Login processing...

Trial ends in Request Full Access Tell Your Colleague About Jove

Medicine

Forutsi behandlingsrespons på bildet-guidede terapi bruker maskinlæring: et eksempel for Trans-arteriell behandling av leverkreft

doi: 10.3791/58382 Published: October 10, 2018

Summary

Intra arteriell terapi er standarden på omsorg for pasienter med leverkreft som ikke gjennomgår kirurgisk resection. En metode for å forutsi svar på disse behandlingsformer er foreslått. Teknikken bruker pre klinisk, demografiske og tenkelig fremgangsmåte for å trene maskin læring modeller kan forutsi svar før behandling.

Abstract

Intra arteriell terapi er standarden på omsorg for pasienter med leverkreft som ikke gjennomgår kirurgisk resection. Målet med denne studien var å utvikle en metode for å forutsi respons på intra arteriell behandling før intervensjon.

Metoden gir et generelt rammeverk for utstråling før intra arteriell terapi. Det innebærer pooling klinisk, demografiske og bildebehandling data over en kohort av pasienter og bruker disse dataene til å trene en maskin læring modell. Utdannet modellen brukes til nye pasienter for å forutsi deres sannsynlighet for respons til intra arteriell terapi.

Metoden innebærer anskaffelse og analyse av klinisk og bildebehandling og demografiske data fra N pasienter som allerede har gjennomgått trans-arteriell terapier. Disse dataene er analysert i separate funksjoner (alder, kjønn, skrumplever, grad av svulst ekstrautstyr, etc.) og binarized til sann/usann-verdier (f.eks alder over 60, mannlige kjønn, svulst ekstrautstyr utover en angitt terskel, osv.). Lav varians funksjoner og funksjoner med lav univariate assosiasjoner med utfallet fjernes. Hver behandlet pasient er merket i henhold til om de svarte eller ikke svarer til behandling. Hver trening pasient er derfor representert ved et sett av binær funksjoner og en utfallet etikett. Maskinen læring modeller er utdannet med N - 1 pasienter med testing på venstre-out pasienten. Denne prosessen gjentas for hvert av N -pasienter. N modellene er gjennomsnitt ankomme siste modell.

Teknikken er utvidbart og gjør inkludering av tilleggsfunksjoner i fremtiden. Det er også en generalizable prosess som kan brukes til klinisk forskning spørsmål utenfor intervensjonsradiologi radiologi. Hovedbegrensningen er behovet for å utlede funksjoner manuelt fra hver pasient. En populær moderne form for maskinlæring kalt dyp krever læring ikke lider av denne begrensningen, men større datasett.

Introduction

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

Pasienter med leverkreft som ikke kirurgiske kandidater tilbys intra arteriell terapier1,2,3. Det er ingen enkelt beregning som bestemmer om en pasient vil svare på en intra arteriell terapi før behandling administreres. Målet med denne studien var å demonstrere en metode som spår behandlingsrespons ved å bruke metoder fra maskinlæring. Slike modeller gir veiledning til utøvere og pasienter når du velger om du vil fortsette med en behandling.

Protokollen innebærer en reproduserbar prosess for trening og oppdatere en modell fra primære pasientdataene (klinisk notater, demografi, laboratoriedata og bildebehandling). Dataene analyseres først for bestemte funksjoner, med hver pasient representert av et sett med binære funksjoner og måletiketten binære utfallet. Utfallet etiketten bestemmes ved hjelp av et etablert imaging-basert respons kriterium for hepatocellulært terapi4,5,6,7. Funksjonene og mål etikettene sendes til maskinen læring programvare som lærer tilordningen mellom funksjoner og resultater under en bestemt lære model (logistisk regresjon eller tilfeldig skogen)8,9,10. Lignende teknikker er brukt i røntgen og andre områder i kreftforskning for diagnose og behandling prediksjon11,12,13.

