Summary
Внутри артериальной терапии являются стандарт медицинской помощи для пациентов с гепатоцеллюлярной карциномы, которые не могут пройти хирургическая резекция. Предложен метод прогнозирования ответа на эти виды лечения. Техника использует предварительно процедурные клинических, демографические и визуализации информации для обучения машина обучения моделей, способных предсказать ответ до начала лечения.
Abstract
Внутри артериальной терапии являются стандарт медицинской помощи для пациентов с гепатоцеллюлярной карциномы, которые не могут пройти хирургическая резекция. Цель этого исследования была разработка метода для прогнозирования реакции внутри артериальной лечения до вмешательства.
Этот метод обеспечивает общие рамки для прогнозирования результатов до внутри артериальной терапии. Она включает в себя объединение клинических, демографические и визуализации данных через когорте больных и использование этих данных для обучения модели обучения машины. Обученная модель применяется для новых пациентов для того чтобы предсказать вероятность их реакции на внутри артериальной терапии.
Метод предполагает приобретение и разбора клинических, демографические и визуализации данных из N пациентов, которые уже прошли транс артериальная терапии. Эти данные анализируются в дискретных функций (возраст, пол, цирроз печени, степень повышения опухоли и т.д.) и binarized в значения true/false (например, возраст более 60, мужского пола, повышение опухоли за пределы установленного порога, и т.д.). Разница низкая функции и функции с низкой одномерных ассоциаций с результатами будут удалены. Каждое лечение пациента размечается согласно ли они ответили или не реагировать на лечение. Каждый пациент обучение таким образом представлена набором двоичных функции и метку результат. Машина модели обучения проходят подготовку с помощью N - 1 пациентов с тестированием на левой из пациента. Этот процесс повторяется для каждой из N пациентов. N модели усредняются прибыть в окончательной модели.
Методика является расширяемым и позволяет включение дополнительных функций в будущем. Это также обобщению процесс, который может применяться для клинических исследований вопросов за пределами интервенционной радиологии. Основным ограничением является необходимость вручную наследовать характеристики каждого пациента. Популярная современная форма машинного обучения называется глубокой обучения, не страдают от этого ограничения, но требует больших наборов данных.
Introduction
Пациенты с гепатоцеллюлярной карциномы, которые не являются хирургические кандидатов предлагаются внутри артериальной терапии1,2,3. Существует без один метрику, определяющую ли пациент будет реагировать внутри артериальной терапии, прежде чем лечение проводится. Целью данного исследования было продемонстрировать метод, который предсказывает реакции лечение путем применения методов машинного обучения. Такие модели служат руководством для специалистов-практиков и пациентов при выборе продолжения лечения.
Протокол предполагает воспроизводимый процесс для подготовки и обновления модели, начиная с первичных данных о пациенте (клинические примечания, демография, лабораторных данных и обработки изображений). Данные сначала анализируется для конкретных функций, с каждым пациентом, представленный набор бинарных функций и целевой меткой двоичный результат. Метке результат определяется с использованием критерия установленных ответ на основе изображений для гепатоцеллюлярной терапии4,5,6,7. Машина обучения программного обеспечения, которое узнает сопоставление функций и результатов конкретный обучения модели (логистической регрессии или случайных лесных)8,9,10передаются функции и целевых ярлыках. Подобные методы применялись в радиологии и других районах раковых исследований для диагностики и лечения предсказание11,12,13.
Этот метод адаптируется методы от компьютерных наук в области интервенционной радиологии. Традиционное значение исследования в интервенционной радиологии и медицины в целом полагаются на моно - или oligo функция анализа. Например модель для конечной стадии заболевания печени включает в себя пять клинических метрик для оценки масштабов заболевания печени. Преимущество предлагаемого метода является возможность добавления функции Либерально; в примере анализе рассматриваются особенности двадцать пять. Дополнительные функции могут быть добавлены по желанию.
