Summary
Intra-arterial terapias são o padrão de atendimento para pacientes com carcinoma hepatocelular, que não se submetem a ressecção cirúrgica. Propõe-se um método de previsão de resposta a essas terapias. A técnica utiliza informações clínicas, demográficas e de imagem pré-processuais para treinar modelos de aprendizagem de máquina capazes de prever a resposta antes do tratamento.
Abstract
Intra-arterial terapias são o padrão de atendimento para pacientes com carcinoma hepatocelular, que não se submetem a ressecção cirúrgica. O objetivo deste estudo foi desenvolver um método para prever a resposta ao tratamento intra-arterial antes da intervenção.
O método fornece um quadro geral para prever os resultados antes da terapia intra-arterial. Envolve pool de dados clínicos, demográficos e de imagem através de uma coorte de pacientes e usar esses dados para treinar um modelo de aprendizagem de máquina. O modelo treinado é aplicado aos novos pacientes para prever a probabilidade de resposta à terapia intra-arterial.
O método implica a aquisição e análise de dados clínicos, demográficos e da imagem latente de N pacientes que já tenham sido submetidos a terapias de trans-arterial. Estes dados são analisados em discretas características (idade, sexo, cirrose, grau de aprimoramento de tumor, etc.) e binarized em valores verdadeiro/falso (por exemplo, a idade mais de 60, sexo masculino, realce do tumor para além de um limiar definido, etc.). Características de baixa-variância e características com baixa univariada associações com o resultado são removidas. Cada paciente tratada é rotulado de acordo com se eles responderam ou não respondeu ao tratamento. Cada paciente de formação, portanto, é representado por um conjunto de características binárias e um rótulo de resultado. Modelos de aprendizagem de máquina são treinados usando N - 1 pacientes com testes sobre o paciente da esquerda-para fora. Este processo é repetido para cada um dos pacientes N . Os modelos de N são em média para chegar a um modelo final.
A técnica é extensível e permite a inclusão de recursos adicionais no futuro. É também um processo generalizável que pode ser aplicado às perguntas de pesquisa clínica fora da radiologia intervencionista. A principal limitação é a necessidade de derivar características manualmente de cada paciente. Uma popular forma moderna de aprendizado de máquina, chamado profunda aprendizagem não sofre essa limitação, mas exige maior datasets.
Introduction
Pacientes com carcinoma hepatocelular, que não são candidatos cirúrgicos são oferecidos terapias intra-arterial1,2,3. Não há nenhuma única métrica que determina se um paciente responderá a uma terapia intra-arterial, antes que o tratamento é administrado. O objetivo deste estudo foi demonstrar um método que prediz a resposta do tratamento através da aplicação de métodos de aprendizado de máquina. Esses modelos fornecem orientações para médicos e pacientes quando escolher se deseja prosseguir com um tratamento.
O protocolo implica um processo reprodutível para treinar e atualizar um modelo a partir de dados primários do paciente (notas clínicas, demografia, dados laboratoriais e imagem). Os dados inicialmente analisados para características específicas, com cada paciente, representada por um conjunto de recursos binários e um rótulo de destino resultado binário. O rótulo de resultado é determinado usando um critério estabelecido resposta baseada em imagem para hepatocelular terapia4,5,6,7. As características e destino rótulos são passados para o software de aprendizagem de máquina que aprende o mapeamento entre recursos e resultados sob um determinado modelo (regressão logística ou floresta aleatória)8,9,10de aprendizagem. Técnicas similares foram aplicadas em radiologia e outras áreas de pesquisa do câncer para diagnóstico e tratamento previsão11,12,13.
O método adapta-se a técnicas de informática para o campo da radiologia intervencionista. Estudos de significado tradicional em radiologia intervencionista e medicina em geral, dependem de análises mono - ou oligo-recurso. Por exemplo, o modelo para doença de fígado do extremidade-estágio incorpora cinco clínicas métricas para avaliar a extensão da doença hepática. A vantagem do método proposto é a capacidade de adicionar características liberalmente; Vinte e cinco características são consideradas na análise do exemplo. Recursos adicionais podem ser adicionados como desejado.
