משלימים עבור דוגמאות קוד.

  1. לשלב את הקבצים Binary_Features.txt עבור כל מטופל לתוך גיליון אלקטרוני עם חולים על ציר ה-y ותכונות בציר ה-x.
    החולה גיל > 60 המין הגברי אלבומין < 3.5 נוכחות של שחמת הפטיטיס C הנוכחי כלומר שיפור בכבד > 50 נפח כבד > 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. להוסיף qEASL תוצאות התגובה תוויות העמודה האחרונה.
      החולה גיל > 60 המין הגברי אלבומין < 3.5 נוכחות של שחמת הפטיטיס C הנוכחי כלומר שיפור בכבד > 50 נפח כבד > 20000 qEASL המשיב
      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. ייצוא הגיליון האלקטרוני כקובץ המופרד באמצעות טאבים.
      Project/ML_Matrix.tsv:
      PatientAge > 60 אלבומין המין הגברי < 3.5 נוכחות של שחמת הכבד הפטיטיס C הנוכחי אומר שיפור בכבד > 50 נפח כבד > 20000 qEASL המשיב
      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. הסר תכונות נמוך-סטיה שיקול.
    לייבא numpy np
    ייבא sklearn.feature_selection VarianceThreshold

    קיראי המטריצה בינארי.
    תכונות =]
    תוויות =]
    כי אני, אני ב enumerate(sys.stdin):
    אם אני = = 0
    המשך
    n_fs_L = L.strip().split('\t')
    features.append([float(_) עבור _ ב- n_fs_L[1:-1]])
    labels.append(n_fs_L[-1])
    X = np.array(features)
    y = np.array(labels)

    # לחשב תכונות המופיעים לפחות 20% מהנשאלים והן הלא-respnders.
    מודל = VarianceThreshold (סף = 0.8 * (1 - 0.8))
    X_new = model.fit_transform (X, y)
    המין הגברי, אלבומין < 3.5, נוכחות של שחמת ותכונות הכבד נפח > 2000 הוסרו.
    החולה גיל > 60 הפטיטיס C הנוכחי כלומר שיפור בכבד > 50 qEASL המשיב
    1 0 0 1 1
    2 1 0 0 1
    3 0 1 0 0
  3. הסר תכונות univariate נמוך-עמותת עם התוצאה. לסנן רק תכונות אלה שעברו 4.2. שומרים על תכונות (יומן2(N)), כאשר N הוא מספר המטופלים סיל. סיל (יומן2(3)) = 2.

    ייבוא מתמטיקה
    ייבא sklearn.feature_selection SelectKBest
    מ sklearn.feature_selection יבא chi2

    קיראי המטריצה בינאריים כמו 4.2.1
    ...

    # לחשב תכונות ceil(log2(N)) העליון על ידי איגוד univariate.
    k = math.ceil(log2(length(y)))
    מודל = SelectKBest (chi2, k = k)
    X_new = model.fit_transform (X, y)

    התכונה > 60 גיל המין הגברי הוסר מן התכונות הנותרות מ 4.2.1.
החולה הפטיטיס C הנוכחי כלומר שיפור בכבד > 50 qEASL המשיב
1 0 1 1
2 0 0 1
3 1 0 0

5. מודל הדרכה ובדיקות

ראה חומרים משלים שלב 5 דוגמאות קוד

  1. הרכבת מודל רגרסיה לוגיסטית באמצעות מטריקס כולל בינארי מ- 4.3.
    ייבוא מתמטיקה
    ייבא sklearn.linear_model LogisticRegression

    קיראי המטריצה בינאריים כמו 4.2 ו- 4.3.
    ...

