Login processing...

Trial ends in Request Full Access Tell Your Colleague About Jove

Medicine

Makine öğrenimi kullanarak görüntü destekli terapi tedavi öngörmede: hepatosellüler karsinom Trans-arter tedavisi için bir örnek

doi: 10.3791/58382 Published: October 10, 2018

Summary

İntra arteryel terapiler standart tedavi cerrahi rezeksiyon tabi olamaz hepatosellüler karsinom olan hastalar için vardır. Bu terapiler öngörmede için bir yöntem önerdi. Teknik makine öğrenme modelleri tedavi öncesinde öngörmede yetenekli eğitmek için önceden yordam, demografik, klinik ve görüntüleme bilgileri kullanır.

Abstract

İntra arteryel terapiler standart tedavi cerrahi rezeksiyon tabi olamaz hepatosellüler karsinom olan hastalar için vardır. Bu çalışmanın amacı müdahale öncesinde intra arteryel tedaviye yanıt tahmin etmek için bir yöntem geliştirmekti.

Yöntem intra arteryel terapi önce sonuçlar oluşabileceğini için genel bir çerçeve sağlar. Bu hastalar kohort arasında klinik, demografik ve görüntüleme veri havuzu ve bir makine öğrenme modeli eğitmek için bu verileri kullanarak içerir. Eğitimli modeli yeni hastalara intra arteryel tedaviye yanıt onların olasılığı tahmin etmek için uygulanır.

Yöntem alımı ve zaten trans-arter terapiler uğramıştır N hastalarda klinik, demografik ve görüntüleme veri ayrıştırma gerektirir. Bu veriler ayrı özellikleri (yaş, cinsiyet, siroz, derecesi tümör geliştirme, vb) ayrıştırılır ve doğru/yanlış değerleri (Örneğin, yaş üzerinde 60, erkek cinsiyet, tümör geliştirme ötesinde bir küme eşik, vb) içine binarized. Düşük-varyans özellikleri ve sonuç ile düşük tekdeğişirli ilişkilendirmeleriyle özellikleri kaldırılır. Her tedavi hasta olup yanıt verdiğinde veya tedaviye yanıt vermedi göre etiketlenir. Her eğitim hasta böylece ikili özellikleri ve bir sonuç etiket kümesi tarafından temsil edilir. Makine öğrenme modelleri N - sol-out hastaya test ile 1 hastalar kullanılarak eğitilmiştir. Bu işlem her N hastalar için yinelenir. N modelleri son model gelmesi ortalama.

Teknik genişletilebilir ve gelecekte eklenmesi ek özellikler sağlar. Bu da klinik araştırma soruları girişimsel radyoloji dışında uygulanabilir genelleştirilebilir bir süreçtir. Ana sınırlama özellikleri el ile her hastadan türetmek için ihtiyaç vardır. Makine öğrenimi derin denilen popüler bir modern formu bu sınırlama acı değil öğrenme ama daha büyük veri kümeleri gerektirir.

Introduction

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

Hepatosellüler karsinom cerrahi aday olmayan hastalarda intra arteryel terapiler1,2,3sunulmaktadır. Bir hasta tedavi yönetilir önce bir intra arteryel terapiye yanıt olup olmadığını belirler yok tek ölçüsü vardır. Bu çalışmanın amacı tedaviye yanıt makine öğrenme yöntemleri uygulayarak öngörür bir yöntem göstermekti. Modelleri gibi uygulayıcıları ve hastalar için bir tedavi ile devam edip seçerken rehberlik.

Protokol eğitim ve birincil hasta veri (klinik notları, demografi, laboratuvar verileri ve görüntüleme) başlayan bir modeli güncelleştirmek için tekrarlanabilir bir süreç gerektirir. Verileri başlangıçta belirli özellikler için her hasta bir ikili özellik kümesi ve ikili sonucu hedef etiketi tarafından temsil ile ayrıştırılır. Sonuç etiket bir kurulan görüntüleme içinde yanıt kriteri hepatosellüler terapi4,5,6,7için kullanılarak belirlenir. Özellikleri ve hedef etiket özellikleri ve belirli bir öğrenme modeli (logistic regresyon veya rasgele orman)8,9,10altında sonuçlar arasındaki eşlemeyi öğrenir Makina öğrenme yazılımı için geçirilir. Benzer teknikler Radyoloji ve diğer alanlarda kanser araştırma tahmin11,12,13tanı ve tedavisi uygulandı.

