Login processing...

Trial ends in Request Full Access Tell Your Colleague About Jove

Medicine

機械学習を用いた画像誘導治療治療に対する反応を予測: 肝細胞癌における経動脈的治療の例

doi: 10.3791/58382 Published: October 10, 2018

Summary

動注療法は、外科的切除を受けることができない肝細胞癌患者に対するケアの標準です。これらの治療法に対する応答予測手法を提案します。技術は、治療前に応答を予測できる機械学習モデルのトレーニングに、人口統計学的、臨床的および画像については事前手続きを使用します。

Abstract

動注療法は、外科的切除を受けることができない肝細胞癌患者に対するケアの標準です。この研究の目的は、介入前に動脈内治療への反応を予測する方法を開発するあった。

メソッドは、動注療法の前に結果を予測するための一般的な枠組みを提供します。それは全体の患者のコホート臨床的、人口統計学および画像データをプールと機械学習モデルを訓練するこれらのデータを使用して含まれます。トレーニング済みのモデルは、新しい患者に動脈内治療への反応の可能性を予測するために適用されます。

メソッドは、買収とNにおける経動脈的治療をすでに受けている患者の臨床的、人口統計学および画像データの解析を伴います。これらのデータは離散的特徴 (年齢、性別、肝硬変、腫瘍促進等の程度) に解析され、真/偽値 (例えば、 60、男性、性別、腫瘍強化閾値を設定する等を超えて時代) に二値化します。低分散機能と低単変量の関連付けは結果と機能が削除されます。各治療患者は、彼らが答えたまたは治療に応答しなかったかどうかに従って分類されます。各トレーニング患者は従ってバイナリ機能と結果ラベルのセットによって表されます。機械学習モデルは、 N - 1 症例左アウト患者にテストを使用して訓練されます。N患者ごとにこのプロセスが繰り返されます。Nモデルの平均値に最終的なモデルに到着します。

技術では、拡張性があり、今後の追加機能を含めることを可能します。また、放射線の外の臨床研究の質問に適用される汎化可能なプロセスです。主な制限は、各患者からの機能を手動で派生する必要です。深いと呼ばれる機械学習の普及した現代的な形この制限からを受けない学習しますが、大きなデータセットが必要です。

Introduction

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

肝細胞癌手術の候補者ではない患者は、動脈内治療1,2,3を提供しています。治療が投与される前に、患者が動注療法に対応かどうかを決定する 1 つの指標はありません。本研究の目的は、機械学習からメソッドを適用することによって治療効果を予測する手法を実証することでした。治療を続行するかどうかを選択するとき、このようなモデルは医師と患者に指導を提供します。

プロトコルは、トレーニングおよびプライマリ患者データ (臨床ノート、人口統計、実験室データ、およびイメージング) から始まってモデルの更新のための再現可能なプロセスを伴います。データは、バイナリ機能のセット、およびバイナリの結果ターゲット ラベルで表される各患者の特定の機能について最初に解析されます。肝細胞療法4,5,67のイメージングに基づく応答の確立された基準を用いて結果ラベル。機能とターゲット ラベルでは、機能と学習モデル (ロジスティック回帰またはランダム フォレスト)8,9,10特定の結果の間のマッピングを学ぶ機械学習ソフトウェアに渡されます。同様の手法は、放射線とがんの診断と治療予測11,12,13研究の他の領域に適用されています。

メソッドは、放射線の分野にコンピューター科学から技術を適応します。伝統的な意義インターベンショナル放射線医学研究は、一般的に、モノラルまたは oligo の機能解析に頼っています。たとえば、末期肝臓病のモデルには、肝疾患の程度を評価する臨床指標を 5 つが組み込まれています。提案手法の利点は、自由に機能を追加する機能20-5 機能分析の例と見なされます。機能が追加されることが望ましい。

