Login processing...

Trial ends in Request Full Access Tell Your Colleague About Jove

Medicine

기계 학습을 사용 하 여 이미지 기반 요법 치료 반응 예측: 간세포 암 종의 트랜스 동맥 치료 예

doi: 10.3791/58382 Published: October 10, 2018

Summary

간 동맥 치료법은 외과 절제술을 받을 수 없는 간세포 암 환자에 대 한 치료의 표준 이다. 이러한 치료에 대 한 응답을 예측 하는 방법을 제안 했다. 기술은 기계 학습 모델 처리 이전 응답을 예측할 수 있는 훈련 사전 절차 임상, 통계, 및 이미징 정보를 사용 합니다.

Abstract

간 동맥 치료법은 외과 절제술을 받을 수 없는 간세포 암 환자에 대 한 치료의 표준 이다. 이 연구의 목적은 개입 이전 내부 동맥 치료에 응답을 예측 하는 방법을 개발 했다.

메서드를 내부 동맥 치료 사전 결과 예측을 위한 일반 프레임 워크를 제공 합니다. 그것은 환자의 코 호트에서 임상, 인구 통계 및 이미징 데이터를 풀링 및 기계 학습 모델의 학습에 이러한 데이터를 사용 하 여 포함. 학습 된 모델은 내부 동맥 치료에 응답을의 그들의 가능성을 예측 하기 위해 새로운 환자에 적용 됩니다.

메서드 인수 및 N 이미 트랜스 동맥 치료 받은 환자에서 임상, 인구 통계 및 이미지 데이터의 구문 분석을 수반 한다. 이러한 데이터 (연령, 성별, 간 경 변, 종양 증진, 의) 개별 기능으로 구문 분석 되며 true/false 값 (예: 60, 남성 성, 종양 향상 설정된 임계값, 이상의 나이)에 binarized. 낮은-분산 기능 및 결과 낮은 일변량 연결 기능 제거 됩니다. 각 치료 환자 여부 그들은 반응 또는 치료에 반응 하지 않았다 표시 됩니다. 각 훈련 환자 따라서 바이너리 기능과 결과 레이블 집합으로 표시 됩니다. 기계 학습 모델 사용 하 여 N -1 환자 왼쪽 아웃 환자에 대 한 테스트와 훈련을 합니다. 이 프로세스는 각 N 환자에 대해 반복 됩니다. N 모델 최종 모델에 도달 하기 위해 평균 된다.

기술을 확장 하 고 나중에 추가 기능 포함을 수 있습니다. 그것은 또한 외부 중재 방사선과 임상 연구 질문에 적용 될 수 있습니다 받아들이기는 과정입니다. 주요 제한은 수동으로 각 환자에서 기능을 파생 하는 필요입니다. 깊은 라는 기계 학습의 인기 있는 현대적인 형태가이 제한에서 고통을 하지 않습니다 학습 하지만 큰 데이터 집합을 요구 한다.

Introduction

외과 후보자는 간세포 암 종 환자는 간 동맥 치료1,2,3제공 됩니다. 치료 관리 하기 전에 환자가 간 동맥 치료에 응답 합니다 여부를 결정 하는 없는 단일 통계가입니다. 이 연구의 목적은 기계 학습에서 메서드를 적용 하 여 치료 반응을 예측 하는 방법을 설명 했다. 이러한 모델 치료 진행 여부를 선택할 때 실무자와 환자에 게 지침을 제공 합니다.

프로토콜 훈련과 주 환자 데이터 (임상 노트, 인구 통계, 실험실 데이터 및 이미징)에서 시작 하는 모델 업데이트에 대 한 재현 과정을 수반 한다. 이진 기능 집합 및 이진 결과 대상 레이블을 나타내는 각 환자와 데이터는 특정 기능에 대 한 구문 분석 됩니다 처음. 결과 레이블 설립된 영상 기반 응답 기준 간세포 치료4,5,,67에 대 한 사용 하 여 결정 됩니다. 기능 및 대상 레이블 기계 학습 소프트웨어를 배우는 기능 및 특정 학습 모델 (로지스틱 회귀 또는 무작위 숲)8,,910아래 결과 간의 매핑을 전달 됩니다. 비슷한 기술은 방사선학과 암 진단 및 치료 예측11,,1213에 대 한 연구의 다른 영역에 적용 되었습니다.