Metoden tilpasser teknikker fra informatikk-feltet på intervensjonsradiologi radiologi. Tradisjonelle betydning studier i intervensjonsradiologi radiologi, og medisin generelt stole på mono - eller oligo-funksjonen analyser. For eksempel inneholder modell for sluttstadiet leversykdom fem klinisk beregninger for å vurdere omfanget av leversykdom. Fordelen med den foreslåtte metoden er muligheten til å legge til funksjoner rikelig; tjuefem funksjoner anses i eksempel analysen. Flere funksjoner kan legges som ønsket.

Teknikken kan brukes på andre røntgen tiltak der før og etter intervensjon bildebehandling data er tilgjengelige. For eksempel kan resultater etter PCI behandlinger forutsies på en lignende måte. Den viktigste begrensningen av studien er behovet til manuell kapellan funksjoner for inkludering i modellen. Konservering og funksjonen datainnhenting er tidkrevende for utøveren og kan hindre klinisk adopsjon av slike maskinen læring modeller.

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. Arbeidsstasjon oppsett for maskinlæring

  1. Bruk et system med følgende:
    Intel Core 2 Duo eller høyere CPU med 2,0 GHz
    4 GB eller mer systemminne
    POSIX-kompatibelt operativsystem (Linux eller Mac OS) eller Microsoft Windows 7
    Brukertillatelser for kjøre programmer og lagre filer
  2. Installere følgende verktøy:
    Anaconda Python3: https://www.anaconda.com/download
    DICOM til NIfTI converter (dcm2niix) - https://github.com/rordenlab/dcm2niix
    Sublime tekstredigeringsprogram: https://www.sublimetext.com/
    itk-SNAPPER (valgfritt): http://www.itksnap.org
    1. Installere Anaconda Python3, dcm2nii og Sublime tekst, besøk deres respektive nettsteder for operativsystemet bestemt installasjonstrinnene.
    2. Opprett og Aktiver en Anaconda miljø.
      conda lage - navnet mlenv
      conda aktivere mlenv
    3. Installere Anaconda pakker for maskinlæring.
      conda installere numpy scipy scikit-Lær nltk nibabel
      Merk: Nltk pakken er nyttig for analyse av ren klinisk notater, mens nibabel pakken tilbyr nyttige funksjoner for medisinsk bildemanipulering. itk-SNAP kan installeres for å segmentere organer og svulster i medisinske bilder. Det er nyttig for egenskapen funksjoner til bestemte områder.

2. Egenskapsuttrekking fra Plaintext klinisk notater og strukturert kliniske Data

  1. Opprette en overordnet mappe for prosjektet og opprette en mappe for hver pasient i den overordnede mappen. Katalogstrukturen skal ligne:
    Prosjekt /
    Prosjekt/Patient_1 /
    Prosjekt/Patient_2 /
    Prosjekt/Patient_3 /
    ...
  2. Få ren klinisk notater fra den elektroniske pasientjournalen (EPJ). Hente notater manuelt gjennom EPJ eller med sykehuset information technology (IT) office gjennom en data-dump. Lagre hver pasientens notater i sine respektive mapper.
    Project/Patient_1/History_and_Physical.txt
    Project/Patient_1/Procedure_Note.txt
    1. Bestemte hvilke kliniske funksjoner som skal inkluderes i modellen. Analysere klarteksten klinikk notater for disse funksjonene. Python naturlig språk Toolkit (nltk) biblioteket gir nyttige kommandoer for å dele dokumenter i setninger. Hver setning kan søkes riktig begreper som gulsott. Lagre hver pasientens funksjoner i en fil med en funksjon per linje.
      Project/Patient_1/Features.txt:
      67 år
      sex mann
      albumin 3.1
      Cirrhotic nei
      hepatitis_c ingen
      ...
    2. Binære funksjoner, ta median verdien av hver funksjon over alle pasienter. Binarize hver funksjon som et true(1) eller false(0) basert på median verdien.
      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. Egenskapsuttrekking fra medisinske bilder

Merk: Se trinn 3 supplerende materiale for kodeeksempler.