手法は、事前・事後介入の画像データが使用可能な他のレントゲン写真の介入に適用可能性があります。たとえば、次の経皮的治療の成果は、同様の方法で予測可能性が。研究の主な制限は、モデルに含めるのため手動バーテンの機能に必要です。データのキュレーションと特徴抽出はプラクティショナーのためかかり、そのような機械学習モデルの臨床導入を妨げる可能性があります。

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。機械学習のためのワークステーションのセットアップ

  1. システムを使用して、次のように。
    インテル Core 2 Duo または 2.0 ghz 以上の CPU
    4 GB またはより多くのシステム メモリ
    POSIX 準拠のオペレーティング システム (Linux または Mac OS) または Microsoft Windows 7
    プログラムを実行して、ファイルを保存するためのユーザー アクセス許可
  2. 次のツールをインストールします。
    アナコンダ Python3: https://www.anaconda.com/download
    DICOM NIfTI コンバーター (dcm2niix) - https://github.com/rordenlab/dcm2niix
    崇高なテキスト エディター: https://www.sublimetext.com/
    itk スナップ (オプション): http://www.itksnap.org
    1. アナコンダ Python3、dcm2nii と崇高なテキストのインストール、オペレーティング システム固有のインストール手順については、それぞれのウェブサイトをご覧ください。
    2. 作成し、アナコンダ環境をアクティブにします。
      conda を作成 - 名前 mlenv
      conda アクティブ mlenv
    3. 機械学習のアナコンダ パッケージをインストールします。
      conda インストール numpy scipy scikit-nltk nibabel を学ぶ
      注: nltk パッケージ、nibabel パッケージ医療イメージ操作のための便利な機能を提供しますが、プレーン テキスト臨床ノートの解析に役立ちます。臓器と腫瘍医用画像からセグメントの itk スナップインをインストール可能性があります。特定の地域に制限フィーチャに便利です。

2。プレーン テキスト臨床ノートと構造化された臨床データからの特徴抽出

  1. プロジェクトの親ディレクトリを作成し、各患者親フォルダー内にフォルダーを作成します。ディレクトリ構造のようにする必要があります。
    プロジェクト/
    プロジェクト/Patient_1/
    プロジェクト/Patient_2/
    プロジェクト/Patient_3/
    ...
  2. 電子医療記録 (EMR) から臨床ノートのプレーン テキストを取得します。電磁波を介して手動でまたはデータのダンプを病院情報技術 (IT) オフィスによるノートを取得します。それぞれのフォルダーに各患者のメモを保存します。
    Project/Patient_1/History_and_Physical.txt
    Project/Patient_1/Procedure_Note.txt
    1. 臨床機能モデルに含めることを決めた。これらの機能のためのプレーン テキスト クリニック ノートを解析します。Python 言語ツールキット (nltk) ライブラリは、文章にドキュメントを分割するための便利なコマンドを提供します。各文は、黄疸などの適切な用語の検索が可能します。1 行につき 1 つの機能を持つファイルに各患者の機能を保存します。
      Project/Patient_1/Features.txt:
      67 歳
      性別男性
      アルブミン 3.1
      肝硬変のないです。
      hepatitis_c ないです。
      ...
    2. バイナリ以外の機能のすべての患者間で各機能の中央値を取る。中央値に基づいて true (1) または false(0) 値として各機能を成します。
      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。医療用画像からの特徴抽出

