Summary
Tratamientos Intraarteriales son el estándar del cuidado para los pacientes con carcinoma hepatocelular que no pueden someterse a resección quirúrgica. Se propone un método para predecir la respuesta a estas terapias. La técnica utiliza información clínica, demográfica y proyección de imagen previas al procedimiento para entrenar modelos de aprendizaje de máquina capaces de predecir la respuesta antes del tratamiento.
Abstract
Tratamientos Intraarteriales son el estándar del cuidado para los pacientes con carcinoma hepatocelular que no pueden someterse a resección quirúrgica. El objetivo de este estudio fue desarrollar un método para predecir la respuesta al tratamiento intraarterial antes de la intervención.
El método proporciona un marco general para la predicción de los resultados antes de la terapia intrarterial. Se trata de agrupación de datos clínicos, demográficos y proyección de imagen a través de una cohorte de pacientes y utilizar estos datos para un modelo de aprendizaje de máquina del tren. El modelo de formación se aplica a nuevos pacientes para predecir su probabilidad de respuesta a la terapia intrarterial.
El método consiste en la adquisición y análisis de datos clínicos, demográficos e N pacientes que ya han experimentado terapias trans-arterial. Estos datos se analiza en discretas características (edad, sexo, cirrosis, grado de tumor mejora, etc.) y binarizados en valores verdadero/falso (p. ej., edad de 60, género masculino, realce del tumor más allá de un umbral fijado, etc.). Se eliminan características de varianza baja y características con asociaciones univariable baja con el resultado. Cada paciente tratado se etiqueta según si respondió o no respondió al tratamiento. Así, cada paciente formación está representado por un conjunto de características binarias y una etiqueta de resultado. Modelos de aprendizaje de máquina son entrenados utilizando N - 1 pacientes con pruebas en el paciente de la izquierda-hacia fuera. Este proceso se repite para cada uno de los N pacientes. Los modelos de N se calcula el promedio para llegar a un modelo final.
La técnica es extensible y permite la inclusión de características adicionales en el futuro. Es también un proceso generalizable que puede aplicarse a preguntas de la investigación clínica fuera de radiología intervencionista. La principal limitación es la necesidad de derivar características manualmente de cada paciente. Una forma moderna popular de aprendizaje automático llamado profundo aprendizaje no sufren de esta limitación, pero requiere más grandes conjuntos de datos.
Introduction
Pacientes con carcinoma hepatocelular que no son candidatos a cirugía se ofrecen terapias intra arterial1,2,3. No hay ninguna métrica única que determina si un paciente responderá a una terapia intra arterial antes de administra el tratamiento. El objetivo de este estudio fue demostrar un método que predice respuesta al tratamiento mediante la aplicación de métodos de aprendizaje automático. Tales modelos orientar a profesionales y pacientes al elegir si continuar con un tratamiento.
El protocolo implica un proceso reproducible para la capacitación y actualización de un modelo a partir de datos primarios del paciente (notas clínicas, datos demográficos, datos de laboratorio y proyección de imagen). Los datos se analizan inicialmente para características específicas, con cada paciente representado por un conjunto de características binarias y una etiqueta de destino de resultados binarios. La etiqueta de resultado se determina mediante un criterio de respuesta establecidos basados en la proyección de imagen para hepatocelular terapia4,5,6,7. Las características y las etiquetas meta se pasan al software de aprendizaje de máquina que aprende la correlación entre las características y los resultados bajo un específico modelo (regresión logística o bosque aleatorio)8,9,10de aprendizaje. Técnicas similares se han aplicado en radiología y en otras áreas de investigación del cáncer para el diagnóstico y tratamiento predicción11,12,13.
El método adapta a las técnicas de la informática al campo de la radiología intervencionista. Estudios de tradicional importancia en radiología intervencionista y medicina en general, se basan en análisis de mono-oligo-función o. Por ejemplo, el modelo para la enfermedad de hígado fase final incorpora cinco parámetros clínicos para evaluar el grado de enfermedad hepática. La ventaja del método propuesto es la posibilidad de añadir características liberalmente; 25 características se consideran en el análisis del ejemplo. Las características adicionales pueden agregarse como deseado.