A técnica pode ser aplicada a outras intervenções radiográficas onde os dados de imagem pré e pós-intervenção estão disponíveis. Por exemplo, os resultados a seguir tratamentos percutâneas poderiam ser previstos de forma semelhante. A principal limitação do estudo é a necessidade de recursos de cura manual para inclusão no modelo. Curadoria e recurso de extração de dados é demorada para o praticante e pode impedir a clínica adoção de tal modelos de aprendizagem de máquina.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
1. Instalação de estação de trabalho para a aprendizagem de máquina
- Use um sistema com o seguinte:
Intel Core 2 Duo ou superior CPU de 2,0 GHz
4 GB ou mais de memória de sistema
Sistema operacional compatível com POSIX (Linux ou Mac OS) ou Microsoft Windows 7
Permissões de usuário para executar programas e salvar arquivos - Instale as seguintes ferramentas:
Anaconda Python3: https://www.anaconda.com/download
DICOM para NIfTI conversor (dcm2niix) - https://github.com/rordenlab/dcm2niix
Editor de texto sublime: https://www.sublimetext.com/
ITK-SNAP (opcional): http://www.itksnap.org- Instalar o Python3 Anaconda, dcm2nii e texto Sublime, visite seus respectivos websites para etapas de instalação específicas do sistema operacional.
- Criar e ativar um ambiente de Anaconda.
Conda criar..--nome mlenv
Conda ativar mlenv - Instale pacotes de Anaconda para aprendizado de máquina.
Conda instalar numpy scipy scikit-aprender a nltk nibabel
Nota: O pacote nltk é útil para analisar notas clínicas de texto sem formatação, enquanto o pacote de nibabel fornece funções úteis para manipulação de imagens médicas. ITK-SNAP pode ser instalado para segmentar órgãos e tumores de imagens médicas. É útil para restringir recursos para regiões específicas.
2. Extração de notas clínicas de texto sem formatação e estruturado de dados clínicos
- Criar um diretório pai para o projeto e criar uma pasta para cada paciente dentro da pasta pai. Estrutura de diretório deve ser semelhante:
Projeto /
Projeto/Patient_1 /
Projeto/Patient_2 /
Projeto/Patient_3 /
... - Obter texto sem formatação de notas clínicas do registro médico eletrônico (EMR). Recuperar as notas manualmente através do EMR ou por meio do escritório de tecnologia (TI) hospital informações através de um depósito de dados. Armazene notas de cada paciente em suas respectivas pastas.
Project/Patient_1/History_and_Physical.txt
Project/Patient_1/Procedure_Note.txt- Decidiu que características clínicas para incluir no modelo. Analisa as notas de clínica de texto sem formatação para esses recursos. A Biblioteca Python Natural Language Toolkit (nltk) fornece comandos úteis para dividir documentos em frases. Cada frase pode ser procurado termos apropriados, tais como icterícia. Armazene as características de cada paciente em um arquivo com uma característica por linha.
Project/Patient_1/Features.txt:
idade 67
macho de sexo
albumina 3.1
cirrose não
hepatitis_c não
... - Para recursos não-binários, tome o valor mediano de cada recurso em todos os pacientes. Binarize cada recurso como um valor true(1) ou false(0), com base no valor médio.
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
...
- Decidiu que características clínicas para incluir no modelo. Analisa as notas de clínica de texto sem formatação para esses recursos. A Biblioteca Python Natural Language Toolkit (nltk) fornece comandos úteis para dividir documentos em frases. Cada frase pode ser procurado termos apropriados, tais como icterícia. Armazene as características de cada paciente em um arquivo com uma característica por linha.
3. Extração de características de imagens médicas
Nota: Consulte o passo 3 materiais complementares para exemplos de código.
- Baixe imagens DICOM terapia pré e pós-ressonância magnética do hospital PACS. Armazenar imagens nas pastas correspondentes do paciente.
Projeto /
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 - Converta imagens DICOM em formato NIfTI usando o programa dcm2niix. Os comandos a seguir converte todas as imagens de DCM na pasta especificada. Repita para todos os pacientes.
Projeto de dcm2niix/Patient_1 /
Projeto de dcm2niix/Patient_2 / - Carrega cada arquivo NIfTI em Python.
nibabel de importação
imagem = nibabel.load('Project/Patient_1/Pre_TACE_MRI_Pre-Contrast.dcm')- Canoniza a orientação de cada imagem. Isso garante que o x, y e z eixos são idênticos, independentemente da máquina usada para adquirir as imagens.
cImage = nibabel.as_closest_canonical(image)
- Canoniza a orientação de cada imagem. Isso garante que o x, y e z eixos são idênticos, independentemente da máquina usada para adquirir as imagens.