Техника может применяться для других радиографический вмешательств, где имеются данные изображений до и после вмешательства. Например результаты после чрескожного лечения может быть предсказано в подобной манере. Главное ограничение этого исследования является необходимость ручной викарий функции для включения в модель. Курирование и функция извлечения данных занимает много времени для практикующего и могут препятствовать клинических принятие такой машины, обучения модели.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
1. Настройка рабочей станции для машинного обучения
- Используйте систему следующим текстом:
Процессор Intel Core 2 Duo или выше процессор тактовой частотой 2,0 ГГц
4 ГБ или больше системной памяти
POSIX-совместимая операционная система (Linux или Mac OS) или Microsoft Windows 7
Разрешения пользователя для выполнения программ и сохранения файлов - Установите следующие средства:
Анаконда Python3: https://www.anaconda.com/download
DICOM NIfTI конвертер (dcm2niix) - https://github.com/rordenlab/dcm2niix
Возвышенное текстовый редактор: https://www.sublimetext.com/
ITK-SNAP (опционально): http://www.itksnap.org- Установки Anaconda Python3, dcm2nii и возвышенное текст, посетите их соответствующих веб-сайтах для операционной системы следующие шагов установки.
- Создать и активировать среде Anaconda.
Конда создать--имя mlenv
Конда активировать mlenv - Установка пакетов Anaconda для машинного обучения.
Конда установить numpy scipy scikit-узнать nltk nibabel
Примечание: Nltk пакет полезен для разбора клинических примечания текста, в то время как nibabel пакет предоставляет полезные функции для обработки медицинских изображений. ITK оснастки могут быть установлены для сегментации органов и опухоли из медицинских изображений. Это полезно для ограничивающих возможности для конкретных регионов.
2. Функция извлечения из текста клинические примечания и структурированных клинических данных
- Создайте родительский каталог для проекта и создать папку для каждого пациента в родительской папке. Структура каталогов должна выглядеть следующим образом:
Проект /
Проект/Patient_1 /
Проект/Patient_2 /
Проект/Patient_3 /
... - Получение текста клинические примечания от электронных медицинских записей (EMR). Извлечь заметки вручную через Эми или посредством больницы информационных технологий (ИТ) Управление через дамп данных. Храните примечания каждого пациента в соответствующих папках.
Project/Patient_1/History_and_Physical.txt
Project/Patient_1/Procedure_Note.txt- Решение клинических компонентов, которые требуется включить в модель. Синтаксический анализ текста клиника отмечает для этих функций. Инструментарий для естественного языка Python (nltk) библиотека предоставляет полезные команды для разделения документов на приговоры. Каждое предложение может быть искали соответствующие термины например желтуха. Храните особенностей каждого пациента в файле с одной функцией в строке.
Project/Patient_1/Features.txt:
67 лет
мужчины секс
Альбумин 3.1
цирротической нет
hepatitis_c нет
... - Для не двоичных функции взять среднее значение каждого компонента во всех пациентов. Бинаризация каждую функцию как истина(1) или false(0) значение, основанное на медиану.
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
...
- Решение клинических компонентов, которые требуется включить в модель. Синтаксический анализ текста клиника отмечает для этих функций. Инструментарий для естественного языка Python (nltk) библиотека предоставляет полезные команды для разделения документов на приговоры. Каждое предложение может быть искали соответствующие термины например желтуха. Храните особенностей каждого пациента в файле с одной функцией в строке.
3. Функция извлечения из медицинских изображений
Примечание: См. шаг 3 дополнительных материалов для примеров кода.
- Скачайте до и после терапии магнитного резонанса DICOM изображений из больницы ПГС. Хранить изображения в соответствующие папки пациента.
Проект /
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 - Преобразуйте изображения DICOM в NIfTI формат с помощью программы dcm2niix. Следующие команды преобразует все .dcm изображения в указанной папке. Повторите для всех пациентов.
dcm2niix проект/Patient_1 /
dcm2niix проект/Patient_2 / - Загрузите каждый файл NIfTI в Python.