La técnica puede aplicarse a otras intervenciones radiográficas que disponen de datos de imágenes pre y post intervención. Por ejemplo, los resultados después de tratamientos percutáneos podrían predecirse de manera similar. La principal limitación del estudio es la necesidad de características de cura manual para su inclusión en el modelo. Extracción de conservación y función de los datos es desperdiciador de tiempo para el médico y puede impedir la adopción clínica de tal modelos de aprendizaje de máquina.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
1. Instalación de estación de trabajo para el aprender de máquina
- Utilice un sistema con lo siguiente:
Intel Core 2 Duo CPU o superior a 2,0 GHz
4 GB o más memoria del sistema
Sistema operativo compatible con POSIX (Linux o Mac OS) o Microsoft Windows 7
Permisos de usuario para ejecutar programas y guardar los archivos - Instalar las siguientes herramientas:
Anaconda Python3: https://www.anaconda.com/download
DICOM a NIfTI convertidor (dcm2niix) - https://github.com/rordenlab/dcm2niix
Sublime Text Editor: https://www.sublimetext.com/
ITK-SNAP (opcional): http://www.itksnap.org- Instalar Anaconda Python3, dcm2nii y Sublime Text, visite su sitios web para pasos de instalación específicos de sistema operativo.
- Crear y activar un entorno de Anaconda.
crear Conda - nombre mlenv
CONDA activar mlenv - Instalar paquetes de Anaconda del aprender de máquina.
CONDA instalar numpy scipy scikit-aprender nltk nibabel
Nota: El paquete nltk es útil para el análisis de notas clínicas de texto plano, mientras que el paquete de nibabel proporciona funciones útiles para la manipulación de la imagen médica. ITK-SNAP puede ser instalado para la segmentación de los órganos y los tumores de imágenes médicas. Es útil para las funciones de restricción a regiones específicas.
2. Extracción de la característica de texto notas clínicas y datos clínicos estructurados
- Crear un directorio para el proyecto y cree una carpeta para cada paciente dentro de la carpeta principal. Debería parecerse la estructura de directorios:
Proyecto /
Proyecto/Patient_1 /
Proyecto/Patient_2 /
Proyecto/Patient_3 /
... - Obtener texto plano notas clínicas del registro médico electrónico (EMR). Recuperar notas manualmente a través de la EMR o por medio de la oficina de tecnologías de la información hospital mediante un volcado de datos. Guarde notas de cada paciente en sus respectivas carpetas.
Project/Patient_1/History_and_Physical.txt
Project/Patient_1/Procedure_Note.txt- Decidió que las características clínicas a incluir en el modelo. Analizar las notas de la clínica de texto de estas características. La biblioteca de Python Natural Language Toolkit (nltk) proporciona comandos útiles para dividir documentos en oraciones. Cada frase puede buscarse términos apropiados como ictericia. Almacenar las características de cada paciente en un archivo con una de las características por línea.
Project/Patient_1/Features.txt:
67 años
hombre sexo
albúmina 3.1
no cirrótico
hepatitis_c no
... - Para funciones no-binaria, tomar el valor medio de cada característica a través de todos los pacientes. Binarize cada función como un valor true(1) o false(0) basado en el valor mediano.
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
...
- Decidió que las características clínicas a incluir en el modelo. Analizar las notas de la clínica de texto de estas características. La biblioteca de Python Natural Language Toolkit (nltk) proporciona comandos útiles para dividir documentos en oraciones. Cada frase puede buscarse términos apropiados como ictericia. Almacenar las características de cada paciente en un archivo con una de las características por línea.
6 K Extracción de la característica de imágenes médicas
Nota: Ver paso 3 materiales suplementarios para ejemplos de código.
- Descargar imágenes DICOM de pre y post terapia de resonancia magnética del hospital PACS. Almacenar imágenes en las carpetas correspondientes del paciente.
Proyecto /
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 - Convertir imágenes DICOM NIfTI formato usando el programa dcm2niix. Los siguientes comandos convierte .dcm todas las imágenes en la carpeta especificada. Repita para todos los pacientes.