Yöntem bilgisayar bilimi teknikleri girişimsel radyoloji alanında uyum sağlar. Girişimsel Radyoloji ve tıp geleneksel önemi çalışmaları genel olarak, mono veya oligo özelliği analizler güveniyor. Örneğin, Model son aşama karaciğer hastalığı için karaciğer hastalığının ölçüde değerlendirmek için beş klinik ölçümleri içerir. Önerilen yöntem liberal özellikleri ekleme yeteneği şeydir; Yirmi beş özellikleri örnek analizde kabul edilir. Ek özellikler eklendi istediğiniz gibi.

Teknik burada öncesi ve sonrası müdahale görüntüleme veri kullanılabilir diğer radyografik müdahaleler uygulanabilir. Örneğin, benzer bir şekilde perkütan tedavi takip sonuçları tahmin edilebilir. Ana çalışma el ile papaz özelliklerine ihtiyaç model eklenmek kısıtlamasıdır. Veri küratörlüğü ve özellik çıkarma uygulayıcısı için zaman alır ve öğrenme modelleri böyle makine klinik kabulü engelleyebilir.

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. Makine öğrenimi için iş istasyonu kurulumu

  1. Bir sistem ile şunu kullanın:
    Intel Core 2 Duo veya üzeri işlemci 2.0 GHz
    4 GB veya daha fazla sistem belleği
    POSIX uyumlu işletim sistemi (Linux veya Mac OS) ya da Microsoft Windows 7
    Yapma bilgisayar programı ve dosyaları kaydetmek için Kullanıcı izinleri
  2. Aşağıdaki araçları yükleyin:
    Anakonda Python3: https://www.anaconda.com/download
    DICOM NIfTI Converter (dcm2niix) - https://github.com/rordenlab/dcm2niix
    Yüce Text Editor: https://www.sublimetext.com/
    ITK-ek (isteğe bağlı): http://www.itksnap.org
    1. Anaconda Python3, dcm2nii ve yüce metin yüklemek için işletim sisteminin belirli yükleme adımları için ilgili Web sitelerini ziyaret edin.
    2. Oluşturmak ve bir anakonda ortam etkinleştirin.
      Conda oluşturmak--adı mlenv
      Conda harekete geçirmek mlenv
    3. Makine öğrenimi için Anaconda paketleri yükleyin.
      Conda yüklemek numpy be scikit-nltk nibabel öğrenmek
      Not: Nltk paket nibabel paket medikal görüntü işleme için yararlı işlevler sağlarken düz metin klinik notları, ayrıştırmak için yararlıdır. ITK-ek organlar ve tümörlerin tıbbi görüntülerden segmentlere için yüklenebilir. Belirli bölgelere kısıtlayan özellikler için yararlıdır.