Импорт nibabel
изображение = nibabel.load('Project/Patient_1/Pre_TACE_MRI_Pre-Contrast.dcm')- Канонизации ориентации каждого изображения. Это гарантирует, что x, y и z оси являются идентичными, независимо от того, машина, используемая для получения изображения.
cImage = nibabel.as_closest_canonical(image)
- Канонизации ориентации каждого изображения. Это гарантирует, что x, y и z оси являются идентичными, независимо от того, машина, используемая для получения изображения.
- Используйте itk-SNAP (или эквивалентного программного обеспечения пакета) сегмент двоичный печени и опухоли маски для каждого изображения.
Project/Patient_1/Pre_TACE_MRI_Pre-Contrast_Liver_Mask.bin
Project/Patient_1/Pre_TACE_MRI_Pre-Contrast_Tumor_Mask.bin - Читайте маски печень и опухоли в Python. В приведенном ниже коде показано, как исправить проблемы ориентации для того, чтобы ориентировать маски вдоль оси же каноническое как изображения МРТ.
Импорт numpy как np
с открытыми (liver_mask_file, 'РБ') как f:
liver_mask = f.read()
liver_mask = np.fromstring (liver_mask, dtype = 'uint8')
liver_mask = np.reshape (liver_mask, diff.shape, порядок = 'F')
liver_mask = liver_mask [:,:: -1:]
liver_mask [liver_mask > 0] = 1- Используйте маски печень и опухоли изолировать вокселей, содержащих печень и опухоли.
печень = np.copy(cImage)
печени [liver_mask < = 0] = 0
- Используйте маски печень и опухоли изолировать вокселей, содержащих печень и опухоли.
- Вычислите среднее повышение печени функция.
mean_liver_enhancement = mean(liver)- Вычислите функцию печени тома.
pixdim = cImage.header['pixdim']
единиц = pre.header['xyzt_units']
DX, dy, dz = pre_pixdim [1:4]
liver_volume = length(liver) * dx * dx * dz - (Необязательно) Рассчитайте дополнительные функции, как хотелось.
- Вычислите функцию печени тома.
- Обновление файла пациент специфические функции с функциями изображения.
Project/Patient_1/Features.txt:
67 лет
мужчины секс
Альбумин 3.1
цирротической нет
hepatitis_c нет
pre_tace_mean_liver_enhancement 78
pre_tace_liver_volume 10000- Расчета медианных значений для каждой функции визуализации и Бинаризация как шаг 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
- Расчета медианных значений для каждой функции визуализации и Бинаризация как шаг 2.2.2.
4. есть агрегации и сокращения
Примечание: См. шаг 4 дополнительных материалов для примеров кода.
- Объединить файлы Binary_Features.txt для каждого пациента в электронную таблицу с пациентами на оси y и функций на оси x.
Пациент Возраст > 60 Мужского пола Альбумин < 3.5 Присутствие цирроза Гепатит C настоящего значит печени повышение > 50 печени тома > 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 - Добавьте qEASL результат ответ этикетки как последний столбец.
Пациент Возраст > 60 Мужского пола Альбумин < 3.5 Присутствие цирроза Гепатит C настоящего значит печени повышение > 50 печени тома > 20000 qEASL ответчика 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 - Экспорт электронной таблицы в файл с разделителями табуляции.
Project/ML_Matrix.tsv:
PatientAge > 60 мужского пола альбумина < 3.5 присутствие цирроз гепатит C настоящей среднее повышение печени > 50 печени тома > 20000 qEASL ответчика
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
- Добавьте qEASL результат ответ этикетки как последний столбец.
- Убрать низким отклонение от рассмотрения.