Proyecto de dcm2niix/Patient_1 /
Proyecto de dcm2niix/Patient_2 / - Cargar cada archivo NIfTI en Python.
importación nibabel
imagen = nibabel.load('Project/Patient_1/Pre_TACE_MRI_Pre-Contrast.dcm')- Canoniza la orientación de cada imagen. Esto asegura que la x, y y z ejes son idénticas, independientemente de la máquina utilizada para la adquisición de las imágenes.
cImage = nibabel.as_closest_canonical(image)
- Canoniza la orientación de cada imagen. Esto asegura que la x, y y z ejes son idénticas, independientemente de la máquina utilizada para la adquisición de las imágenes.
- Utilice itk-SNAP (o un paquete de software equivalente) para segmento binario hígado y tumor máscaras para cada imagen.
Project/Patient_1/Pre_TACE_MRI_Pre-Contrast_Liver_Mask.bin
Project/Patient_1/Pre_TACE_MRI_Pre-Contrast_Tumor_Mask.bin - Leer las máscaras de hígado y tumor en Python. El código siguiente muestra cómo corregir los problemas de orientación con el fin de orientar las máscaras a lo largo de los mismos ejes canónicos como las imágenes del Señor.
numpy importación como np
con open (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, order = 'F')
liver_mask = liver_mask [:,:: -1:]
liver_mask [liver_mask > 0] = 1- Use las máscaras de hígado y tumor para aislar vóxeles que contiene hígado y tumor.
hígado = np.copy(cImage)
hígado [liver_mask < = 0] = 0
- Use las máscaras de hígado y tumor para aislar vóxeles que contiene hígado y tumor.
- Calcular la función de mejoramiento hepática media.
mean_liver_enhancement = mean(liver)- Calcular la función de volumen hepático.
pixdim = cImage.header['pixdim']
unidades = pre.header['xyzt_units']
DX, dy, dz = pre_pixdim [1:4]
liver_volume = length(liver) * dx * dx * dz - (Opcional) Calcular las características adicionales como desee.
- Calcular la función de volumen hepático.
- Archivo de actualización de las funciones específicas de la paciente con las características de la imagen.
Project/Patient_1/Features.txt:
67 años
hombre sexo
albúmina 3.1
no cirrótico
hepatitis_c no
pre_tace_mean_liver_enhancement 78
pre_tace_liver_volume 10000- Calcular los valores promedio para cada función de proyección de imagen y binarize como en el paso 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 los valores promedio para cada función de proyección de imagen y binarize como en el paso 2.2.2.
4. cuentan con agregación y reducción
Nota: Ver paso 4 materiales suplementarios para ejemplos de código.
- Combinar los archivos de Binary_Features.txt para cada paciente en una hoja de cálculo con pacientes en el eje y y en el eje x.
Paciente Edad > 60 Sexo masculino Albúmina 3.5 < Presencia de cirrosis La hepatitis C presente significa mejora hígado > 50 volumen hepático > 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 - Agregar etiquetas de respuesta de resultado de qEASL como la última columna.
Paciente Edad > 60 Sexo masculino Albúmina 3.5 < Presencia de cirrosis La hepatitis C presente significa mejora hígado > 50 volumen hepático > 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 - Exportar la hoja de cálculo como un archivo delimitado por tabuladores.
Project/ML_Matrix.tsv:
PatientAge > 60 albúmina sexo masculino < 3.5 presencia de cirrosis Hepatitis C presente mejora hígado media > 50 volumen hepático > 20000 qEASL respondedor
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
- Agregar etiquetas de respuesta de resultado de qEASL como la última columna.