注: 手順 3 補足資料のコード例を参照してください。

  1. 病院の PACS から事前・事後治療磁気共鳴 DICOM 画像をダウンロードします。対応する患者のフォルダーにイメージを保存します。
    プロジェクト/
    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. Dcm2niix プログラムを使用して NIfTI 形式に DICOM 画像を変換します。次のコマンドでは、指定したフォルダー内のすべての .dcm イメージに変換します。すべての患者を繰り返します。
    dcm2niix プロジェクト/Patient_1/
    dcm2niix プロジェクト/Patient_2/
  3. Python に各 NIfTI ファイルを読み込みます。
    インポート nibabel
    イメージ = nibabel.load('Project/Patient_1/Pre_TACE_MRI_Pre-Contrast.dcm')
    1. 各画像の向きを正規化します。これにより、x、y、および z 軸は同じですが、画像を取得するために使用マシンに関係なく。
      cImage = nibabel.as_closest_canonical(image)
  4. 各イメージのバイナリの肝臓や腫瘍のマスクをセグメントに itk スナップ (または相当するソフトウェア パッケージ) を使用します。
    Project/Patient_1/Pre_TACE_MRI_Pre-Contrast_Liver_Mask.bin
    Project/Patient_1/Pre_TACE_MRI_Pre-Contrast_Tumor_Mask.bin
  5. Python に肝臓や腫瘍のマスクを読み込みます。MR 画像と同じ正規の軸に沿ってマスクを方向づけるために方向の問題を修正する方法を以下に示します。
    np としてインポート numpy
    f: としてオープン (liver_mask_file、'rb') と
    liver_mask = f.read()
    liver_mask = np.fromstring (liver_mask、dtype 'uint8' =)
    liver_mask = np.reshape (liver_mask、diff.shape、順序 = 'F')
    liver_mask = liver_mask [:::-1:]
    liver_mask [liver_mask > 0] = 1
    1. 肝臓や腫瘍のマスクを使用すると、肝臓や腫瘍を含むボクセルを分離します。
      肝臓 = np.copy(cImage)
      肝臓 [liver_mask < = 0] = 0
  6. 平均肝臓強化機能を計算します。
    mean_liver_enhancement = mean(liver)
    1. 肝ボリューム機能を計算します。
      pixdim = cImage.header['pixdim']
      単位 = pre.header['xyzt_units']
      dx, dy, dz = pre_pixdim [1:4]
      liver_volume = length(liver) * dx * dx * dz
    2. (省略可能)必要に応じて機能を追加を計算します。
  7. 画像特徴と患者固有の機能ファイルを更新します。
    Project/Patient_1/Features.txt:
    67 歳
    性別男性
    アルブミン 3.1
    肝硬変のないです。
    hepatitis_c ないです。
    pre_tace_mean_liver_enhancement 78
    pre_tace_liver_volume 10000
    1. イメージング機能ごとの中央値を計算、2.2.2 の手順と化する。
      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. 機能の集約と削減

注: 手順 4 のコード例の補足資料を参照してください。

  1. それぞれの患者の患者 y 軸と x 軸に機能のスプレッドシートに Binary_Features.txt ファイルを結合します。
    患者 > 60 の年齢 男性のセックス アルブミン 3.5 < 肝硬変の存在 C 型肝炎に存在 肝臓強化 > 50 を意味します。 肝ボリューム > 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 結果応答ラベルを最後の列として追加します。
      患者 > 60 の年齢 男性のセックス アルブミン 3.5 < 肝硬変の存在 C 型肝炎に存在 肝臓強化 > 50 を意味します。 肝ボリューム > 20000 qEASL レスポンダー
      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. スプレッドシートをタブ区切りファイルとしてエクスポートします。
      Project/ML_Matrix.tsv:
      PatientAge > 60 男性セックス アルブミン 3.5 < 存在の肝硬変 C 型肝炎現在平均肝臓強化 > 50 肝ボリューム > 20000 qEASL レスポンダー
      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. 低分散機能を考慮の対象から削除します。
    np としてインポート numpy
    sklearn.feature_selection から VarianceThreshold をインポートします。

    # バイナリのマトリクスで読みます。
    機能 =
    ラベル =
    私は、enumerate(sys.stdin) の L:
    もし私 = = 0
    続行
    n_fs_L = L.strip().split('\t')
    n_fs_L[1:-1]]) で _ features.append([float(_)
    labels.append(n_fs_L[-1])
    X = np.array(features)
    y = np.array(labels)