- Use o SNAP-itk (ou um pacote de software equivalente) para binário fígado e tumor máscaras para cada imagem do segmento.
Project/Patient_1/Pre_TACE_MRI_Pre-Contrast_Liver_Mask.bin
Project/Patient_1/Pre_TACE_MRI_Pre-Contrast_Tumor_Mask.bin - Ler as máscaras de fígado e tumor em Python. O código a seguir demonstra como corrigir problemas de orientação a fim de orientar as máscaras ao longo dos eixos canônicos mesmos como as imagens do senhor.
Import numpy como np
com aberta (liver_mask_file, 'rb') como f:
liver_mask = f.read()
liver_mask = np.fromstring (liver_mask, dtype = 'uint8')
liver_mask = np.reshape (liver_mask, diff.shape, ordem = 'F')
liver_mask = liver_mask [:,:: -1,:]
liver_mask [liver_mask > 0] = 1- Use as máscaras de fígado e tumor para isolar voxels que contém fígado e tumor.
fígado = np.copy(cImage)
fígado [liver_mask < = 0] = 0
- Use as máscaras de fígado e tumor para isolar voxels que contém fígado e tumor.
- Calcule o recurso de realce de fígado mau.
mean_liver_enhancement = mean(liver)- Calcule a característica de volume do fígado.
pixdim = cImage.header['pixdim']
unidades = pre.header['xyzt_units']
DX, dy, dz = pre_pixdim [1:4]
liver_volume = length(liver) * dx * dx * dz - (Opcional) Calcule os recursos adicionais, conforme desejado.
- Calcule a característica de volume do fígado.
- Arquivo de atualização de características específicas do paciente com as características de imagem.
Project/Patient_1/Features.txt:
idade 67
macho de sexo
albumina 3.1
cirrose não
hepatitis_c não
pre_tace_mean_liver_enhancement 78
pre_tace_liver_volume 10000- Calcular valores medianos para cada recurso de imagem e binarize como na etapa 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
- Calcular valores medianos para cada recurso de imagem e binarize como na etapa 2.2.2.
4. apresentam agregação e redução
Nota: Consulte a etapa 4 materiais complementares para exemplos de código.
- Combine os arquivos Binary_Features.txt para cada paciente em uma planilha com pacientes no eixo y e recursos no eixo x.
Paciente > 60 anos Sexo masculino Albumina 3.5 < Presença de cirrose Hepatite C presentes Quer dizer fígado aprimoramento > 50 fígado de 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 - Adicione rótulos de resposta qEASL resultado como a coluna final.
Paciente > 60 anos Sexo masculino Albumina 3.5 < Presença de cirrose Hepatite C presentes Quer dizer fígado aprimoramento > 50 fígado de volume > 20000 qEASL Respondente 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 - Exporte a planilha como um arquivo delimitado por tabulação.
Project/ML_Matrix.tsv:
PatientAge > 60 masculino sexo albumina < 3.5 presença de cirrose hepatite C presente significa aprimoramento fígado > 50 fígado volume > 20000 qEASL Respondente
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
- Adicione rótulos de resposta qEASL resultado como a coluna final.
- Remova recursos de baixo-variância de consideração.
Import numpy como np
de importação de sklearn.feature_selection VarianceThreshold
# Ler na matriz binária.
características =]
rótulos =]
para mim, L em enumerate(sys.stdin):
Se eu = = 0
Continue
n_fs_L = L.strip().split('\t')
Features.Append([float(_) para _ em n_fs_L[1:-1]])
Labels.Append(n_fs_L[-1])
X = np.array(features)
y = np.array(labels)
# Calcule características aparecendo em pelo menos 20% dos respondentes e não-respnders.
modelo = VarianceThreshold (limiar = 0,8 * (1 - 0,8))
X_new = model.fit_transform (X, y)
O sexo masculino, a albumina < 3.5, a presença de cirrose e características de fígado volume > 2000 ter sido removido.Paciente > 60 anos Hepatite C presentes Quer dizer fígado aprimoramento > 50 qEASL Respondente 1 0 0 1 1 2 1 0 0 1 3 0 1 0 0 - Remova recursos com baixa univariada-associação com o resultado. Filtre somente os recursos que passaram a 4.2. Manter Cely características (log2(N)), onde N é os números pacientes. Ceil (Log2(3)) = 2.
matemática de importação
de importação de sklearn.feature_selection SelectKBest
de chi2 de importação sklearn.feature_selection
# Ler na matriz binária como 4.2.1
...