    # עבור כל מטופל, הרכבת דוגמנית על כל חולים אחרים.
    התוצאה = 0.0
    מודלים =]
    עבור מטופל ב len(X):
    # הרכבת הדגם על כל פרט אחד המטופלים.
    train_x = np.array ([_ כי אני, _ ב enumerate(X) if i! = החולה])
    train_y = np.array ([_ כי אני, _ ב enumerate(y) if i! = החולה])
    מודל = LogisticRegression(C=1e15)
    model.fit (train_x, train_y)

    # מבחן על המטופל שמאל-אאוט.
    y_prediction = model.predict(X[patient])
    אם y_prediction = = y [החולה]:
    ניקוד + = 1
    models.append(model)
  2. הרכבת דגם יער אקראית באמצעות מטריקס כולל בינארי של 4.2.2. השלבים זהים 5.2.1, אלא יש לעדכן את הנזק דגם כדלקמן:
    ייבא sklearn.ensemble RandomForestClassifier
    ...
    מודל = RandomForestClassifier(n_estimators=100)
    ...
  3. להדפיס את הציון / לן (X) עבור 5.1 ו- 5.2. זה מייצג את הדיוק הממוצע של כל הדגמים רגרסיה לוגיסטית, כל הדגמים יער אקראי, בהתאמה. כל הדגמים N צריך להיות מוחל על חולים חדשים עם הסיווג הממוצע נלקח כפועל יוצא חיזוי

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

השיטה המוצעת הוחל על-36 מטופלים שעברו טיפולים הטרנס-עורקים קרצינומה hepatocellular יסודי. עשרים וחמש תכונות זוהו, binarized באמצעות צעדים 1-5. חמש תכונות מרוצה השונות והן univariate האגודה מסננים (ראה שלבים 5.1 ו- 5.2), שימשו מודל אימון. כל מטופל סומן כמו המגיב או הלא-למגיב תחת הקריטריונים תגובה qEASL. המטריקס תכונות וכך היה מערך 36 x 5 בזמן הווקטור תוויות היעד היה 36 x 1.

ברגרסיה לוגיסטית, יער אקראי מסווגים שימשו מודל הולם. עזוב-אחד-אאוט קרוס-אימות שימש כדי להעריך את הביצועים של הדגמים וכתוצאה מכך. שני דגמים נוספים הוכשרו באמצעות רק תכונות העליון-שתיים (נוכחות בעוצמה שחמת, pre-הרכס הגידול הסימן גדול מ- 27.0). איור 1 מדגימה את הביצועים של הדגמים כמו תכונות נוספו. רגרסיה לוגיסטית והן מודלים יער אקראי חזה chemoembolization טרנס-העורקים טיפול תגובה עם דיוק הכוללת של 78% (רגישות 62.5%, ירידה לפרטים 82.1%, ערך ניבוי חיובי 50.0%, ערך ניבוי שלילי 88.5%).

Figure 1
איור 1 : הביצועים של מכונת למידה אלגוריתמים. (א,) רגרסיה לוגיסטית (c, d) יער אקראי accuracies מסווג כאל תכונות נוספות. תכונות נוספו לפי הסדר הבא: שמן 1) ethiodized, 2) sorafenib, 3) שחמת, 4) טרום-transarterial כימותרפיה-אמבוליזציה הגידול היחסי אות בעוצמה > 27.0 ולא 5) מספר גידולים > 2. איור בשימוש באישורו, בצורתה המקורית של כתב העת של כלי דם ו רדיולוגיה התערבותית14. אנא לחץ כאן כדי להציג גירסה גדולה יותר של הדמות הזאת.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

בחולים עם קרצינומה hepatocellular שאינם מועמדים כריתה כירורגית מוצעים טיפולים התוך עורקי. כמה שיטות קיימות כדי לקבוע אם החולה יגיב קדם-טיפול. טכניקות הערכה שלאחר הטיפול מסתמכים על שינויים גודל הגידול או גידול ניגודיות ספיגת. אלה נקראים קריטריונים התגובה, עם הישות המדויקות ביותר האגודה האירופאית כמותיים בחקר הקריטריון הכבד (qEASL). qEASL נשענת על שניהם הנפחי ושינויים שיפור בעקבות טיפול לחזות הסתברות התגובה. למרות החוזק של qEASL, שזה בכל זאת קריטריון הערכה שלאחר הטיפול, לא יכול לסייע בתכנון טיפול.