    # レスポンダーと非 respnders の少なくとも 20% で表示される機能を計算します。
    モデル = VarianceThreshold (しきい値 = 0.8 * (1 - 0.8))
    X_new = model.fit_transform (X, y)
    男性セックス、アルブミン < 3.5、肝硬変および肝ボリューム > 2000 機能の存在が削除されています。
    患者 > 60 の年齢 C 型肝炎に存在 肝臓強化 > 50 を意味します。 qEASL レスポンダー
    1 0 0 1 1
    2 1 0 0 1
    3 0 1 0 0
  3. 結果、低単変量の関連付けが機能を削除します。4.2 を渡される機能のみをフィルター処理します。保持 ceil (ログ2(N)) 機能、 Nは数値の患者。Ceil (ログ2(3)) = 2。

    数学をインポートします。
    sklearn.feature_selection から SelectKBest をインポートします。
    sklearn.feature_selection からインポート カイ 2乗

    # 4.2.1 のようにバイナリのマトリクスで読む
    ...

    # 単変量協会トップの ceil(log2(N)) 機能を計算します。
    k = math.ceil(log2(length(y)))
    モデル = SelectKBest (カイ 2乗, k = k)
    X_new = model.fit_transform (X, y)

    男性年齢 > 60 機能は、4.2.1 から残りの機能から取り外されました。
患者 C 型肝炎に存在 肝臓強化 > 50 を意味します。 qEASL レスポンダー
1 0 1 1
2 0 0 1
3 1 0 0

5。モデルのトレーニングとテスト

ステップ 5 補足資料のコード例を参照してください。

  1. 4.3 からバイナリ機能行列を用いたロジスティック回帰モデルをトレーニングします。
    数学をインポートします。
    sklearn.linear_model から LogisticRegression をインポートします。

    # 4.2 および 4.3 のようにバイナリのマトリクスで読みます。
    ...

    # 各患者に他の患者に対するモデルをトレーニングします。
    スコア 0.0
    モデル =
    len(X) の患者。
    # 列車すべてが患者の 1 つ上のモデル。
    train_x = np.array ([私は、enumerate(X) で _ _ if i! = 患者])
    train_y = np.array ([私は、enumerate(y) で _ _ if i! = 患者])
    モデル = LogisticRegression(C=1e15)
    model.fit (train_x、train_y)

    # 左アウト患者をテストします。
    y_prediction = model.predict(X[patient])
    場合 y_prediction = = y [患者]。
    スコア + = 1
    models.append(model)
  2. 4.2.2 からバイナリ機能マトリックスを使用してランダムなフォレスト モデルをトレーニングします。手順は、モデルのインスタンスを次のように更新する必要があります除いて 5.2.1, と同じです。
    sklearn.ensemble から RandomForestClassifier をインポートします。
    ...
    モデル = RandomForestClassifier(n_estimators=100)
    ...
  3. スコアを印刷/5.1 と 5.2 の len (X)。これはそれぞれすべてのロジスティック回帰モデルとすべてのランダムなフォレスト モデルの平均認識率を表します。Nのすべてのモデルは、予測結果として平均分類と新しい患者に適用されるべき

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

提案手法は 36 肝細胞癌における経動脈的治療を受けていた人の患者に適用されます。20-5 機能が識別され、2 値化を使用して、手順 1-5。5 つの機能は、分散と単変量協会フィルター (手順 5.1 および 5.2 を参照) を満足し、モデルのトレーニングに使用されました。各患者は、レスポンダーまたは qEASL 応答規準の下で非応答機として分類されました。機能マトリックスだった従って 36 x 5 配列ターゲット ラベル ベクトルは 36 × 1。