메서드를 사용 하면 중재 방사선과 분야 컴퓨터 과학에서 기술을 적응. 중재 방사선학 그리고 의학에서 전통적인 의미 연구는 일반적으로 모노 또는 올리고 기능 분석에 의존. 예를 들어 말기 간 질병에 대 한 모델 간 질환의 정도 평가 하기 위해 5 임상 통계를 포함 합니다. 제안된 된 방법의 장점은 자유롭게; 기능을 추가 하는 기능입니다. 20-5 기능 예제 분석에서 고려 됩니다. 추가 기능을 추가할 수 있습니다 원하는대로.

기술 사전 및 사후 개입 이미징 데이터를 사용할 수 있는 다른 방사선 중재에 적용 될 수 있습니다. 예를 들어 결과 경 피 적인 치료를 다음과 비슷한 방식으로 예언 될 수 있습니다. 연구의 주요 한계는 필요는 수동 보좌 기능을 모델에 포함. 데이터 큐레이터 및 기능 추출 실천에 대 한 시간이 많이 걸리는 이며 이러한 기계 학습 모델의 임상 도입을 방해 수 있습니다.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

1입니다. 기계 학습에 대 한 워크스테이션 설치

  1. 시스템을 사용 하 여 다음:
    인텔 코어 2 듀오 또는 높은 CPU 2.0 g h z에서
    4GB 또는 더 많은 시스템 메모리
    POSIX 호환 운영 체제 (리눅스 또는 맥 OS) 또는 마이크로소프트 윈도 즈 7
    프로그램을 실행 하 고 파일 저장에 대 한 사용자 권한
  2. 다음 도구를 설치:
    아나콘다 Python3: https://www.anaconda.com/download
    DICOM NIfTI 변환기 (dcm2niix)-https://github.com/rordenlab/dcm2niix
    숭 고 한 텍스트 편집기: https://www.sublimetext.com/
    itk-스냅 (선택 사항): http://www.itksnap.org
    1. 아나콘다 Python3, dcm2nii 및 숭 고 한 텍스트를 설치, 운영 체제 설치 단계에 대 한 그들의 각각의 웹사이트를 방문 하십시오.
    2. 만들고 아나콘다 환경 활성화 합니다.
      conda 만들-이름 mlenv
      conda 활성화 mlenv
    3. 기계 학습에 대 한 아나콘다 패키지를 설치 합니다.
      conda 설치 numpy scipy scikit-nltk nibabel를 배울
      참고: nltk 패키지는 nibabel 패키지 의료 이미지 조작에 대 한 유용한 기능을 제공 하는 반면 일반 텍스트 임상 노트를 구문 분석 하는 데 유용. itk 스냅 기관과 의료 이미지에서 종양을 세그먼트에 대 한 설치할 수 있습니다. 그것은 특정 지역에 제한 기능에 대 한 유용 합니다.