  1. Last ned pre- og post terapi magnetisk resonans DICOM-bilder fra sykehuset PACS. Lagre bilder i tilsvarende pasienten mappene.
    Prosjekt /
    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. Konvertere DICOM-bilder i NIfTI format ved hjelp av dcm2niix programmet. Følgende kommandoer konverterer alle .dcm bilder i angitt mappe. Gjenta for alle pasienter.
    dcm2niix Project/Patient_1 /
    dcm2niix Project/Patient_2 /
  3. Legg hver NIfTI fil i Python.
    Importer nibabel
    bilde = nibabel.load('Project/Patient_1/Pre_TACE_MRI_Pre-Contrast.dcm')
    1. Canonicalize retning for hvert bilde. Dette sikrer at x-, y- og z-aksene er identiske, uavhengig av maskinen brukes til bildene.
      bskikkelse = nibabel.as_closest_canonical(image)
  4. Bruke itk-SNAP (eller en tilsvarende programvarepakke) for å segmentere binære leveren og tumor masker for hvert bilde.
    Project/Patient_1/Pre_TACE_MRI_Pre-Contrast_Liver_Mask.bin
    Project/Patient_1/Pre_TACE_MRI_Pre-Contrast_Tumor_Mask.bin
  5. Lese leveren og tumor maskene i Python. Koden nedenfor demonstrerer hvordan du riktig retning problemer for å orientere masker langs samme kanoniske akser som MR bildene.
    importere numpy som np
    Åpne (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, for = "F")
    liver_mask = liver_mask [:,:: -1,:]
    liver_mask [liver_mask > 0] = 1
    1. Bruk leveren og tumor maskene isolere voxels som inneholder leveren og tumor.
      leveren = np.copy(cImage)
      leveren [liver_mask < = 0] = 0
  6. Beregne mener leveren forsterkning funksjonen.
    mean_liver_enhancement = mean(liver)
    1. Beregne leveren lydstyrke funksjonen.
      pixdim = cImage.header['pixdim']
      enheter = pre.header['xyzt_units']
      DX, dy, dz = pre_pixdim [1:4]
      liver_volume = length(liver) * dx * dx * dz
    2. (Valgfritt) Beregne tilleggsfunksjoner som ønsket.
  7. Oppdateringsfilen for pasient-spesifikke funksjoner med funksjonene.
    Project/Patient_1/Features.txt:
    67 år
    sex mann
    albumin 3.1
    Cirrhotic nei
    hepatitis_c ingen
    pre_tace_mean_liver_enhancement 78
    pre_tace_liver_volume 10000
    1. Beregne medianen verdier for hver tenkelig funksjon og binarize som i trinn 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. har aggregering og reduksjon

Merk: Se trinn 4 utfyllende materialer til kodeeksempler.

  1. Kombinere Binary_Features.txt filene for hver pasient i et regneark med pasienter på y-aksen og funksjoner på x-aksen.
    Pasient Alder > 60 Mann Sex Albumin < 3.5 Tilstedeværelsen av skrumplever Hepatitt C finnes mener leveren ekstrautstyr > 50 leveren volum > 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. Legge til qEASL utfallet svar etiketter som den siste kolonnen.
      Pasient Alder > 60 Mann Sex Albumin < 3.5 Tilstedeværelsen av skrumplever Hepatitt C finnes mener leveren ekstrautstyr > 50 leveren volum > 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. Eksportere regnearket som en tabulatordelt fil.
      Project/ML_Matrix.tsv:
      PatientAge > 60 mannlige Sex Albumin < 3.5 tilstedeværelse av skrumplever hepatitt C finnes mener leveren ekstrautstyr > 50 leveren volum > 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. Fjerne lav varians funksjoner fra vurdering.
    importere numpy som np
    importere VarianceThreshold fra sklearn.feature_selection