2. Düz metin klinik notları ve yapılandırılmış klinik veri özellik çıkarma

  1. Proje için bir üst dizin oluşturun ve üst klasördeki her hasta için bir klasör oluşturun. Dizin yapısı benzemelidir:
    Proje /
    Proje/Patient_1 /
    Proje/Patient_2 /
    Proje/Patient_3 /
    ...
  2. Düz metin elektronik tıbbi kayıt (EMR) klinik notlarını edinmek. Notları el ile EMR veya hastane bilgi teknolojisi (BT) office veri çöplük aracılığıyla yoluyla almak. Her hastanın notlar onların anılan sıraya göre klasörlerde depolar.
    Project/Patient_1/History_and_Physical.txt
    Project/Patient_1/Procedure_Note.txt
    1. Modele dahil edilecek klinik özellikleri karar verdi. Bu özellikler için düz metin klinik notları ayrıştırma. Python doğal dil Toolkit (nltk) kitaplığı belgeler cümle bölmek için yararlı komutlar sağlar. Her cümle sarılık gibi uygun terimleri için aranan. Her hastanın özellikleri her satırda bir özelliği ile bir dosyasında depolar.
      Project/Patient_1/Features.txt:
      67 yaşında
      seks erkek
      albümin 3.1
      sirozlu no
      hepatitis_c yok
      ...
    2. İkili olmayan özellikler için ortanca değer her özelliği karşıdan karşıya tüm hasta de. True(1) veya false(0) değer medyan değere bağlı olarak her özellik binarize.
      Project/Patient_1/Binary_Features.txt:
      age_over_60 0
      male_sex 1
      albumin_less_than_3.5 1
      presence_of_cirrhosis 0
      hepatitis_c 0
      ...

3. Tıbbi görüntüleri çıkarma özelliği

Not: Adım 3 ek materyalleri kod örnekleri için bkz.

  1. Öncesi ve sonrası terapi manyetik rezonans DICOM görüntüleri hastaneden PACS indirin. Görüntüler karşılık gelen hasta klasörlerde saklar.
    Proje /
    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. DICOM görüntüleri dcm2niix programını kullanarak NIfTI biçimine dönüştürme. Aşağıdaki komutlar belirtilen klasördeki tüm .dcm görüntüleri dönüştürür. Tüm hastalar için yineleyin.
    dcm2niix proje/Patient_1 /
    dcm2niix proje/Patient_2 /
  3. Her NIfTI dosya Python yükleyin.
    alma nibabel
    görüntü nibabel.load('Project/Patient_1/Pre_TACE_MRI_Pre-Contrast.dcm') =
    1. Her görüntü yönünü döndürür. Bu x, y ve z eksenlerinde aynı görüntüleri elde etmek için kullanılan makine bakılmaksızın sağlar.
      cImage nibabel.as_closest_canonical(image) =
  4. ITK-ek (veya eşdeğer yazılım paketi) ikili karaciğer ve tümör maskeleri her resim için bölümlere ayırmak için kullanın.
    Project/Patient_1/Pre_TACE_MRI_Pre-Contrast_Liver_Mask.bin
    Project/Patient_1/Pre_TACE_MRI_Pre-Contrast_Tumor_Mask.bin
  5. Karaciğer ve tümör maskeleri Python okuyun. Aşağıdaki kod, Bay görüntü olarak aynı kanonik eksen boyunca maskeleri yönlendirmek için yönlendirme sorunları düzeltmek gösterilmiştir.
    NumPy np alma
    f: olarak açık (liver_mask_file, 'rb')
    liver_mask f.read() =
    liver_mask np.fromstring = (liver_mask, dtype 'uint8' =)
    liver_mask np.reshape = (liver_mask, diff.shape, sipariş 'F' =)
    liver_mask liver_mask = [:,:: -1,:]
    liver_mask [liver_mask > 0] 1 =
    1. Karaciğer ve tümör içeren voxels yalıtmak için karaciğer ve tümör maskeleri kullanın.
      karaciğer np.copy(cImage) =
      karaciğer [liver_mask < = 0] = 0
  6. Kötü karaciğer geliştirme özelliği hesaplayın.
    mean_liver_enhancement mean(liver) =
    1. Karaciğer birim özelliği hesaplayın.
      pixdim cImage.header['pixdim =']
      birimler pre.header['xyzt_units' =]
      DX, dy, dz = pre_pixdim [1:4]
      liver_volume length(liver) = * dx * dx * dz
    2. (İsteğe bağlı) İstediğiniz gibi ek özellikler hesaplamak.
  7. Hastaya özgü özellikler dosya görüntü özellikleri ile güncelleştirin.
    Project/Patient_1/Features.txt:
    67 yaşında
    seks erkek
    albümin 3.1
    sirozlu no
    hepatitis_c yok
    pre_tace_mean_liver_enhancement 78
    pre_tace_liver_volume 10000
    1. Görüntüleme her özellik için medyan değerleri hesaplamak ve adım 2.2.2 olduğu gibi binarize.
      Project/Patient_1/Binary_Features.txt:
      age_over_60 0
      male_sex 1
      albumin_less_than_3.5 1
      presence_of_cirrhosis 0
      hepatitis_c 0
      pre_tace_mean_liver_enhancement 1
      pre_tace_liver_volume 0

4. toplama ve azaltma özelliği

Not: Adım 4 ek materyalleri kod örnekleri için bkz.