2입니다. 일반 텍스트 임상 노트와 구조화 된 임상 데이터에서 추출 기능

  1. 프로젝트에 대 한 부모 디렉터리를 만들고 부모 폴더 내의 각 환자에 대 한 폴더를 만듭니다. 디렉터리 구조를 유사 합니다.
    프로젝트 /
    프로젝트/Patient_1 /
    프로젝트/Patient_2 /
    프로젝트/Patient_3 /
    ...
  2. 임상 노트를 전자 의료 기록 (EMR)에서 일반 텍스트를 가져옵니다. 검색 노트 EMR을 통해 수동으로 또는 데이터 덤프를 통해 병원 정보 기술 (IT) 사무실에 의하여. 해당 폴더에서 각 환자의 노트를 저장 합니다.
    Project/Patient_1/History_and_Physical.txt
    Project/Patient_1/Procedure_Note.txt
    1. 임상 기능을 모델에 포함 하기로 했다. 이러한 기능에 대 한 일반 텍스트 클리닉 노트를 구문 분석 합니다. Python 자연 언어 툴키트 (nltk) 라이브러리 문서를 문장으로 분할에 대 한 유용한 명령을 제공 합니다. 각 문장 황 달 같은 적절 한 용어에 대 한 검색 될 수 있습니다. 줄 당 하나의 기능 파일에 각 환자의 기능을 저장 합니다.
      Project/Patient_1/Features.txt:
      나이 67
      섹스 남성
      알 부 민 3.1
      cirrhotic 없음
      hepatitis_c 아무
      ...
    2. 이진이 아닌 기능에 대 한 모든 환자에서 각 기능의 중앙값을 가져가 라. 중간 값에 따라 true(1) 또는 false(0) 값으로 각 기능을 binarize.
      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
      ...

3입니다. 의료 이미지에서 특징 추출

참고: 3 단계 코드 예제에 대 한 보충 자료를 참조 하십시오.

  1. 병원 PACS에서에서 사전 및 사후 치료 자기 공명 DICOM 이미지를 다운로드 합니다. 해당 환자 폴더에 이미지를 저장 합니다.
    프로젝트 /
    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 프로그램을 사용 하 여 NIfTI 형식으로 DICOM 이미지를 변환 합니다. 다음 명령은 지정 된 폴더에 모든.dcm 이미지 변환 합니다. 모든 환자에 대해 반복 합니다.
    dcm2niix 프로젝트/Patient_1 /
    dcm2niix 프로젝트/Patient_2 /
  3. 파이썬에 각 NIfTI 파일을 로드 합니다.
    가져오기 nibabel
    이미지 = nibabel.load('Project/Patient_1/Pre_TACE_MRI_Pre-Contrast.dcm')
    1. 각 이미지의 방향을 정식화합니다 이렇게 하면 x, y 및 z 축 이미지를 획득 하는 데 사용 하는 컴퓨터에 관계 없이 동일 하.
      cImage = nibabel.as_closest_canonical(image)
  4. 사용 하 여 각 이미지에 대 한 이진 간 및 종양 마스크 세그먼트 itk 스냅 (또는 해당 소프트웨어 패키지).
    Project/Patient_1/Pre_TACE_MRI_Pre-Contrast_Liver_Mask.bin
    Project/Patient_1/Pre_TACE_MRI_Pre-Contrast_Tumor_Mask.bin
  5. 파이썬에 간 및 종양 마스크를 읽기. 아래 코드에는 미스터 이미지로 같은 정식 축 따라 마스크의 방향을 위하여 방향 문제를 해결 하는 방법을 보여 줍니다.
    np으로 numpy 가져오기
    f:로 오픈 (liver_mask_file, 'rb')와 함께
    liver_mask = f.read()
    liver_mask = np.fromstring (liver_mask, dtype 'uint8' =)
    liver_mask = np.reshape (liver_mask, diff.shape, 순서 = 'F')
    liver_mask = liver_mask [:,::-1:]
    liver_mask [liver_mask > 0] = 1
    1. 간 및 종양 마스크를 사용 하 여 간 종양을 포함 하는 복을.
      간 = np.copy(cImage)
      간 [liver_mask < = 0] = 0
  6. 말 간 향상 기능을 계산 합니다.
    mean_liver_enhancement = mean(liver)
    1. 간 볼륨 기능을 계산 합니다.
      pixdim = cImage.header['pixdim']
      단위 = pre.header['xyzt_units']
      dx, dy, dz = pre_pixdim [1:4]
      liver_volume = length(liver) * dx * dx * dz
    2. (선택 사항) 원하는 대로 추가 기능을 계산 합니다.
  7. 이미지 기능 환자 관련 기능 파일을 업데이트 합니다.
    Project/Patient_1/Features.txt:
    나이 67
    섹스 남성
    알 부 민 3.1
    cirrhotic 없음
    hepatitis_c 아무
    pre_tace_mean_liver_enhancement 78
    pre_tace_liver_volume 10000
    1. 각 이미지 기능에 대 한 평균 값을 계산 하 고 단계 2.2.2에서 binarize.
      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. 집계 및 감소 기능

참고: 4 단계 코드 예제에 대 한 보충 자료를 참조 하십시오.