# Calcule características top ceil(log2(N)), associação univariada.
k = math.ceil(log2(length(y)))
modelo = SelectKBest (chi2, k = k)
X_new = model.fit_transform (X, y)
O recurso de > 60 do sexo masculino idade foi removido os recursos restantes do 4.2.1.
| Paciente | Hepatite C presentes | Quer dizer fígado aprimoramento > 50 | qEASL Respondente |
| 1 | 0 | 1 | 1 |
| 2 | 0 | 0 | 1 |
| 3 | 1 | 0 | 0 |
5. Modelo de treinamento e testes
Consulte a etapa 5 materiais complementares para exemplos de código
- Treine um modelo de regressão logística, usando a matriz de características binárias de 4.3.
matemática de importação
de importação de sklearn.linear_model LogisticRegression
# Ler na matriz binária como em 4.2 e 4.3.
...
# Para cada paciente, treina um modelo em todos os outros pacientes.
resultado = 0,0
modelos =]
para o paciente em len(X):
# Trem modelo em todos, mas um dos pacientes.
train_x = np.array ([_ para eu, _ em enumerate(X) se i! = paciente])
train_y = np.array ([_ para eu, _ em enumerate(y) se i! = paciente])
modelo = LogisticRegression(C=1e15)
Model.Fit (train_x, train_y)
# Teste sobre o paciente da esquerda-para fora.
y_prediction = model.predict(X[patient])
se y_prediction = = y [paciente]:
Pontuação + = 1
Models.Append(Model) - Treine um modelo de floresta aleatória usando a matriz de características binárias de 4.2.2. As etapas são idênticas às 5.2.1, exceto a instanciação do modelo deve ser atualizada como segue:
de importação de sklearn.ensemble RandomForestClassifier
...
modelo = RandomForestClassifier(n_estimators=100)
... - Imprimir partitura / len (X) para 5.1 e 5.2. Isto representa a precisão média de todos os modelos de regressão logística e todos os modelos aleatórios de floresta, respectivamente. Todos os modelos de N devem ser aplicados para novos pacientes com a classificação média tomada como o resultado de previsão
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
O método proposto foi aplicado a 36 pacientes que tinham sofrido trans-arterial terapias para carcinoma hepatocelular. Vinte e cinco características foram identificadas e binarized usando os passos 1-5. Cinco características satisfeito tanto a variância e filtros de associação univariada (consulte as etapas 5.1 e 5.2) e foram usadas para treinamento de modelo. Cada paciente foi rotulado como um Respondente ou não-Respondente sob os critérios de resposta qEASL. A matriz de recursos foi, portanto, uma 5 x 36 matriz enquanto o vetor de rótulos de alvo foi 36 x 1.
Regressão logística e classificadores de floresta aleatórios foram usados para a montagem do modelo. A validação cruzada Leave-one-out foi usada para avaliar o desempenho dos modelos resultantes. Dois modelos adicionais foram treinados usando apenas as duas principais características (presença de cirrose e pre-TACE tumor intensidade do sinal maior que 27,0). A Figura 1 ilustra o desempenho dos modelos como recursos foram adicionados. Tanto a regressão logística e modelos aleatórios floresta previram a resposta de tratamento Quimioembolização trans-arterial com uma precisão global de 78% (62,5% de sensibilidade, especificidade 82.1%, 50,0% de valor preditivo positivo, valor preditivo negativo 88,5%).
