Waiting
Login processing...

Trial ends in Request Full Access Tell Your Colleague About Jove
JoVE Journal Cancer Research
Click here for the English version

Cancer Research

Machine Learning Algoritmer til tidlig påvisning af Bone Metastases i en eksperimentel rotte model

Published: August 16, 2020 doi: 10.3791/61235
Automatic Translation
1, 1, 2, 1, 1, 3, 1, 1
1Department of Radiology, University Hospital Erlangen, Friedrich-Alexander Universität Erlangen-Nürnberg, 2Department of Medical Physics in Radiation Oncology, German Cancer Research Center, 3Department of Internal Medicine 3, University Hospital Erlangen, Friedrich-Alexander Universität Erlangen-Nürnberg

Summary

Denne protokol var designet til at træne en machine learning algoritme til at bruge en kombination af billeddannelse parametre stammer fra magnetisk resonans imaging (MR) og positron emission tomografi / computertomografi (PET / CT) i en rotte model af brystkræft knoglemetastaser til at opdage tidlig metastatisk sygdom og forudsige efterfølgende progression til makrometastaser.

Abstract

Maskinlæringsalgoritmer (ML) gør det muligt at integrere forskellige funktioner i en model for at udføre klassificerings- eller regressionsopgaver med en nøjagtighed, der overstiger dens bestanddele. Denne protokol beskriver udviklingen af en ML algoritme til at forudsige væksten af brystkræft knogle makrometastaser i en rotte model, før eventuelle abnormiteter kan observeres med standard billeddannelse metoder. En sådan algoritme kan gøre det lettere at opdage tidlig metastatisk sygdom (dvs. mikrometastasis), der regelmæssigt oversprås under iscenesættelsesundersøgelser.

Den anvendte metastasemodel er stedsspecifik, hvilket betyder, at rotterne udvikler metastaser udelukkende i deres højre bagben. Modellens tumor-tage sats er 60%-80%, med makrometastaser bliver synlige i magnetisk resonans imaging (MR) og positron emission tomografi / computertomografi (PET / CT) i en delmængde af dyr 30 dage efter induktion, mens en anden delmængde af dyr udviser ingen tumorvækst.

Med udgangspunkt i billedundersøgelser, der er erhvervet på et tidligere tidspunkt, beskriver denne protokol ekstraktionen af funktioner, der indikerer vævsvaskularisering opdaget af MR, glukosemetabolismen ved PET/CT, og den efterfølgende bestemmelse af de mest relevante funktioner til forudsigelse af makrometastatisk sygdom. Disse funktioner er derefter føres ind i en model-gennemsnit neurale netværk (avNNet) til at klassificere dyrene i en af to grupper: en, der vil udvikle metastaser og den anden, der ikke vil udvikle nogen tumorer. Protokollen beskriver også beregningen af standarddiagnosticeringsparametre, såsom generel nøjagtighed, følsomhed, specificitet, negative/positive prædiktive værdier, sandsynlighedsforhold og udvikling af en modtagers driftskarakteristika. En fordel ved den foreslåede protokol er dens fleksibilitet, da den let kan tilpasses til at træne et væld af forskellige ML-algoritmer med justerbare kombinationer af et ubegrænset antal funktioner. Desuden kan det bruges til at analysere forskellige problemer i onkologi, infektion, og betændelse.

Introduction

Formålet med denne protokol er at integrere flere funktionelle billeddannelsesparametre fra MR og PET/CT i en modelgennemsnitt neuralnetværk (avNNet) ML-algoritme. Denne algoritme forudsiger væksten af makrometastaser i en rotte model af brystkræft knogle metastaser på et tidligt tidspunkt, når makroskopiske ændringer i knoglen er endnu ikke synlige.

Forud for væksten af makrometastaser, en knoglemarvs invasion af dissekulerede tumorceller opstår, almindeligvis benævnt mikrometastatic sygdom1,2. Denne indledende invasion kan betragtes som et tidligt skridt i metastatisk sygdom, men er typisk savnet under konventionelle iscenesættelse undersøgelser3,4. Selv om de aktuelt tilgængelige billeddannelsesmodaliteter ikke kan påvise knoglemarvsmikroinvasion, når de anvendes alene, har en kombination af billeddannelsesparametre, der giver oplysninger om vaskularisering og metabolisk aktivitet, vist sig at klare sigbedre 5. Denne supplerende fordel opnås ved at kombinere forskellige billeddannelsesparametre i et avNNet, som er en ML-algoritme. En sådan avNNet giver mulighed for pålidelig forudsigelse af knoglemamametastaser dannelse før nogen synlige metastaser er til stede. Derfor kan integration af billeddiagnostiske biomarkører i et avNNet fungere som surrogatparameter for knoglemarvsmikroinvasion og tidlig metastatisk sygdom.

For at udvikle protokollen, en tidligere beskrevet model af brystkræft knoglemetastaser hos nøgne rotter blev brugt6,,7,,8. Fordelen ved denne model er dens sted-specificitet, hvilket betyder, at dyrene udvikler knoklet metastaser udelukkende i deres højre bagben. Men, tumor-tage sats af denne fremgangsmåde er 60%-80%, så et betydeligt antal af dyrene ikke udvikler nogen metastaser i løbet af undersøgelsen. Ved hjælp af billeddannelsesmodaliteter som MR og PET/CT kan tilstedeværelsen af metastaser påvises fra dag 30 efter infektion (PI). På tidligere tidspunkt skelner der ikke mellem dyr, der vil udvikle metastatisk sygdom, og dyr vil ikke (figur 1).