  1. 환자는 y와 x 축에 기능 스프레드시트에 각 환자에 대 한 Binary_Features.txt 파일 결합.
    환자 > 60 세 남성 성 알 부 민 < 3.5 경 변 증의 존재 C 형 간염 존재 간 강화 > 50을 의미 간 볼륨 > 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. 마지막 열으로 qEASL 결과 응답 레이블을 추가 합니다.
      환자 > 60 세 남성 성 알 부 민 < 3.5 경 변 증의 존재 C 형 간염 존재 간 강화 > 50을 의미 간 볼륨 > 20000 qEASL 응답자
      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. 스프레드시트 탭 구분 파일로 내보냅니다.
      Project/ML_Matrix.tsv:
      PatientAge > 60 남성 섹스 알 부 민 < 3.5 존재의 변 C 형 간염 존재 의미 간 향상 > 50 간 볼륨 > 20000 qEASL 응답자
      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. 고려에서 낮은 분산 기능을 제거 합니다.
    np으로 numpy 가져오기
    sklearn.feature_selection에서 VarianceThreshold를 가져올

    # 이진 매트릭스에서 읽기.
    기능 =
    레이블 =
    i, L enumerate(sys.stdin)에서:
    만약 내가 = = 0
    계속
    n_fs_L = L.strip().split('\t')
    n_fs_L[1:-1]])에 _ features.append([float(_)
    labels.append(n_fs_L[-1])
    X = np.array(features)
    y = np.array(labels)

    # 응답자와 비 respnders의 20% 이상에서 나타나는 특징을 계산 합니다.
    모델 = VarianceThreshold (임계값 = 0.8 * (1-0.8))
    X_new = model.fit_transform (X, y)
    남성 섹스, 알 부 민 < 3.5, 간 경 변 및 간 볼륨 > 2000 기능 제거 되었습니다.
    환자 > 60 세 C 형 간염 존재 간 강화 > 50을 의미 qEASL 응답자
    1 0 0 1 1
    2 1 0 0 1
    3 0 1 0 0
  3. 결과와 낮은 일변량-협회 기능을 제거 합니다. 4.2 전달 기능만을 필터링 합니다. 유지 ceil (로그2(N)) 기능, 여기서 N 은 숫자 환자. Ceil (로그2(3)) = 2.

    가져오기 수학
    sklearn.feature_selection에서 SelectKBest를 가져올
    sklearn.feature_selection에서 chi2를 가져올

    # 4.2.1에서 이진 매트릭스에서 읽기
    ...

    # 일변량 협회 최고 ceil(log2(N)) 기능을 계산 합니다.
    k = math.ceil(log2(length(y)))
    모델 = SelectKBest (chi2, k = k)
    X_new = model.fit_transform (X, y)

    남성 성 시대 > 60 기능 4.2.1에서 나머지 기능에서 제거 되었습니다.
환자 C 형 간염 존재 간 강화 > 50을 의미 qEASL 응답자
1 0 1 1
2 0 0 1
3 1 0 0

5입니다. 모델 학습 및 테스트

5 단계 코드 예제에 대 한 보충 자료를 참조

  1. 4.3에서 바이너리 기능 매트릭스를 사용 하 여 로지스틱 회귀 모델 기차.
    가져오기 수학
    sklearn.linear_model에서 LogisticRegression를 가져올