Figura 1 : Desempenho de algoritmos de aprendizado de máquina. (a, b) Regressão logística e (c, d) exatidões de classificador floresta aleatórios como recursos são adicionados. Características foram adicionadas na seguinte ordem: óleo etiodado 1) 2) sorafenib, 3) cirrose, intensidade de sinal de tumor relativo de quimio-embolização 4) pré-transarterial > 27,0 e 5) número de tumores > 2. Figura usada com permissão em forma não modificada do diário de Vascular e radiologia intervencionista14. Clique aqui para ver uma versão maior desta figura.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
Pacientes com carcinoma hepatocelular, que não são candidatos à ressecção cirúrgica são oferecidos terapias intra-arterial. Existem alguns métodos para determinar se um paciente responderá pre-tratamento. Técnicas de avaliação pós-tratamento dependem de mudanças no tamanho do tumor ou captação de contraste do tumor. Estes são chamados critérios de resposta, sendo o mais exato quantitativo Associação Europeia para o estudo do critério do fígado (qEASL). qEASL depende de ambos volumétrico e alterações do realce após terapia para prever a probabilidade de resposta. Apesar dos pontos fortes do qEASL, é, no entanto, um critério de avaliação pós-tratamento e não pode ajudar no planejamento do tratamento.
Há uma necessidade de avaliar quais pacientes são susceptíveis de responder às terapias intra-arterial antes de realizar a intervenção. O método demonstrado neste protocolo incorpora clínicas, laboratoriais e imagem apresenta-se em um modelo preditivo utilizando técnicas dos campos da ciência da computação e estatística. Um modelo de aprendizagem de máquina é treinado que mapeia esses recursos de pacientes que sofreram terapias intra-arterial para seus resultados qEASL. O modelo então pode ser aplicado aos novos pacientes que passarão por tratamento para prever a sua resposta qEASL usando apenas suas características de pré-tratamento.
Etapa 1 descreve a configuração de estação de trabalho para aprendizado de máquina. Ele fornece breves instruções sobre como configurar uma estação de trabalho com ferramental necessário. As etapas 2-4 entrar em detalhes técnicos sobre como clínicos e de imagem de dados podem ser analisadas para obter características de interesse. Estas etapas são críticas, como a seleção de recursos apropriados irá determinar a eficácia do modelo. Certas sub-etapas foram escolhidas para facilitar a extração. Por exemplo, imagens radiográficas são geralmente armazenadas no formato DICOM, que não é ideal para análise de imagem. O ramo de neuro-imagem do National Institutes of Health (NIH) desenvolveu o padrão de neuroimagem informática Technology Initiative (NIfTI) para facilitar a manipulação de imagens em ambientes de pesquisa. Passo 3.2 implica a conversão de DICOM para o formato NIfTI para facilitar o processo de extração. Máscaras de fígado e o tumor podem ser extraídas do formato NIfTI usando um programa como software de segmentação itk-SNAP ou similar.
Cada recurso, se adquirido a partir de observações clínicas ou dados de imagem, deve ser binarized como valores verdadeiro ou falso. Por exemplo, uma imagem contínua melhoria gradiente variando de 0 a 10 pode ser binarized para uma única característica que representa o realce maior ou menor que 5. Como alternativa, o recurso pode ser dividido em vários recursos do binários: x < 3; 3 < = x < 7; 7 < = x. aprendizado de máquina, modelos que operam em binários recursos são mais fáceis de treinar.
O resultado final das etapas 2-4 é uma matriz binária com pacientes no eixo y, características sobre o eixo x e uma coluna final que representa o resultado (Respondente ou não-Respondente), conforme determinado por aquela paciente sob o critério de resposta qEASL. Certas características podem ser representadas ou sobre-representados em uma população de resultado. Por exemplo, se todos os respondentes de tratamento eram do sexo masculinos, pode incorretamente concluir-se que o sexo masculino implica resposta. Uma maneira de lidar com esta falácia é remover todos os recursos que não são encontrados em ambos os respondedores e não-respondedores acima algum limite como 20%.
Outras características podem ter limitada importância na determinação do resultado em estudo. Por exemplo, a cor dos olhos é provavelmente irrelevante para os resultados a seguir terapias intra-arterial. Tais características terão uma associação univariada baixa com o resultado. Embora nenhum único recurso deverá ter associação significativa (p < 0,05) com o resultado, uma estratégia eficaz é exigir que os recursos têm alguma correlação univariada mínima acima de um limite definido.