ロジスティック回帰とランダムな森林の分類子は、モデルフィッティングのため使用されました。残す 1 つアウト クロス検証結果のモデルの性能を評価するために使用されました。2 つのモデルは、トップ 2 つの機能 (27.0 より大きい腫瘍信号強度が肝硬変と前 TACE の存在) だけを使用して訓練されました。図 1より機能が追加されたモデルのパフォーマンスを示しています。ロジスティック回帰とランダム フォレスト モデル、78% (感度 62.5%、特異度 82.1%、陽性適中率 50.0%、陰性的中 88.5%) の全体的な精度を持つ経動脈化学塞栓療法の治療効果を予測しました。

Figure 1
図 1: 機械学習アルゴリズムのパフォーマンス。(a、b)ロジスティック回帰 (c, d) 機能としてランダム フォレスト分類精度が追加されます。次の順序で追加された機能: 1) ethiodized 油、ソラフェニブ 2)、3) 肝硬変、4) 前肝動脈化学塞栓術相対腫瘍信号強度 > 27.0、および 5) 腫瘍の数 > 2。図14誌の血管や放射線からそのままの状態で許可を得て使用します。この図の拡大版を表示するのにはここをクリックしてください

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

外科的切除は肝細胞癌患者は、動注療法を提供しています。患者がを応答するかどうかを決定するいくつかの方法が存在する-治療。治療後評価技術は、腫瘍の大きさや腫瘍のコントラスト取り込みの変化に依存しています。これらは、最も正確な定量的欧州肝臓 (qEASL) 条件の研究会であることと、応答の条件と呼ばれます。qEASL は、両方の体積と応答の可能性を予測する療法強化変更に依存します。にもかかわらず qEASL の強さは、それはそれにもかかわらず、治療後評価基準と治療計画に役立つことはできません。

評価する必要がある患者さん、動脈内治療介入を実行する前に対応する可能性があります。このプロトコルで紹介する方法を組み込んだ臨床、実験室およびイメージ投射コンピューター科学や統計の分野から技術を使用して予測のモデルを備えています。QEASL 成果に動脈内治療を受けた患者からこれらの機能をマップする機械学習モデルは訓練されます。モデルは、のみの前処理機能を使用して、qEASL 応答を予測するための治療を受ける患者に適用可能性があります。

ステップ 1 では、機械学習のためのワークステーションのセットアップについて説明します。ツーリングに必要なワークステーションをセットアップする方法の簡単な説明を提供します。手順 2-4 をどのように臨床的および画像データに関する技術的な詳細に入るを解析して、目的の機能を取得可能性があります。この手順は、適切な機能の選択は、モデルの有効性を決定する非常に重要です。特定の手順は、特徴抽出を容易にするために選ばれました。たとえば、放射線画像は通常画像解析には適していません、DICOM 形式で保存されます。国立衛生研究所 (NIH) 神経イメージング研究部門は、研究環境でイメージ操作を容易にする神経イメージング研究情報技術イニシアティブ (NIfTI) 標準を開発しました。ステップ 3.2 は、DICOM から特徴抽出のプロセスを容易にするための NIfTI 形式への変換を必要があります。肝臓や腫瘍のマスクは itk スナップまたは類似した領域分割ソフトウェアなどのプログラムを使用して NIfTI 形式から抽出可能性が。

各機能、臨床メモや画像データを取得するかどうかする必要がある真偽値として 2 値。たとえば、画像の連続強化勾配 0 から 10 までは強化以上 5 未満を表す単一の機能に 2 値することがあります。複数のバイナリ機能に機能分割または、: < x3;3 < = < 7; x7 < = バイナリ機能で動作するモデルは訓練しやすい機械学習 x。

手順 2-4 の最終結果は、患者 y 軸、x 軸と qEASL 応答規準の下で患者の決定結果 (応答側またはノン レスポンダー) を表す最後の列とバイナリの行列です。下で表されるまたは結果人口でに表される特定の機能があります。たとえば、治療のすべてのレスポンダーが男性なら、それ正しく締結するない男女が応答を意味します。この誤りに対処する方法の 1 つは、レスポンダーと 20% などいくつかのしきい値を超える非レスポンダーの両方で発見されていないすべての機能を削除することです。