Импорт numpy как np
импортировать из sklearn.feature_selection VarianceThreshold
# Читать двоичные матрицы.
особенности =]
этикетки =]
для i, L в enumerate(sys.stdin):
Если я == 0
продолжить
n_fs_L = L.strip().split('\t')
Features.append([float(_) _ в n_fs_L[1:-1]])
labels.append(n_fs_L[-1])
X = np.array(features)
y = np.array(labels)
# Для вычисления функции в по крайней мере 20% респондентов и не respnders.
модель = VarianceThreshold (порог = 0,8 * (1 - 0,8))
X_new = model.fit_transform (X, y)
Мужского пола, альбумин < 3.5, наличие цирроз печени и функции печени тома > 2000 были удалены.Пациент Возраст > 60 Гепатит C настоящего значит печени повышение > 50 qEASL ответчика 1 0 0 1 1 2 1 0 0 1 3 0 1 0 0 - Удаление компонентов с низким одномерных ассоциация с результатами. Фильтр только те функции, которые прошли 4.2. Сохранить ceil функций (журнал2(N)), где N — это число больных. Ceil (журнал2(3)) = 2.
Импорт математике
импортировать из sklearn.feature_selection SelectKBest
импортировать из sklearn.feature_selection Чи 2
# Читать в матрице двоичного как 4.2.1
...
# Вычисления функции Топ ceil(log2(N)) одномерных ассоциацией.
k = math.ceil(log2(length(y)))
модель = SelectKBest (Чи 2, k = k)
X_new = model.fit_transform (X, y)
Функцию > 60 лет мужского пола был удален из оставшихся функций от 4.2.1.
| Пациент | Гепатит C настоящего | значит печени повышение > 50 | qEASL ответчика |
| 1 | 0 | 1 | 1 |
| 2 | 0 | 0 | 1 |
| 3 | 1 | 0 | 0 |
5. Модель обучения и тестирования
Шаг 5 дополнительных материалов для примеров кода см.
- Поезд с использованием двоичных функции матрица от 4.3 модели логистической регрессии.
Импорт математике
импортировать из sklearn.linear_model LogisticRegression
# Читать в матрице двоичного в 4.2 и 4.3.
...
# Для каждого пациента обучить модель на всех других пациентов.
Оценка = 0.0
модели =]
для пациента в len(X):
# Обучить модель на все, но один из пациентов.
train_x = np.array ([_ для i, _ в enumerate(X) если i! = пациента])
train_y = np.array ([_ для i, _ в enumerate(y) если i! = пациента])
модель = LogisticRegression(C=1e15)
Model.Fit (train_x, train_y)
# Тест на левой из пациента.
y_prediction = model.predict(X[patient])
Если y_prediction == y [пациент]:
Оценка += 1
Models.append(Model) - Поезд модель случайных леса с использованием двоичных функции матрица от 4.2.2. Шаги идентичны 5.2.1, за исключением экземпляра модели должны быть обновлены следующим образом:
импортировать из sklearn.ensemble RandomForestClassifier
...
модель = RandomForestClassifier(n_estimators=100)
... - Распечатать Оценка / лен (X) для 5.1 и 5.2. Это представляет собой средняя точность всех моделей логистической регрессии и все модели случайных лесных, соответственно. Все модели N должны применяться к новым пациентам с средняя классификации, как результат прогноза
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
Предложенный метод был применен к 36 пациенты, перенесшие транс артериальная Лечение гепатоцеллюлярной карциномы. Были определены особенности двадцать пять и binarized используя шаги 1-5. Пять компонентов удовлетворяющие дисперсии и одномерных ассоциации фильтры (см. шаги 5.1 и 5.2) и были использованы для обучения модели. Каждый пациент был обозначен как ответчик или не ответчика, под критериями ответ qEASL. Матрица функций был таким образом массив 36 x 5, в то время как вектор этикетки целевой был 36 x 1.