  1. Binary_Features.txt dosyalarını her hasta için hasta y ekseni üzerinde ve x ekseni üzerinde özellikleri ile bir elektronik tabloya birleştirin.
    Hasta > 60 yaş Erkek cinsiyet Albümin < 3.5 Siroz varlığı Hepatit C mevcut karaciğer geliştirme > 50 demek karaciğer birim > 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. QEASL sonuç yanıt etiketleri son sütun olarak ekleyin;
      Hasta > 60 yaş Erkek cinsiyet Albümin < 3.5 Siroz varlığı Hepatit C mevcut karaciğer geliştirme > 50 demek karaciğer birim > 20000 qEASL Yanıtlayıcı
      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. Elektronik sekmeyle ayrılmış bir dosya dışa aktarın.
      Project/ML_Matrix.tsv:
      PatientAge > 60 erkek seks albümin < 3.5 varlığı siroz Hepatit C mevcut ortalama karaciğer geliştirme > 50 karaciğer birim > 20000 qEASL Yanıtlayıcı
      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. Düşük-varyans özellikleri dikkate kaldırın.
    NumPy np alma
    sklearn.feature_selection al VarianceThreshold

    # İkili matrisinde okuyun.
    özellikleri =]
    Etiketler =]
    Ben enumerate(sys.stdin) L:
    Eğer ben == 0
    devam
    n_fs_L L.strip().split('\t') =
    Features.Append([float(_) _ n_fs_L[1:-1]]) için
    Labels.Append(n_fs_L[-1])
    X np.array(features) =
    y = np.array(labels)

    # Yardım ekipleri ve sigara respnders, en az % 20'görünen özellikler hesaplamak.
    Model VarianceThreshold = (eşik 0.8 = * (1 - 0.8))
    X_new model.fit_transform (X, y) =
    Erkek cinsiyet, albümin < 3.5, siroz ve karaciğer cilt > 2000 özellikleri kaldırıldı.
    Hasta > 60 yaş Hepatit C mevcut karaciğer geliştirme > 50 demek qEASL Yanıtlayıcı
    1 0 0 1 1
    2 1 0 0 1
    3 0 1 0 0
  3. Sonuç ile düşük tekdeğişirli Derneği ile özellikleri kaldırın. Sadece 4.2 geçti özellikleri filtre. Korumak (günlük2(N)) özellikleri, N sayı hastaların nerede ceil. Ceil (günlük2(3)) = 2.

    alma matematik
    sklearn.feature_selection al SelectKBest
    sklearn.feature_selection alma chi2

    # 4.2.1 olduğu gibi ikili matris okuyun
    ...

    # En iyi ceil(log2(N)) özellikleri tekdeğişirli Derneği tarafından hesaplaması.
    k math.ceil(log2(length(y))) =
    Model SelectKBest = (chi2, k = k)
    X_new model.fit_transform (X, y) =

    4.2.1 kalan özelliklerinden erkek cinsiyet yaş > 60 özelliği kaldırıldı.
Hasta Hepatit C mevcut karaciğer geliştirme > 50 demek qEASL Yanıtlayıcı
1 0 1 1
2 0 0 1
3 1 0 0

5. Modeli eğitim ve sınama

Adım 5 ek materyalleri kod örnekleri için bkz:

  1. Bir logistic regresyon modeli 4,3 ikili özellikleri matris kullanarak yetiştirmek.
    alma matematik
    sklearn.linear_model al LogisticRegression