יש צורך להעריך אילו חולים נוטים להגיב לטיפולים התוך עורקי לפני ביצוע ההתערבות. השיטה הפגינו פרוטוקול זה משלבת קליני, מעבדה והדמיה כולל למודל החיזוי תוך שימוש בטכניקות מתחום מדעי המחשב וסטטיסטיקה. מודל הלמידה מכונת שאומן הממפה את תכונות אלה של חולים שעברו טיפולים התוך עורקי לתוצאות שלהם qEASL. ניתן להחיל את המודל ואז למטופלים חדשים אשר יעבור טיפול כדי לחזות את תגובתם qEASL באמצעות רק שלהם תכונות טיפול קדם.

שלב 1 מתאר את תחנת העבודה ההתקנה עבור למידה חישובית. זה מספק הוראות קצרות על כיצד הגדרת תחנת עבודה עם אבזור נדרש. אולי אפשרות לנתח את שלבים 2-4 להיכנס לפרטים טכניים אודות נתונים קליניים וכיצד הדמיה כדי לקבל תכונות של ריבית. שלבים אלה הם קריטיים כמו מבחר של תכונות המתאימות יקבע את האפקטיביות של המודל. Substeps מסוימים נבחרו כדי להקל על הדמיה. לדוגמה, תמונות רדיוגרפי מאוחסנים בדרך כלל תבנית DICOM אשר אינה אידיאלית עבור ניתוח תמונות. הסניף דימות מוחי הלאומית המכונים לבריאות (NIH) פיתחו תקן יוזמה טכנולוגיית דימות מוחי מידענות (NIfTI) כדי להקל על התמונה מניפולציה בסביבות מחקר. שלב 3.2 מצריכה המרה DICOM לתבנית NIfTI כדי להקל על התהליך של הדמיה. הכבד ומסיכות הגידול עשוי להיות מופק בתבנית NIfTI באמצעות תוכנית כגון תוכנה פילוח itk-SNAP או דומה.

כל תכונה, אם רכשה הערות קליני או נתונים הדמיה, צריך להיות binarized כערכי אמת-שקר. לדוגמה, תמונה רציפה שיפור הדרגתי בטווח של 0 עד 10 עשוי להיות binarized כדי תכונה יחיד מייצג שיפור גדול יותר או פחות מ- 5. לחלופין, התכונה יכולה להיות לפצל המרובים בינארי: x < 3; 3 < = x < 7; 7 < = x לומדות מודלים הפועלות על תכונות בינארית הם יותר צייתן.

התוצאה הסופית של שלבים 2-4 היא מטריצה בינארי עם חולים על ציר ה-y, תכונות על ציר ה-x, ועמודה הסופי המייצג את התוצאה (המשיב או הלא-המשיב) כפי שנקבע עבור החולה במסגרת קריטריון התגובה qEASL. תכונות מסוימות ייתכן שאינם מיוצגים או מייצגים יתר באוכלוסייה התוצאה. לדוגמה, אם המגיבים לטיפול כל זכר, הוא עשוי באופן שגוי להיות סיכם כי המגדר הגברי מרמז על התגובה. דרך אחת להתמודד עם כשל זה היא להסיר את כל תכונות שאינם נמצאים המגיבים והן שאינם המגיבים מעל הסף מסוימות כגון 20%.

תכונות אחרות תהיה מוגבלת חשיבות בקביעת התוצאה שנבחנה. לדוגמה, צבע עיניים סביר לא רלוונטי לתוצאות בעקבות טיפולים התוך עורקי. תכונות כגון יש אגודה univariate נמוך עם התוצאה. למרות תכונה אחת לא צפויה להיות קשר משמעותי (p < 0.05) עם התוצאה, אסטרטגיית יעיל הוא לדרוש כי תכונות יש כמה קורלציה מינימלית univariate מעל סף מוגדר.