Passo 5 abrange o processo de formação e aplicação de uma modelo de aprendizagem de máquina. Não é estritamente necessário proceder da forma descrita, desde que o resultado final é o mesmo. O processo de treinamento usa leave-one-out no qual N modelos são treinados para cada um dos pacientes N a validação cruzada. Os modelos de N resultantes gerados a partir de validação cruzada leave-one-out podem ser média para produzir um modelo final.
A técnica também é aplicável a outros procedimentos feitos sob a imagem. Aprendizado de máquina assume características de um conjunto de pacientes de treinamento e os pesos de acordo com a sua contribuição relativa para um resultado de destino. O processo de ponderação depende do modelo escolhido; modelos de regressão logística calculam uma combinação linear de exponenciais, enquanto modelos aleatórios floresta utilizam um conjunto de árvores de decisão ponderada. O alvo usado neste protocolo foi resposta sob o critério de qEASL. Outros alvos, como anos de sobrevida livre de doença ou a anos de qualidade de vida, podem ser escolhidos em função dos resultados desejado em questão.
A principal limitação do protocolo é a necessidade de manualmente definir e obter os recursos sob consideração. Isto implica uma quantidade significativa de trabalho manual, tais como análise clínicas notas, segmentando volumes de tumor e contando o número de lesões. Aprendizado de máquina profunda tenta automaticamente características derivam os dados de origem cru, mas requer significativamente mais dados de treinamento. Esta crescente tecnologia tem demonstrada ser superior ao aprendizado supervisionado em uma variedade de contextos e provavelmente será a próxima evolução dos modelos de previsão para pacientes submetidos a procedimentos guiada por imagem.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
A.A. funciona como uma consulta de software para saúde fidelidade, Inc. que emprega a máquina similar, aprendendo as técnicas clínicas notas para otimizar o reembolso médico.
J.F.G. recebe honorários de pessoais de saúde Guerbet, BTG, fármacos Threshold (San Francisco, Califórnia), Boston Scientific e Terumo (Elkton, Maryland); e tem uma empresa de consultoria paga para laboratórios de presciência (Westport, Connecticut).
Nenhum dos outros autores têm identificado um conflito de interesses.
Acknowledgments
A.A. receberam financiamento de apoio o escritório de pesquisa estudantil, escola de medicina de Yale.
L.J.S. recebe subsídios de Leopoldina Postdoctoral Fellowship, o National Institutes of Health (NIH/ICN R01CA206180) e o Rolf W. Guenther Foundation de Ciências radiológicas (Aachen, Alemanha).
J.C. recebe subvenções da Philips Healthcare, o National Institutes of Health (NIH/ICN R01CA206180) e a Fundação alemã-israelense para investigação científica e desenvolvimento (Jerusalém, Israel e Neuherberg, Alemanha); e bolsas de estudo da W. Rolf Guenther Foundation de Ciências radiológicas e o Charite Berlim Instituto de saúde cientista programa clínico (Berlim, Alemanha).
J.S.D. e M.L. recebem subvenções do National Institutes of Health (NIH/ICN R01CA206180) e Philips Healthcare (melhor, Países Baixos).
J.F.G. recebe subvenções do National Institutes of Health (NIH/ICN R01CA206180), Philips Healthcare, BTG (Londres, Reino Unido), Boston Scientific (Marlborough, Massachusetts) e Guerbet Healthcare (Villepinte, França)
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. |
References
- Benson, A., et al. NCCN clinical practice guidelines in oncology: hepatobiliary cancers. J National Comprehensive Cancer Network. 7 (4), 350-391 (2009).
- Siegel, R., Miller, K., Jemal, A. Cancer statistics, 2016. CA Cancer J Clin. 66 (1), 7-30 (2016).
- 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).
- 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).
- 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).
- 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).
- 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).
- Pedregosa, F., et al. Scikit-learn: Machine Learning in Python. Journal of Machine Learning Research. 12, 2825-2830 (2011).
- Bishop, C. Pattern recognition and machine learning. , Springer. New York. 738 (2006).
- Alpaydin, E. Introduction to machine learning. Third edition. , The MIT Press. Cambridge, Massachusetts. 613 (2014).
- Kim, S., Cho, K., Oh, S. Development of machine learning models for diagnosis of glaucoma. PLoS One. 12 (5), (2017).
- 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).
- Wang, S., Summers, R. Machine learning and radiology. Medical Image Analysis. 16 (5), 933-951 (2012).
- 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).