    # 4.2 ve 4.3 olduğu gibi ikili matris okuyun.
    ...

    # Her bir hasta için tüm diğer hastalar modelinde eğitmek.
    skor 0.0 =
    modelleri =]
    len(X) hastada için:
    # Tüm hastalardan ama modelinde eğitmek.
    train_x np.array = ([ı, enumerate(X) _ _ eğer i! hasta =])
    train_y np.array = ([ı, enumerate(y) _ _ eğer i! hasta =])
    Model LogisticRegression(C=1e15) =
    model.fit (train_x, train_y)

    # Sol-out hastaya test.
    y_prediction model.predict(X[patient]) =
    Eğer y_prediction y [hasta] ==:
    Skor += 1
    Models.Append(model)
  2. 4.2.2 ikili özellikleri matris kullanarak bir rasgele orman modeli geliştirmek. Model oluşturmada aşağıdaki gibi güncelleştirilmesi gerektiğini dışında 5.2.1 için aynı adımlardır:
    sklearn.Ensemble al RandomForestClassifier
    ...
    Model RandomForestClassifier(n_estimators=100) =
    ...
  3. Basılı çıktılarında puanı / len (X) 5.1 ve 5.2 için. Bu sırasıyla tüm logistic regresyon modelleri ve tüm rasgele orman modeller, ortalama doğruluğunu temsil eder. Tüm N modelleri tahmin sonucu olarak alınan ortalama sınıflandırma ile yeni hastalara uygulanması gereken

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

Önerilen yöntem hepatosellüler karsinom için trans-arter terapiler geçirmiş 36 hastalara uygulandı. Yirmi beş özellikleri tespit edilmiştir ve binarized kullanarak 1-5 adımlar. Beş özellikleri varyans ve tekdeğişirli Derneği filtreler (5.1 ve 5.2 adımlara bakın) memnun ve modeli eğitim için kullanıldı. Her hasta Yanıtlayıcı veya qEASL yanıt ölçütü altında Yanıtlayıcı olarak etiketli oldu. Hedef etiketler vektör 36 x 1 iken özellikleri matris böylece 36 x 5 dizisine oldu.

Rasgele orman sınıflandırıcıları ve logistic regresyon modeli provası için kullanılmıştır. Bırak-bir-out çapraz doğrulama elde edilen modelleri performansını değerlendirmek için kullanıldı. İki ek modelleri sadece üst iki özellikleri (siroz ve pre-TACE tümör sinyal şiddeti 27.0 büyük varlığı) kullanılarak eğitilmiştir. Özellikler eklenmiş olarak Şekil 1 modeller performansını gösterir. Logistic regresyon ve rasgele orman modelleri trans-arter chemoembolization tedaviye yanıt % 78'i (% 62.5 duyarlılık, özgüllük %82,1, pozitif öngörü değeri %50.0, negatif değeri %88.5) genel bir doğrulukla tahmin.

Figure 1
Resim 1 : Makine öğrenimi algoritmaları performansını. (a, b) Logistic regresyon ve (c, d) rastgele orman Sınıflandırıcısı doğruluğu özellikleri olarak eklenir. Özellikleri aşağıdaki sıraya göre ilave edilmiştir: 1) ethiodized yağ, 2) sorafenib, 3) siroz, 4) pre-transarterial kemo-embolizasyon göreli tümör sinyal şiddeti > 27.0 ve 5) tümör sayısı > 2. Şekil14 günlük vasküler ve girişimsel radyolojideğiştirilmemiş formu izni ile kullanılır. Bu rakam daha büyük bir versiyonunu görüntülemek için buraya tıklayınız.

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

Cerrahi rezeksiyon için aday olmayan hastalar hepatosellüler karsinom ile içi arteryel terapiler sunulmaktadır. Bir hasta öncesiyanıt vereceğini belirler için birkaç yöntem vardır-tedavi. Tümör boyutu veya tümör kontrast alımı değişiklikleri üzerine tedavi sonrası değerlendirme teknikleri kullanır. Bunlara yanıt kriterleri, nicel Avrupa Birliği'ne karaciğer (qEASL) ölçüt incelenmesi için en doğru olmak denir. qEASL hem hacimsel ve terapi yanıt olasılığı tahmin etmek için aşağıdaki donanım değişiklikleri dayanır. Güçlü bir qEASL rağmen bu yine de bir tedavi sonrası değerlendirme kriterleri ve tedavi planlanmasında yardım edemem.