- Quitar funciones de varianza baja de consideración.
numpy importación como np
de importación sklearn.feature_selection VarianceThreshold
# Lea en la matriz binaria.
características =]
etiquetas =]
para i, L en enumerate(sys.stdin):
Si yo == 0
continuar
n_fs_L = L.strip().split('\t')
Features.Append([Float(_) _ en n_fs_L[1:-1]])
Labels.Append(n_fs_L[-1])
X = np.array(features)
y = np.array(labels)
# Calcular características que aparecen en al menos el 20% de respondedores y no respnders.
modelo = VarianceThreshold (umbral = 0.8 * (1 - 0.8))
X_new = model.fit_transform (X, y)
El sexo masculino, albúmina < 3.5, presencia de cirrosis y volumen hepático > 2000 se han quitado.Paciente Edad > 60 La hepatitis C presente significa mejora hígado > 50 qEASL Responder 1 0 0 1 1 2 1 0 0 1 3 0 1 0 0 - Quitar características con baja asociación univariable con el resultado. Filtrar sólo aquellas características que 4.2. Conservan características (log2(N)), donde N es el número pacientes de ceil. Ceil (Log2(3)) = 2.
importación matemáticas
de importación sklearn.feature_selection SelectKBest
de sklearn.feature_selection importación de chi2
# Leer en la matriz binaria como en 4.2.1
...
# Calcular características principales ceil(log2(N)) por asociación univariable.
k = math.ceil(log2(length(y)))
modelo = SelectKBest (chi2, k = k)
X_new = model.fit_transform (X, y)
La función de > 60 de edad de sexo masculino se ha eliminado de las restantes características de 4.2.1.
| Paciente | La hepatitis C presente | significa mejora hígado > 50 | qEASL Responder |
| 1 | 0 | 1 | 1 |
| 2 | 0 | 0 | 1 |
| 3 | 1 | 0 | 0 |
5. Modelo de formación y pruebas
Ver paso 5 materiales suplementarios para ejemplos de código
- Formar un modelo de regresión logística utilizando la matriz de funciones binarias de 4.3.
importación matemáticas
de importación sklearn.linear_model LogisticRegression
# Lea en la matriz binaria como en 4.2 y 4.3.
...
# Para cada paciente, un modelo en el resto de los pacientes del tren.
puntuación = 0.0
modelos =]
para el paciente en len(X):
# Tren modelo en todos sino uno de los pacientes.
train_x = np.array ([_ i, _ en enumerate(X) if i! = paciente])
train_y = np.array ([_ i, _ en enumerate(y) if i! = paciente])
modelo = LogisticRegression(C=1e15)
Model.Fit (train_x, train_y)
# La prueba en el paciente de la izquierda-hacia fuera.
y_prediction = model.predict(X[patient])
Si y_prediction == y [paciente]:
resultado += 1
Models.Append(Model) - Un modelo de bosque aleatorio utilizando la matriz de funciones binarias de 4.2.2 del tren. Pasos son idénticos a 5.2.1, excepto la instanciación del modelo debe ser actualizada como sigue:
de importación sklearn.ensemble RandomForestClassifier
...
modelo = RandomForestClassifier(n_estimators=100)
... - Imprimir partitura / len (X) para 5.1 y 5.2. Esto representa la exactitud promedio de todos los modelos de regresión logística y todos los modelos al azar del bosque, respectivamente. Todos los modelos de N se deben aplicar a pacientes nuevos con la clasificación promedio como el resultado de la predicción
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
El método propuesto se aplicó a 36 pacientes que habían experimentado trans-arterial terapias para el carcinoma hepatocelular. Se identificaron veinticinco características y binarizada siguiendo los pasos del 1-5. Cinco características satisfacen la varianza y filtros de asociación univariante (vea los pasos 5.1 y 5.2) y fueron utilizados para entrenamiento de modelo. Cada paciente fue etiquetado como responder o no responder bajo los criterios de respuesta qEASL. La matriz de características era así una matriz de 36 x 5, mientras que el vector de etiquetas blanco 36 x 1.
Regresión logística y clasificadores de bosque aleatorio se utilizaron para el montaje del modelo. Validación cruzada de licencia-one-out se utilizó para evaluar el desempeño de los modelos resultantes. Dos modelos adicionales fueron entrenados utilizando sólo las dos características (presencia de cirrosis y pre-TACE tumor intensidad de señal mayor que 27,0). La figura 1 ilustra el funcionamiento de los modelos como características fueron agregadas. Regresión logística y modelos de bosque aleatorio predicen respuesta al tratamiento trans-arterial chemoembolization con una precisión de 78% (62.5% de sensibilidad, especificidad 82,1%, 50.0% de valor predictivo positivo, valor predictivo negativo 88,5%).