Логистической регрессии и случайных лесных классификаторы были использованы для установки модели. Отпуск один из перекрестной проверки была использована для оценки эффективности работы итоговых моделей. Две дополнительные модели были подготовлены с использованием только топ две функции (наличие более 27,0 интенсивности сигнала цирроза и pre-TACE опухоли). Рисунок 1 иллюстрирует производительность моделей как функции были добавлены. Логистической регрессии и модели случайных лесных предсказал транс артериальная химиоэмболизация лечение реакции с общей точностью 78% (62,5% чувствительность, специфичность 82,1%, предсказательная ценность положительного результата 50,0%, предсказательная ценность отрицательного результата 88,5%).
Рисунок 1 : Производительность алгоритмов обучения машины. (а, b) Логистической регрессии и (c, d) случайных лесных классификатор точности как функции добавляются. Функции были добавлены в следующем порядке: 1) ethiodized масло, 2) сорафениб, 3) Цирроз печени, интенсивности сигнала 4) pre-transarterial химио эмболизации относительной опухоли > 27,0 и 5) количество опухолей > 2. Используется с разрешения в неизмененном виде в журнале сосудистой и интервенционной радиологии14рис. Пожалуйста, нажмите здесь, чтобы посмотреть большую версию этой фигуры.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
Пациентов с гепатоцеллюлярной карциномы, которые не являются кандидатами для хирургической резекции предлагаются внутри артериальной терапии. Некоторые методы существуют, чтобы определить, если пациент будет отвечать pre-лечение. Методы оценки после лечения зависят от изменения размера опухоли или опухоль контраст поглощения. Они называются ответ критериев, причем наиболее точных количественных Европейской ассоциации по изучению печени (qEASL) критерий. qEASL опирается на оба объемные и повышение изменения после терапии предсказать вероятность ответа. Несмотря на сильные qEASL он тем не менее критерии оценки после лечения и не может помочь в планировании лечения.
Существует необходимость оценить, какие пациенты склонны реагировать внутри артериальной терапии перед выполнением вмешательства. Метод показал в этом протоколе включает клинические, лабораторные и изображений особенности в модель прогнозирования с использованием методов в области компьютерных наук и статистики. Модель обучения машины является обучение, эти функции от пациентов, которые подверглись внутри артериальной терапии для их qEASL результаты карт. Модель затем могут применяться для новых пациентов, которые будут проходить лечение предсказать их qEASL ответ, используя только их предварительной обработки функций.
Шаг 1 описывается настройка рабочей станции для машинного обучения. Она обеспечивает краткие инструкции по настройке рабочей станции с необходимые инструменты. Шаги 2-4 вдаваться в технические подробности о как клинические и визуализации данных могут обрабатываться для получения возможности интерес. Эти шаги имеют важное значение, как выбирать соответствующие функции будут определять эффективность модели. Некоторые подэтапы были выбраны для облегчения функции извлечения. К примеру радиографические изображения обычно хранятся в формате DICOM, который не подходит для анализа изображений. Национальных институтов здравоохранения (НИЗ) отделения нейровизуализации разработан стандарт инициативы технологии информатики нейровизуализации (NIfTI) для облегчения манипуляции изображения в исследовательских сред. Шаг 3.2 влечет за собой преобразования DICOM NIfTI формат, чтобы облегчить процесс извлечения компонентов. Печень и опухоли маски могут быть извлечены из NIfTI формате с помощью программы например itk оснастки или аналогичных сегментации программного обеспечения.
Каждый компонент, ли полученные клинические примечания или визуализации данных, должны быть binarized как истинно ложные значения. Например непрерывное изображение повышение градиента от 0 до 10 может быть binarized к одной функции, представляющие повышение больше чем или меньше чем 5. Кроме того, функцию можно разделить на несколько двоичных функции: x < 3; 3 < = x < 7; 7 < = x. машинного обучения модели, которые работают на двоичных функции легче поезда.