Hangi hastaların müdahale yapmadan önce intra arteryel tedavilere cevap muhtemeldir değerlendirmek için bir ihtiyaç vardır. Bu protokol için gösterdi yöntemi klinik birleştirmek, laboratuvar ve görüntüleme özellikleri içine bilgisayar bilimleri ve istatistik alanlarında teknikleri kullanarak öngörü modeli. Bir makine öğrenme modeli bu özellikleri onların qEASL sonuçlara intra arteryel terapiler uğramıştır hastaların eşleyen eğitimli. Model sonra tedavi sadece onların ön arıtma özelliklerini kullanarak kendi qEASL yanıt tahmin geçirecek yeni hastalara uygulanabilir.

1. adım makine iş istasyonu kurulumu açıklar. Nasıl bir iş istasyonu gerekli takım ile kurulum kısa yönergeler sağlar. Ne kadar klinik ve görüntüleme veriler hakkında teknik detaya git 2-4 arasındaki adımları ilgi özellikleri edinmek için ayrıştırılmış. Bu adımları uygun Özellikler yelpazesi modelinin etkinliğini belirlemek gibi kritik öneme sahiptir. Belirli adımlar özellik çıkarma kolaylaştırmak için seçilmiştir. Örneğin, radyografik görüntüler normalde görüntü analizi için ideal olmayan DICOM biçiminde depolanır. Ulusal kurumları sağlık (NIH) nörogörüntüleme şube geliştirilmiş görüntü işleme araştırma ortamlarında kolaylaştırmak için nörogörüntüleme bilişim teknoloji girişimi (NIfTI) standardı. Adım 3.2 DICOM dönüştürme özellik çıkarma işlemini kolaylaştırmak için NIfTI biçimini gerektirir. Karaciğer ve tümör maskeler NIfTI biçimi ITK-ek veya benzer bölümleme yazılımı gibi bir program kullanarak elde edilebilir.

Her özellik, klinik notları veya görüntüleme veri elde olup olmadığını doğru-yanlış değerler olarak binarized. Örneğin, bir sürekli görüntü geliştirme gradyan 0'dan 10'a kadar geliştirme büyük veya 5'ten küçük temsil eden tek bir özellik için binarized. Alternatif olarak, bu özellik birden çok ikili özellikleri bölünmüş olabilir: x < 3; 3 < = x < 7; 7 < = x. makine öğrenimi ikili özellikleri modelleri eğitmek daha kolay.

2-4 arasındaki adımları nihai sonucunu hasta y ekseni üzerinde x ekseni ve qEASL yanıt ölçütü altında o hasta için belirlenen sonucu (Yanıtlayıcı veya Yanıtlayıcı olmayan) temsil eden bir son sütun özellikleri ile ikili bir matrix var. Bazı özellikler altında temsil veya aşırı bir sonucu nüfus temsil olabilir. Tüm tedavi cevaplama erkek olsaydı, örneğin, bu yanlış erkek cinsiyet yanıt ima sonucuna. Bu yanlış ile başa çıkmak için bir yardım ekipleri ve % 20 gibi bazı eşiğin cevaplama içinde bulunan tüm özellikleri kaldırmak için yoludur.

Diğer özellikleri altında eğitim sonucu belirlemede önem sınırlı olabilir. Örneğin, göz rengi olasıdır intra arteryel tedaviler aşağıdaki sonuçlara alakasız. Bu tür Özellikler düşük tekdeğişirli Derneği çıktılarla birlikte olacaktır. Tek özelliği yoktur çıktılarla birlikte anlamlı (p < 0,05) ilişki olması beklenir, etkili bir strateji özellikleri bazı en az tekdeğişirli korelasyon yukarıda belirtilen eşiğe olmasını gerektirmek için olsa da.