Figura 1 : Rendimiento de algoritmos de aprendizaje de máquina. (a, b) Regresión logística y (c, d) exactitudes de clasificador de bosque aleatorio como características se añaden. Características fueron agregadas en el siguiente orden: Aceite Etiodizado 1), 2) sorafenib, 3) cirrosis, intensidad de la señal 4) pre-transarterial quimio-embolización tumor relativa > 27.0 y 5) el número de tumores de > 2. Figura con el permiso en forma sin modificar de la revista de Vascular y radiología intervencionista14. Haga clic aquí para ver una versión más grande de esta figura.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
Pacientes con carcinoma hepatocelular que no son candidatos para la resección quirúrgica se ofrecen terapias intra arteriales. Existen pocos métodos para determinar si un paciente responderá pre-tratamiento. Técnicas de evaluación después del tratamiento se basan en cambios en el tamaño del tumor o captación de contraste del tumor. Son los llamados criterios de respuesta, siendo más precisa la cuantitativa Asociación Europea para el estudio del criterio del hígado (qEASL). qEASL se basa en ambos volumétrica y los cambios de mejora después de la terapia para predecir la probabilidad de respuesta. A pesar de las fortalezas de qEASL, sin embargo es un criterio de evaluación después del tratamiento y no puede ayudar en la planificación del tratamiento.
Hay una necesidad de evaluar qué pacientes tienen probabilidades de responder a terapias intra arteriales antes de realizar la intervención. El método mostrado en este protocolo incorpora clínica, cuenta con laboratorio y proyección de imagen en un modelo predictivo usando las técnicas de los campos de la informática y la estadística. Un modelo de aprendizaje de máquina se entrena que asigna estas características de pacientes sometidos a terapias intrarterial para los resultados de sus qEASL. El modelo puede aplicarse entonces a nuevos pacientes que se someterán a tratamiento para predecir la respuesta de qEASL utilizando solamente sus características de tratamiento previo.
Paso 1 describe la configuración de estación de trabajo para el aprendizaje de máquina. Proporciona breves instrucciones sobre cómo configurar una estación de trabajo con los útiles necesarios. Pasos 2-4 entrar en detalles técnicos sobre cómo clínicos y proyección de imagen de datos pueden ser analizados para obtener características de interés. Estos pasos son esenciales como la selección de características correspondientes determinará la eficacia del modelo. Se eligieron ciertos pasos para facilitar la extracción de la característica. Por ejemplo, imágenes radiográficas por lo general se almacenan en formato DICOM, que no es ideal para análisis de imagen. La rama de Neuroimaging de institutos nacionales de salud (NIH) desarrolló el estándar de la iniciativa de tecnología de informática de Neuroimaging (NIfTI) para facilitar la manipulación de imágenes en entornos de investigación. Paso 3.2 implica la conversión de DICOM a formato de NIfTI para facilitar el proceso de extracción de la característica. Máscaras de hígado y tumor pueden extraerse de NIfTI formato con un programa como software de segmentación itk-SNAP o similar.
Cada función, ya sea adquirido de notas clínicas o datos de imágenes, debe binarized como valores de verdadero o falso. Por ejemplo, una imagen continua mejora gradiente desde 0 a 10 se puede binarized a una sola característica que representa mejora mayor que o menor que 5. Alternativamente, la función podría ser dividida en múltiples funciones binarias: x < 3; 3 < = x < 7; 7 < = x. aprendizaje automático modelos que funcionan en binario características son más fáciles de entrenar.
El resultado final de los pasos 2-4 es una matriz binaria con pacientes en el eje y, las características en el eje x y una última columna que representa el resultado (respuesta o no respuesta) según lo determinado para esa paciente bajo el criterio de respuesta qEASL. Ciertas características pueden estar subrepresentados o sobre-representado en una población de resultado. Por ejemplo, si todos los respondedores de tratamiento eran varones, se puede incorrectamente concluir que el género masculino implica respuesta. Una forma para hacer frente a esta falacia es eliminar todas las características que no se encuentran en respondedores y no respondedores por encima de cierto umbral como el 20%.