その他の機能可能性があります検討結果を決定する重要性を限った。たとえば、目の色がほとんど動注療法の転帰とは無関係。このような機能でお越しの際にも結果に低単変量協会。結果に有意 (p < 0.05) の関連付けを設定する単一の機能はありませんが、効果的な戦略は機能が定義されたしきい値を超えるいくつかの最小限の単変量の相関を持つことを要求することです。

ステップ 5 では、トレーニングと機械学習モデルを適用することのプロセスをカバーしています。厳密に最終的な結果が同じ限り、ファッションで続行する必要はありません。トレーニング プロセスは、 N患者ごとのNモデルの訓練という休暇 1 アウト クロス検証を使用します。残す 1 つアウト クロス検証で生成されたN結果のモデルは、最終的なモデルを生成する平均可能性があります。

技術はまた、画像の下で行われる他のプロシージャに適用されます。機械学習トレーニング患者のセットから機能を活用して、対象となる結果への相対的寄与によるとそれらの重み。選択したモデルによって異なりますの重み付け処理ロジスティック回帰モデルは、ランダム フォレスト モデルは、加重のデシジョン ツリーのセットを使用中に、累乗の線形結合を計算します。このプロトコルで使用されるターゲットは、qEASL 規準の下での応答でした。年の無病生存率や生活の質年などの他のターゲットは、質問の下で目的の結果に応じて選択されるかもしれない。

プロトコルの主な制限は、手動で定義、検討中の機能を取得する必要があります。これは、大量の臨床ノートの解析、腫瘍体積をセグメント化し、病変の数を数えるなどの手動作業を伴います。深い機械学習機能を生のソース データから自動的に派生を試みますが、かなり多くのトレーニング データが必要です。この成長する技術はさまざまなコンテキストで学習に優れていることが示されているし、画像誘導手術を受ける患者の予測モデルの次の進化になります。

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

編入は健康フィデリティ社臨床ノート医療償還を最適化するためのテクニックを学習と同様のマシンを採用したソフトウェア相談として動作します。

J.F.G. は、上市医療、BTG、しきい値医薬品 (サンフランシスコ、カリフォルニア)、ボストンサイエンティフィックとテルモ (メリーランド州エルクトン); から個人料金を受け取る有料のコンサルティングは、先見ラボ (ウェスト ポート, コネチカット)。

他の作者は、利害の衝突を識別しています。

Acknowledgments

編入は、エール大学医学部学生研究局から資金援助を受けた。

L.J.S. は、健康の国民の協会 (NIH/NCI R01CA206180)、レオポルジナ サキヤマ, 放射線科学 (アーヘン、ドイツ) ロルフ ・ w ・ グンター財団から助成金を受け取ります。

J. c. は、科学的研究と開発 (エルサレム、イスラエルおよびアメリカ); 健康の国民の協会 (NIH/NCI R01CA206180)、フィリップス ヘルスケア、およびドイツ ・ イスラエル財団から助成金を受け取る放射線科学施ベルリン研究所の健康臨床科学者プログラム (ベルリン、ドイツ) ロルフ ・ w ・ グンター財団からの奨学金

J.S.D. とミリリットルは、健康の国民の協会 (NIH/NCI R01CA206180) とフィリップス ヘルスケア (ベスト、オランダ) から助成金を受け取る。

J.F.G. は、健康の国民の協会 (NIH/NCI R01CA206180)、フィリップス ヘルスケア、BTG (ロンドン、イギリス)、ボストンサイエンティフィック (マサチューセッツ州マールボロ) および上市ヘルスケア (ヴィルパント、フランス) から補助金を受け取る

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).
機械学習を用いた画像誘導治療治療に対する反応を予測: 肝細胞癌における経動脈的治療の例
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