Adım 5 eğitim ve öğrenme modeli bir makine uygulama süreci kapsar. Sonuçta aynı olduğu sürece, açıklanan şekilde devam etmek kesinlikle gerekli değildir. Eğitim süreci bırak-bir-out çapraz doğrulama sayede N modelleri her N hastalar için eğitilmiştir kullanır. Bırak-bir-out çapraz doğrulama oluşturulan N elde edilen modelleri son model üretmek için Ortalama.

Teknik aynı zamanda görüntüleme altında yapılan diğer yordamlar için geçerlidir. Makine öğrenimi özellikleri bir dizi eğitim hastalar alır ve onları hedef sonucu göreli yaptıkları katkı göre ağırlık. Ağırlık süreci seçilen modellerde bağlıdır; rasgele orman modelleri ağırlıklı karar ağaçları bir dizi istihdam ederken logistic regresyon modelleri bir exponentiated doğrusal kombinasyonları hesaplayın. Bu protokol için kullanılan yanıt qEASL ölçütü altında hedefti. Yıllık hastalıksız sağkalım veya yaşam kalitesi yaş, gibi diğer hedeflere soru altında istenen sonuca göre seçilebilir.

Ana iletişim kuralı el ile tanımlamak ve özellikleri göz altında edinmek gerek kısıtlamasıdır. Bu önemli miktarda klinik notları ayrıştırma, tümör birimleri segmentlere ve lezyonlar sayılması gibi el ile iş kapsamaktadır. Derin makine öğrenimi özellikleri ham veri kaynağından otomatik olarak türetmek çalışır, ancak önemli ölçüde daha fazla eğitim veri gerektirir. Bu büyüyen teknoloji çeşitli bağlamlarda denetimli öğrenmede daha üstün olduğu gösterilmiştir ve büyük olasılıkla tahmin modelleri görüntü güdümlü yordamlar geçiren hastalar için sonraki evrimi olacak.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

A.A. Sağlık sadakat, Inc benzer makine öğrenme teknikleri sağlık geri ödeme optimize etmek için klinik notları istihdam için yazılım konsültasyon çalışır.

J.F.G. kişisel ücretleri Guerbet sağlık, BTG, eşik Eczacılık (San Francisco, Kaliforniya), Boston bilimsel ve Terumo (Elkton, Maryland); alır ve öngörülü Labs (Westport, Connecticut) için ücretli bir danışmanlık vardır.

Diğer yazarlar hiçbiri bir çıkar çatışması belirledik.

Acknowledgments

A.A. finansman desteği Office, öğrenci araştırma, Yale Tıp Fakültesi aldı.

L.J.S. Ulusal Sağlık Enstitüleri (NIH/ncı R01CA206180), Leopoldina doktora sonrası Bursu ve Rolf W. Guenther Vakfı radyolojik Bilimler (Aachen, Almanya) hibe alır.

J.C. hibe Ulusal Sağlık Enstitüleri (NIH/ncı R01CA206180), Philips Sağlık ve Alman-İsrail Vakfı bilimsel araştırma ve geliştirme (Kudüs, İsrail ve Neuherberg, Almanya); için alır ve burs Rolf W. Guenther Vakfı radyolojik Bilimler ve Charitè Berlin Enstitüsü, sağlık klinik bilim adamı programı (Berlin, Almanya).

J.S.D. ve M.L. hibe Ulusal Sağlık Enstitüleri (NIH/ncı R01CA206180) ve Philips Sağlık (Best, Hollanda) almak.

J.F.G. Ulusal Sağlık Enstitüleri (NIH/ncı R01CA206180), Philips Healthcare, BTG (Londra, Birleşik Krallık), Boston bilimsel (Marlborough, Massachusetts) ve Guerbet sağlık (Villepinte, Fransa) hibe alır

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).
Makine öğrenimi kullanarak görüntü destekli terapi tedavi öngörmede: hepatosellüler karsinom Trans-arter tedavisi için bir örnek
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