Otras características pueden haber limitado importancia para determinar el resultado bajo estudio. Por ejemplo, el color de los ojos es probablemente irrelevante para los resultados después de tratamientos Intraarteriales. Estas características tendrá una asociación univariable baja con el resultado. Aunque ninguna característica sola se espera tener una asociación significativa (p < 0.05) con el resultado, una estrategia efectiva es requerir que las características tienen cierta correlación univariable mínima por encima de un umbral definido.
Paso 5 cubre el proceso de formación y aplicación de una modelo de aprendizaje de máquina. No es estrictamente necesario proceder de la manera descrita, siempre y cuando el resultado final es el mismo. El proceso de entrenamiento utiliza la validación cruzada de dejar uno de salida por el que N modelos están capacitados para cada uno de los pacientes N . Los modelos resultantes de N generados por validación cruzada de licencia-one-out pueden ser promediados para producir un modelo final.
La técnica es también aplicable a otros procedimientos hechos bajo la proyección de imagen. El aprender de máquina toma características de un conjunto de pacientes formación y pesos según su contribución relativa para un resultado objetivo. El proceso de ponderación depende del modelo elegido; modelos de regresión logística calculan una combinación lineal de exponenciales mientras bosque al azar modelos utilizan un conjunto de árboles de decisión ponderada. El blanco utilizado en este protocolo era respuesta bajo el criterio de qEASL. Otros objetivos, tales como años de supervivencia libre de enfermedad y calidad de vida años, pueden elegirse dependiendo del resultado deseado en cuestión.
La principal limitación del protocolo es la necesidad de definir manualmente y obtener las características consideradas. Esto implica una cantidad significativa de trabajo manual como notas clínicas de análisis, segmentación de los volúmenes tumorales y contando el número de lesiones. Aprendizaje automático profundidad intenta derivar automáticamente características de los datos de origen crudo, pero requiere más datos. Esta creciente tecnología ha demostrado ser superior a aprendizaje supervisado en una variedad de contextos y probablemente será la próxima evolución de modelos predictivos en pacientes sometidos a procedimientos guiados por imágenes.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
A.A. funciona como una consulta de software salud fidelidad, Inc. que emplea la máquina similar aprendiendo técnicas en notas clínicas para la optimización de reembolso médico.
J.F.G. recibe honorarios de personales de salud de Guerbet, BTG, umbral Pharmaceuticals (San Francisco, California), Boston Scientific y Terumo (Elkton, Maryland); y tiene una consultoría pagada para los laboratorios de presciencia (Westport, Connecticut).
Ninguno de los otros autores han identificado un conflicto de intereses.
Acknowledgments
A.A. recibió apoyo financiero de la oficina de investigación del estudiante, escuela de medicina de Yale.
L.J.S. recibe subvenciones de los institutos nacionales de salud (NIH/NCI R01CA206180), Beca Postdoctoral de Leopoldina y la Rolf W. Guenther Foundation de Ciencias radiológicas (Aquisgrán, Alemania).
J.C. recibe subvenciones de los institutos nacionales de salud (NIH/NCI R01CA206180), Philips Healthcare y la Fundación israelo-alemana para la investigación científica y el desarrollo (Jerusalén, Israel y Neuherberg, Alemania); y becas de la Foundation de Guenther de Rolf W. de Ciencias radiológicas y la Charité Berlín Instituto programa de salud clínico científico (Berlín, Alemania).
J.S.D. y M.L. reciben subvenciones de los institutos nacionales de salud (NIH/NCI R01CA206180) y Philips Healthcare (Best, Holanda).
J.F.G. recibe subvenciones de los institutos nacionales de salud (NIH/NCI R01CA206180), Philips Healthcare, BTG (Londres, Reino Unido), Boston Scientific (Marlborough, Massachusetts) y Guerbet Healthcare (Villepinte, Francia)
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).