    # 4.2와 4.3 이진 매트릭스에서 읽기.
    ...

    # 각 환자에 대 한 다른 모든 환자에 대 한 모델 기차.
    점수 0.0 =
    모델 =
    len(X)에 환자:
    # 기차는 환자 중 하나를 제외한 모든 모델.
    train_x = np.array ([i, enumerate(X)에 _ _ if i! 환자 =])
    train_y = np.array ([i, enumerate(y)에 _ _ if i! 환자 =])
    모델 = LogisticRegression(C=1e15)
    model.fit (train_x, train_y)

    # 왼쪽 아웃 환자에 테스트 합니다.
    y_prediction = model.predict(X[patient])
    경우 y_prediction = y [환자]:
    점수 = 1
    models.append(model)
  2. 4.2.2에서 바이너리 기능 매트릭스를 사용 하 여 임의의 포리스트 모델 기차. 단계는 5.2.1, 동일 제외 하 고 다음과 같이 모델 인스턴스를 업데이트 해야 합니다.
    sklearn.ensemble에서 RandomForestClassifier를 가져올
    ...
    모델 = RandomForestClassifier(n_estimators=100)
    ...
  3. 점수 인쇄 / 5.1 및 5.2 len (X). 이 각각 모든 로지스틱 회귀 모델의 모든 무작위 숲 모델 평균 정확도를 나타냅니다. 모든 N 모델 예측 결과으로 평균 분류와 함께 새로운 환자에 적용 되어야 합니다.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

제안된 된 방법 간세포 암에 대 한 트랜스-동맥 치료 했다 받은 36 환자에 적용 되었습니다. 20-5 기능 확인 하 고 1-5 단계를 사용 하 여 binarized. 5 기능 분산 및 변량 협회 필터 (5.1 및 5.2 단계 참조)을 만족 하 고 모델 학습에 사용 했다. 각 환자는 응답자 또는 qEASL 응답 조건에서 비 응답으로 분류 됐다. 동안 대상 레이블 벡터 36 x 1 기능 매트릭스는 이렇게 36 x 5 배열 이었다.

로지스틱 회귀 및 무작위 숲 분류자 모델 피팅 사용 되었다. 두고 한 아웃 교차 유효성 검사 결과 모델의 성능을 평가 하기 위해 사용 되었다. 두 개의 추가 모델 가기-2 기능 (간 경 변 및 pre-TACE 종양 신호 강도 27.0 보다 큰의 존재)를 사용 하 여 훈련 되었다. 그림 1 기능이 추가 된 모델의 성능을 보여 줍니다. 로지스틱 회귀 및 무작위 숲 모델 (감도 62.5%, 특이성 82.1%, 긍정적인 예측 값 50.0%, 부정적인 예측 값 88.5%) 78%의 전반적인 정확도 트랜스 동맥 chemoembolization 치료 응답을 예측 했다.

Figure 1
그림 1 : 기계 학습 알고리즘의 성능. (a, b) 로지스틱 회귀와 (c, d) 기능으로 임의의 숲 분류자 정확도 추가 됩니다. 다음과 같은 순서로 기능 추가 되었습니다: 1) ethiodized, 2) 러시아, 3) 간 경 변, 4) 중-transarterial 화학 색전술 상대 종양 신호 강도 > 27.0, 그리고 종양의 번호 5) > 2. 저널의 혈관 및 중재 방사선과14에서 수정 되지 않은 형태로 허가 함께 사용 하는 그림. 이 그림의 더 큰 버전을 보려면 여기를 클릭 하십시오.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

수술 절제에 대 한 후보는 간세포 암 종 환자는 간 동맥 치료 제공 됩니다. 환자 응답 합니다 확인 하려면 존재 하는 몇 가지 방법-치료. 치료 후 평가 기법 종양 크기 또는 종양 대비 통풍 관의 변화에 의존. 이러한 응답 기준 가장 정확한 되 고 간 (qEASL) 기준의 연구에 대 한 양적 유럽 협회 라고 합니다. qEASL 모두 체적 변화와 향상 다음 응답의 가능성을 예측 하는 치료에 의존 합니다. QEASL의 장점에도 불구 하 고 그럼에도 불구 하 고 후 처리 평가 기준 이며 치료 계획에 도움이 수 없습니다.