В итоге шаги 2-4 является двоичный матрица с пациентами на оси y, особенности на оси x и последний столбец, представляющий результат (ответчика или не ответчик), определенных для того пациента под критерием ответ qEASL. Некоторые функции могут быть недостаточно представлены или чрезмерно представлены в исход населения. Например если все лечение ответчики были мужчины, неправильно можно заключить, что мужской пол подразумевает ответ. Один из способов справиться с этой ошибочной является удалить все функции, которые не найдены в как респондентов, так и не ответчиков выше некоторый порог, например 20%.
Другие функции могут ограниченное значение в определении результата исследуемого. Например, цвет глаз, скорее всего не имеют отношения к результатам после внутри артериальной терапии. Такие функции будут иметь низкий одномерных ассоциации с результатами. Хотя без одной функции, как ожидается, будет иметь значительные ассоциации (p < 0,05) с итогами, эффективная стратегия является требование функции имеют некоторые минимальные одномерных корреляция выше определенного порога.
Шаг 5 охватывает процесс подготовки и применения машинного обучения модели. Это не строго необходимо действовать в моде описал, как конечный результат это то же самое. Учебный процесс использует отпуск один из перекрестной проверки которой N модели проходят подготовку для каждой из N пациентов. N результирующие модели, созданные из отпуска один из перекрестной проверки может усредняются для получения окончательной модели.
Метод применяется также для других процедур делается под изображений. Машинное обучение принимает функции из набора обучения пациентов и веса их согласно их относительный вклад целевой результат. Процесс взвешивания зависит от выбранной модели; модели логистической регрессии вычислить возведенное линейной комбинации, в то время как случайные лесные модели используют набор деревьев взвешенное решение. Цель, используемые в настоящем протоколе был ответ под критерий qEASL. Другие цели, например безрецидивной выживаемости или качества жизни лет, могут быть выбраны в зависимости от желаемого результата под вопросом.
Основное ограничение протокола необходимо вручную определить и получить особенности рассматриваемых. Это влечет за собой значительное количество ручной работы например разбора клинических отмечает, сегментации опухоли томов и подсчитывать количество повреждений. Глубокая машинного обучения пытается автоматически наследовать сырые исходных данных функций, но требует значительно больше обучающих данных. Этой технологии выращивания было показано по сравнению с контролем обучение в различных контекстах и вероятно, будет следующий эволюции моделей прогнозирования для пациентов, перенесших изображения руководствуясь процедурами.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
А.а. работает как программное обеспечение консультации для здоровья верности, Inc., которая использует аналогичные машины, обучения методам на клинические примечания для оптимизации возмещения медицинских расходов.
J.F.G. получает персональный сборы от Guerbet здравоохранения, BTG, порог Фармацевтика (Сан-Франциско, Калифорния), Бостонский научная и Terumo (Элктон, Мэриленд); и есть платные консультации для предвидения Labs (Вестпорт, Коннектикут).
Ни одна из другие авторы определили конфликт интересов.
Acknowledgments
А.а. получил финансовую поддержку от управления студенческих исследований, Йельской школы медицины.
L.J.S. получает субсидии от национальных институтов здоровья (NIH/NCI R01CA206180), Леопольдина докторантура стипендий и Фондом Гюнтер W. Рольф радиационной наук (Аахен, Германия).
Ж.к. получает субсидии от национальных институтов здоровья (NIH/NCI R01CA206180), Philips Healthcare и немецко-израильский фонд для научных исследований и разработок (Иерусалим, Израиль и Neuherberg, Германия); и стипендии от Фонда Гюнтер W. Рольф радиационной наук и Шарите Берлин институт здравоохранения клинической ученый программа (Берлин, Германия).
Дж.С.Д. и м.л. получать гранты от национальных институтов здоровья (NIH/NCI R01CA206180) и Philips Healthcare (лучший, Нидерланды).
J.F.G. получает субсидии от национальных институтов здоровья (NIH/NCI R01CA206180), Philips Healthcare, BTG (Лондон, Соединенное Королевство), Бостонский научная (Мальборо, Массачусетс) и Guerbet Healthcare (Вильпент, Франция)
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).