    # Lese i binær matrisen.
    funksjoner =]
    etiketter =]
    for jeg, L i enumerate(sys.stdin):
    Hvis jeg == 0
    Fortsett
    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 funksjoner vises i minst 20% av både respondere og ikke-respnders.
    Model = VarianceThreshold (terskel = 0,8 * (1 - 0,8))
    X_new = model.fit_transform (X, y)
    Den mannlige kjønn, albumin < 3.5, skrumplever og leverskader volum > 2000 funksjoner er fjernet.
    Pasient Alder > 60 Hepatitt C finnes mener leveren ekstrautstyr > 50 qEASL Responder
    1 0 0 1 1
    2 1 0 0 1
    3 0 1 0 0
  3. Fjerne funksjoner med lav univariate-tilknytning til utfallet. Filtrere bare de funksjonene som passerte 4.2. Beholde ceil (Logg2(N)) funksjoner, der N er antallet pasienter. Ceil (Logg2(3)) = 2.

    importere matematikk
    importere SelectKBest fra sklearn.feature_selection
    importere chi2 fra sklearn.feature_selection

    # Lese i binær matrisen som 4.2.1
    ...

    # Beregne topp ceil(log2(N)) funksjoner av univariate association.
    k = math.ceil(log2(length(y)))
    Model = SelectKBest (chi2, k = k)
    X_new = model.fit_transform (X, y)

    Den mannlige kjønn alder > 60 funksjonen er fjernet fra alle andre funksjoner fra 4.2.1.
Pasient Hepatitt C finnes mener leveren ekstrautstyr > 50 qEASL Responder
1 0 1 1
2 0 0 1
3 1 0 0

5. Modell trening og Testing

Se trinn 5 supplerende materiale for kodeeksempler

  1. Trene en logistisk regresjonsmodell bruker binære funksjoner matrix fra 4.3.
    importere matematikk
    importere LogisticRegression fra sklearn.linear_model

    # Lese binær matrix 4.2 og 4.3.
    ...

    # For hver pasient, trene en modell på alle andre pasienter.
    poeng = 0,0
    modeller =]
    for pasient i len(X):
    # Tog modellen på alle unntatt en av pasientene.
    train_x = np.array ([_ for jeg, _ i enumerate(X) hvis jeg! = pasienten])
    train_y = np.array ([_ for jeg, _ i enumerate(y) hvis jeg! = pasienten])
    Model = LogisticRegression(C=1e15)
    Model.Fit (train_x, train_y)

    # Test på venstre-out pasienten.
    y_prediction = model.predict(X[patient])
    Hvis y_prediction == y [pasienten]:
    score + = 1
    Models.append(Model)
  2. Trene en tilfeldig skogen modell bruker binære funksjoner matrix fra 4.2.2. Trinnene er identisk med 5.2.1 Oppgi, bortsett fra modellen forekomstoppretting skal oppdateres som følger:
    importere RandomForestClassifier fra sklearn.ensemble
    ...
    Model = RandomForestClassifier(n_estimators=100)
    ...
  3. Skrive ut score / len (X) for 5.1 og 5.2. Dette representerer gjennomsnittlig nøyaktigheten av alle logistisk regresjon modeller og alle tilfeldig skogen modeller, henholdsvis. Alle N modeller skal brukes på nye pasienter med gjennomsnittlig klassifisering som prediksjon utfallet

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

Den foreslåtte metoden ble brukt til 36 pasienter som hadde gjennomgått trans-arteriell behandling for leverkreft. Tjuefem funksjoner ble identifisert, og binarized bruker trinn 1-5. Fem funksjonene fornøyd både varians og univariate association filtre (se trinnene 5.1 og 5.2) og ble brukt for modell trening. Hver pasient var merket en responder eller ikke-responder under qEASL svar kriterier. Funksjoner matrix ble dermed en 36 x 5-matrise mens målet etiketter vektoren var 36 x 1.

Logistisk regresjon og tilfeldig skogen klassifiserere ble brukt for modellen montering. La-en-ut kors-validering ble brukt til å vurdere den resulterende modeller. To ytterligere modeller ble trent bruker bare toppen to funksjoner (tilstedeværelsen av skrumplever og pre-ta svulst signal intensitet større enn 27,0). Figur 1 illustrerer resultatene av modellene som funksjoner ble lagt. Både logistisk regresjon og tilfeldig skogen modeller spådd trans-arteriell chemoembolization behandlingsrespons med en total nøyaktighet på 78% (følsomhet 62,5%, spesifisitet 82,1%, positiv prediktiv verdi 50.0%, negative logiske verdien 88.5%).