שלב 5 מכסה את התהליך של מכונת למידה מודל אימון ויישום. . זה לא הכרחי כדי להמשיך בצורה המתוארת, כל עוד התוצאה הסופית זהה. תהליך ההכשרה משתמש הצלב לעזוב-אחד-אאוט-לפיה מאומנים דגמי N עבור כל המטופלים N אימות. ייתכן ייכללו בממוצע הדגמים וכתוצאה מכך N המופקים לעזוב-אחד-אאוט קרוס-אימות כדי לייצר מודל הסופי.

הטכניקה ישימה גם על הליכים אחרים נעשים תחת הדמיה. למידה חישובית לוקח תכונות מתוך קבוצת הדרכה למטופלים, עם משקולות אותם על פי תרומתם היחסית תוצאה היעד. תהליך ניפוח תלוי דגם שבחרת; רגרסיה לוגיסטית מודלים לחשב צירוף לינארי של exponentiated בזמן יער אקראי מודלים להעסיק ערכה של ההחלטה משוקללת לעצים. המטרה בשימוש פרוטוקול זה היתה תגובה תחת הקריטריון qEASL. מטרות נוספות, כגון שנים ההישרדות ללא מחלה או איכות חיים שנים, עשוי להיבחר בהתאם לתוצאה הרצויה תחת שאלה.

המגבלה העיקרית של הפרוטוקול הוא הצורך להגדיר ולהשיג את התכונות תחת שיקול באופן ידני. זה כרוך כמות משמעותית של עבודה ידנית כגון ניתוח הקליני הערות, הממיין הגידול כרכים, ספירת מספר נגעים. למידה חישובית עמוק ניסיונות להפיק באופן אוטומטי תכונות מנתוני המקור raw, אך דורשת נתונים אימונים יותר באופן משמעותי. טכנולוגיה זו גדל הוכח להיות מעולה ללמידה תחת פיקוח במגוון של הקשרים, צפויה להיות ההתפתחות הבאה של מודלים עבור חולים שעברו הליכים תמונה מונחה.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

א. א עובד כמו ייעוץ תוכנה עבור בריאות נאמנות בע מ מעסיקה מכונה דומה לומד טכניקות על הערות קליניים עבור מיטוב החזר רפואי.

ג מקבל דמי אישי Guerbet בריאות, BTG, סף תרופות (סן פרנסיסקו, קליפורניה), בוסטון סיינטיפיק, Terumo (Elkton, מרילנד); וכולל ייעוץ בתשלום עבור מעבדות ידיעה מוקדמת (בווסטפורט, קונטיקט).

אף אחד המחברים אחרים זיהו ניגוד אינטרסים.

Acknowledgments

א. א קיבל תמיכה במימון המשרד של תלמיד מחקר, בית הספר לרפואה של אוניברסיטת ייל.

L.J.S. מקבל מענקים של המכון הלאומי לבריאות (NIH/NCI R01CA206180), Leopoldina בתר, קרן Guenther וו רולף למדעים רדיולוגי (אאכן, גרמניה).

ג'יי מקבל מענקים של המכון הלאומי לבריאות (NIH/NCI R01CA206180), פיליפס בריאות, קרן גרמניה-ישראל למחקר מדעי ופיתוח (ירושלים, ישראל, Neuherberg, גרמניה); מלגות מטעם קרן רולף Guenther וו של מדעים רדיולוגי Charite ברלין המכון של בריאות מדען התוכנית הקלינית (ברלין, גרמניה).

הדוקטור שלו, מ. ל מקבלים מענקים במכון הלאומי לבריאות (NIH/NCI R01CA206180) ובריאות פיליפס (הכי טוב, הולנד).

ג מקבל מענקים מן המכון הלאומי לבריאות (NIH/NCI R01CA206180), פיליפס בריאות, BTG (לונדון, אנגליה), בוסטון סיינטיפיק (מרלבורו, מסצ'וסטס), Guerbet שירותי בריאות (Villepinte, צרפת)

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).
חיזוי טיפול בתגובה תמונה מונחה טיפולים באמצעות למידה חישובית: דוגמא לטיפול קרצינומה Hepatocellular הטרנס-עורקים
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