어떤 환자는 개입을 수행 하기 전에 내부 동맥 치료에 반응할 가능성이 평가 하는 필요가 있다. 이 프로토콜에서 설명 하는 방법 통합 임상, 실험실 및 이미징 컴퓨터 과학 및 통계 분야에서 기술을 사용 하 여 예측 모델에 기능. 기계 학습 모델 qEASL 결과 그들의 내부 동맥 치료 받은 환자에서 이러한 기능을 매핑하는 훈련 이다. 모델은 그들의 전처리 기능을 사용 하 여 그들의 qEASL 응답을 예측 하는 치료를 받게 될 것 이다 새로운 환자에 게 다음 적용할 수 있습니다.

1 단계 기계 학습에 대 한 워크스테이션 설치를 설명합니다. 필요한 공구를 가진 워크스테이션을 설치 하는 방법에 간단한 지침을 제공 합니다. 어떻게 임상 및 영상 데이터에 대 한 기술적인 세부 사항으로가 서 2-4 단계 관심의 기능을 얻기 위해 구문 분석할 수 있습니다. 이 단계는 중요 한 적절 한 기능의 선택 모델의 효과 결정할 것입니다. 특정 하위 기능 추출 쉽게 하기 위해 선정 됐다. 예를 들어 방사선 이미지는 일반적으로 이미지 분석에 이상적입니다 DICOM 형식으로 저장 됩니다. 국립 보건원 (NIH) Neuroimaging 분기 연구 환경에서 이미지 처리를 촉진 하기 위하여 Neuroimaging 정보학 기술 이니셔티브 (NIfTI) 표준 개발. 3.2 단계 DICOM 변환 기능 추출의 과정을 쉽게 하기 위해 NIfTI 형식으로 포함 됩니다. 간 및 종양 마스크 itk 스냅 또는 유사한 분할 소프트웨어 같은 프로그램을 사용 하 여 NIfTI 형식에서 추출할 수 있습니다.

각 기능 임상 노트 또는 이미징 데이터 획득 여부는 참 거짓 값으로 binarized 수 한다. 예를 들어 한 연속 이미지 향상 그라데이션 0에서 사이의 10 보다 크거나 5 보다 작은 향상을 나타내는 단일 기능을 binarized 수 있습니다. 기능이 여러 바이너리 기능으로 분할 하는 수 또는: < 3; x 3 < = x < 7; 7 < 바이너리 기능에서 작동 하는 모델은 쉽게 훈련 하는 기계 학습 엑스 =.

단계 2-4의 최종-결과 y 축에 환자, x 축, 및 qEASL 응답 기준에서 그 환자에 대 한 결정 (응답자 또는 비-응답) 결과 나타내는 마지막 열에 기능 이진 매트릭스입니다. 특정 기능에서 대표 또는 이상 결과 인구에서 대표 수 있습니다. 예를 들어 모든 치료 응답자 남성 이라면, 그것 수 있습니다 제대로 체결 되지 남성 성별 응답을 의미. 이 오류를 대처 하는 한 가지 방법은 응답자와 20% 등 일부 임계값 이상 비 응답자에 없는 모든 기능을 제거 하는 것입니다.

다른 기능 연구 결과 결정에 중요성을 제한 수 있습니다. 예를 들어 눈 색깔은 가능성이 없는 내부 동맥 치료 따르는 결과. 이러한 결과 함께 낮은 일변량 협회가 있을 것 이다. 단일 기능 없음 결과와 상당한 (p < 0.05) 협회 예상 된다, 비록 효과적인 전략 기능 정의 된 임계값 위에 어떤 최소한의 변량 상관 관계가 있어야 하는 것입니다.