Figure 1
Figur 1 : Ytelsen til maskinlæring algoritmer. (a, b) Logistisk regresjon og (c, d) tilfeldig skogen klassifiserer beskrevne som funksjoner er lagt til. Funksjoner ble lagt i følgende rekkefølge: 1) ethiodized olje, 2) sorafenib, 3) skrumplever, 4) pre-transarterial chemo-embolisering relative svulst signal intensitet > 27,0 og 5) antall svulster > 2. Figur brukt med tillatelse i umodifiserte form fra Journal av vaskulær og intervensjonsradiologi radiologi14. Klikk her for å se en større versjon av dette tallet.

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

Pasienter med leverkreft som ikke kandidater til kirurgisk resection tilbys intra arteriell terapier. Noen metoder finnes for å fastslå om en pasient vil svare pre-behandling. Etter behandling evaluering teknikker stole på endringer i tumor størrelse eller svulst kontrast opptak. Disse kalles svar kriterier, med mest nøyaktige er kvantitative European Association for studier av leveren (qEASL) kriteriet. qEASL er avhengig av både volumetriske og ekstrautstyr endringer etter terapi for å forutsi en sannsynlighet for respons. Til tross for styrken av qEASL, det er likevel en post behandling evalueringskriterier, og kan hjelpe i behandlingsplanlegging.

Det er et behov for å vurdere hvilke pasienter er sannsynlig å svare på intra arteriell behandling før intervensjonen. Metoden i denne protokollen inneholder klinisk, laboratorium og bildebehandling har i en logisk modell med teknikker fra informatikk og statistikk. En maskin læring modell er trent som tilordner disse funksjonene fra pasienter som har gjennomgått intra arteriell terapi for å qEASL resultatene. Modellen kan deretter brukes til nye pasienter som skal gjennomgå behandling for å forutsi deres qEASL svaret ved hjelp av bare sine forbehandling funksjoner.

Trinn 1 beskriver arbeidsstasjon oppsett for maskinlæring. Det gir korte instruksjoner om hvordan å setup en arbeidsstasjon med nødvendig verktøy. Trinn 2-4 gå inn i tekniske detaljer om hvordan klinisk og bildebehandling data kan analyseres for å få funksjoner av interesse. Disse trinnene er kritisk som valg av riktige funksjoner avgjør effektiviteten av modellen. Visse undertrinn ble valgt for å lette egenskapsuttrekking. Røntgen bilder lagres for eksempel vanligvis i DICOM-format som ikke er ideelt for bildeanalyser. National Institutes of Health (NIH) Neuroimaging grenen utviklet Neuroimaging informatikk initiativ (NIfTI) standard for å forenkle image manipulasjon i forskningsmiljøer. Trinn 3.2 innebærer konvertering fra DICOM til NIfTI å lette prosessen med egenskapsuttrekking. Leveren og svulst kan være Hentet fra NIfTI format ved hjelp av et program som itk-SNAPPER eller lignende segmentering.

Hver funksjon bør om kjøpt fra klinisk notater eller bildebehandling data, være binarized som sann-usann-verdier. For eksempel kan en kontinuerlig bilde ekstrautstyr gradient varierer fra 0 til 10 bli binarized til en enkelt funksjon som representerer ekstrautstyr større enn eller mindre enn 5. Alternativt funksjonen kan deles inn i flere binære funksjoner: x < 3; 3 < = x < 7; 7 < = x. maskinlæring modeller som opererer på binære funksjoner er lettere å tog.

Resultatet av trinn 2-4 er en binær matrise med pasienter på y-aksen, funksjoner på x-aksen, og en siste kolonne representerer resultatet (responder eller ikke-feriesvaret) som bestemmes for som pasient under qEASL svar kriteriet. Enkelte funksjoner kan være underrepresentert eller overrepresentert i en utfallet befolkning. For eksempel hvis alle behandling respondere mann, kan det feilaktig konkluderes at mannlige kjønn innebærer svar. En måte å håndtere dette feilslutning er å fjerne alle funksjoner som ikke finnes i både respondere og ikke-respondere over noen terskel som 20%.

Andre funksjoner kan ha begrenset betydning for utfallet under studien. For eksempel, øyenfarge er sannsynligvis irrelevant for resultater etter intra arteriell terapier. Slike funksjoner vil ha en lav univariate tilknytning til utfallet. Selv om ingen enkel funksjon er forventet å ha en signifikant (p < 0,05) sammenheng med utfallet, er en effektiv strategi å kreve at funksjoner har noen minimal univariate sammenheng over en angitt terskel.

Trinn 5 dekker prosessen med trening og bruk av en maskin lære modellen. Det er ikke strengt nødvendig å fortsette i mote beskrevet, så lenge sluttresultatet er den samme. Opplæringsprosessen bruker la-en-ut kors-validering der N modeller er trent for hvert av N -pasienter. N resulterende modellene fra la-en-ut kors-validering kan være gjennomsnitt for å produsere en siste modellen.

Teknikken er også gjelder andre prosedyrer gjort under bildebehandling. Maskinlæring tar funksjoner fra et sett med trening pasienter og veier dem ifølge deres relative bidrag til et mål resultat. Vekting prosessen avhenger av den valgte modellen; logistisk regresjon modeller beregne en exponentiated lineær kombinasjon mens tilfeldig skogen modeller bruker et sett med avveid beslutningstrær. Målet i denne protokollen var svar under qEASL kriteriet. Andre mål som år av sykdom-fri overlevelse eller livskvalitet år, kan velges avhengig av ønsket resultat under spørsmål.

Den viktigste begrensningen av protokollen er behovet å manuelt definere og få funksjonene under vurdering. Dette innebærer en betydelig mengde manuelt arbeid som analyse av klinisk notater, segmentering svulst volumer og telle antall lesjoner. Dyp maskinlæring forsøker automatisk utlede funksjoner fra de rå kildedataene, men krever betydelig mer treningsdata. Denne voksende teknologien har vist seg å være overlegen til tilsyn læring i en rekke sammenhenger, og vil trolig være videreutvikling av prediktive modeller for pasienter som gjennomgår bilde-guidede prosedyrer.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

A.A. fungerer som en programvare konsultere for Health Fidelity, Inc. som bruker lignende apparat lære teknikker på klinisk notater for å optimalisere medisinsk refusjon.

J.F.G. mottar personlig avgifter fra Guerbet Healthcare BTG, terskel legemidler (San Francisco, California), Boston Scientific og Terumo (Elkton, Maryland); og har en betalt konsulent for forutseenhet Labs (Westport, Connecticut).

Ingen av andre forfattere har identifisert en interessekonflikt.

Acknowledgments

A.A. mottatt finansiering støtte fra Office of Student Research, Yale School of Medicine.

L.J.S. mottar tilskudd fra National Institutes of Health (NIH/NCI R01CA206180), Leopoldina postdoktorstipend og Rolf W. Guenther Foundation for radiologisk (Aachen, Tyskland).

JC mottar tilskudd fra National Institutes of Health (NIH/NCI R01CA206180), Philips Healthcare og tysk-israelske grunnlaget for forskning og utvikling (Sveits og Neuherberg, Tyskland); og stipend fra Rolf W. Guenther Foundation for radiologisk vitenskap og Charite Berlin Institutt for klinisk forsker helseprogrammet (Berlin, Tyskland).

J.S.D. og M.L. får stipend fra National Institutes of Health (NIH/NCI R01CA206180) og Philips Healthcare (Best, Nederland).

J.F.G. mottar tilskudd fra National Institutes of Health (NIH/NCI R01CA206180), Philips Healthcare, BTG (London, Storbritannia), Boston Scientific (Marlborough, Massachusetts), og Guerbet helse (Villepinte, Frankrike)

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).
Forutsi behandlingsrespons på bildet-guidede terapi bruker maskinlæring: et eksempel for Trans-arteriell behandling av leverkreft
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