5 단계 훈련 하 고 모델을 학습 하는 기계를 적용 하는 과정을 다룹니다. 최종-결과 같은 설명, 패션에서 진행 하는 엄격 하 게 필요는 없습니다. 훈련 프로세스 두고 한 아웃 교차 유효성 검사에 의하여 N 모델 각 N 환자에 대 한 훈련을 사용 합니다. 두고 한 아웃 교차 유효성 검사에서 생성 된 N 결과 모델 최종 모델을 생산 하기 위해 평균 수 있습니다.

기술은 또한 영상 아래 다른 절차에 적용 됩니다. 기계 학습 훈련 환자 집합에서 기능 하 고 대상 결과에 그들의 상대적 기여에 따라 무게. 가중치 공정, 선택한 모델에 따라 달라 집니다. 로지스틱 회귀 모델 임의 숲 모델 가중치 결정 트리 집합을 사용 하는 동안 exponentiated 선형 결합을 계산 합니다. 이 프로토콜에 사용 되는 대상 qEASL 기준에서 응답 했다. 질병-무료 생존의 년 또는 년 삶의 질 같은 다른 대상 질문에서 원하는 결과 따라 선택할 수 있습니다.

프로토콜의 주요 한계는 수동으로 정의 하 고 고려 중인 기능을 얻을 필요가. 이것은 임상 노트를 구문 분석 하 고, 종양 볼륨 세그먼트 변의 수를 세 등 수동 작업의 상당한 금액을 수반. 깊은 기계 학습 원시 원본 데이터에서 자동으로 기능을 파생 하려고 하지만 훨씬 더 많은 학습 데이터를 필요 합니다. 이 성장 하는 기술 감독 학습 상황, 다양 한 우수한을 보여줘 왔다 그리고 환자 이미지 유도 절차에 대 한 예측 모델의 다음 진화 됩니다.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

A.A.는 소프트웨어 상담으로 건강 충실도, Inc. 임상 노트 의료 급여를 최적화 하기 위한 기법을 학습 하는 유사한 기계를 사용 하 여 작동 합니다.

J.F.G.는 Guerbet 의료, BTG, 임계값 제약 (샌 프란 시스 코, 캘리포니아), 보스턴, 과학과 Terumo (엘크 튼, 메릴랜드);에서 개인 요금을 받습니다. 그리고 예 지 연구소 (Westport, 코네티컷)에 대 한 유료 컨설팅을 했다.

다른 작가 상충을 확인 했습니다.

Acknowledgments

A.A. 학생 연구의 사무실, Yale의과 대학에서 자금 지원을 받았다.

L.J.S.는 건강의 국가 학회 (NIH/NCI R01CA206180), Leopoldina 박사 친목, 그리고 방사선 과학 (아 헨, 독일)의 롤프 W. Guenther 재단에서 보조금을 받습니다.

제 과학 연구 및 개발 (예루살렘, 이스라엘, Neuherberg, 독일);에서 건강의 국가 학회 (NIH/NCI R01CA206180), 필립스 헬스케어, 그리고 독일-이스라엘 재단 보조금을 받습니다. 그리고 방사선 과학과 Charite 베를린 연구소의 건강 임상 과학자 프로그램 (베를린, 독일)의 롤프 W. Guenther 재단에서 장학금.

J.S.D.와 메이저 리그에서 건강의 국가 학회 (NIH/NCI R01CA206180) 및 (최고, 네덜란드) 필립스 의료 보조금을 받을 수 있습니다.

J.F.G.는 건강의 국가 학회 (NIH/NCI R01CA206180), 필립스 헬스케어, BTG (런던, 영국), 보스턴 과학 (말보로, 매사 추세 츠), 및 Guerbet 의료 (빌팽, 프랑스)에서 보조금을 받습니다.

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).
기계 학습을 사용 하 여 이미지 기반 요법 치료 반응 예측: 간세포 암 종의 트랜스 동맥 치료 예
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