En avNNet uddannet på funktionelle billeddannelse parametre erhvervet på dag 10 PI, som beskrevet i følgende protokol, pålideligt forudsiger eller udelukker væksten af makrometastaser inden for de følgende ~ 3 uger. Neurale netværk kombinerer kunstige noder inden for forskellige lag. I undersøgelsesprotokollen repræsenterer de funktionelle billeddannelsesparametre for knoglemarvsblodforsyning og metabolisk aktivitet det nederste lag, mens forudsigelsen af malignitet repræsenterer det øverste lag. Et ekstra mellemliggende lag indeholder skjulte noder, der er forbundet til både det øverste og det nederste lag. Styrken af forbindelserne mellem de forskellige noder opdateres under uddannelsen af netværket til at udføre den respektive klassificering opgave med høj nøjagtighed9. Nøjagtigheden af en sådan neurale netværk kan øges yderligere ved gennemsnit output af flere modeller, hvilket resulterer i en avNNet10.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

Alle pleje- og forsøgsprocedurer blev udført i overensstemmelse med national og regional lovgivning om dyrebeskyttelse, og alle dyreforsøg blev godkendt af delstatsregeringen i Franken, Tyskland (referencenummer 55,2 DMS-2532-2-228).

1. Induktion af brystkræft knogle metastaser i højre bagben af nøgne rotter

BEMÆRK: En detaljeret beskrivelse af induktionen af brystkræft knoglemetastaser hos nøgne rotter er blevet offentliggjort andetsteds6,8. De mest relevante trin er beskrevet nedenfor.

  1. Kultur MDA-MB-231 humane brystkræftceller i RPMI-1640, suppleret med 10% føtal kalv serum (FCS). Hold cellerne under standardbetingelser (37 °C, 5% CO2) og passage cellerne 2-3 gange om ugen.
  2. Vask nær-sammenløbet MDA-MB-231 celler med 2 mM EDTA i fosfat-bufferet saltvand (PBS), og derefter afmontere cellerne med 0,25% trypsin. Cellekoncentrationen bestemmes med et Neubauers kammer, og de opsbruges igen i 200 μL RPMI-1640 ved en koncentration på 1,5 x 105 celler/200 μL.
  3. Brug 6-8 uger gamle nøgne rotter og holde dem under patogen-fri, kontrollerede forhold (21 °C ± 2 °C stuetemperatur, 60% fugtighed, og 12 timers lys-mørk rytme). Tilbyd autoclaved foder og vand ad libitum.
  4. Før operationen udføres, injiceres et smertestillende lægemiddel (f.eks. Carprofen 4 mg/kg) subkutanet. Bedøve rotter med en isofluran (1-1,5 vol. %) /ilt blanding ved en strømningshastighed på 2 L/ min. Kontroller bedøvelsesdybde ved tå klemme.
  5. Til kirurgi, bruge en fungerende mikroskop med en 16x forstørrelse.
  6. Udfør en 2-3 cm snit i rottens højre lyskeregion. Disseker alle arterier i højre lyskeregion, herunder lårpulsåren (FA), den overfladiske epigastriske arterie (SEA), den faldende genikulære arterie (DGA), den popliteale arterie (PA), og saphenous arterie (SA). Placer to aftagelige klip på FA: en proksimal til begyndelsen af HAVEt, og en anden direkte proksimalt til begyndelsen af DGA.
  7. Ligate den distale del af HAVEt. Udfør et snit af SEA's væg og sæt en 0,3 mm diameter nål ind i havet. Tilslut en sprøjte, der indeholder cellesuspensionen fra trin 1.2 til nålen. Fjern det distale klip fra anlægs-sikkerhedstilknytningen, og klip i stedet sikkerhedstilknytningen.
  8. MDA-MB-231-cellesuspensionen indsprøjtes langsomt fra trin 1.2 (1,5 x 105 celler/200 μL) i HAVET. Fjern nålen, ligte HAVEt, og fjern arterieclipsene. Luk såret ved hjælp af kirurgiske clips og opsige anæstesi. Overvåge dyrene dagligt for at vurdere tumor størrelse og eventuelle tegn på smerte.

2. Magnetisk resonansbilleddannelse (MRI)

BEMÆRK: For en detaljeret beskrivelse af MR-procedurer henvises til Bäuerle et al.11.

  1. Udfør MR 10 dage PI ved hjælp af en dedikeret eksperimentel scanner (se Tabel over materialer)eller et menneskeligt MR-system med en passende animalsk spole.
  2. Bedøve rotten med en isofluran (1-1,5 vol. %) /ilt blanding som beskrevet ovenfor. Placer et kateter i rottens hale vene og tape det til halen. Tilslut en sprøjte, der indeholder kontrastmidlet (0,1 mmol/kg Gd-DTPA, ca. 0,5 ml).
  3. Placer bedøvet rotte i MR-systemet. Lokalisere den distale lårben og proksimale skinneben af højre bagben i en anatomisk sekvens (f.eks T2-vægtet turbo spin ekko sekvens; TR = 8.654 ms; TE = 37 ms; matrix 320 x 272; FOV = 65 mm x 55 mm; skivetykkelse = 1 mm; scanningstid 11:24 min).
  4. De skiver, der dækker det distale lårben og det proksimale skinneben i højre bagben, bestemmes, og DCE-MR-sekvensen startes (f.eks. hurtig lav vinkelskudsekvens; TR = 3,9 ms; TE = 0,88 ms; matrix = 256 x 216; FOV = 65 x 54 mm2; skivetykkelse = 1 mm; 8 skiver; 100 tidspoint; scanningstid = 8:25 min). Efter 30 s, begynde at injicere kontrastmidlet over en periode på 10 s.
    BEMÆRK: Den samlede tid til at udføre en MR-undersøgelse er ca. 20 min. pr. dyr.

3. Positron emissionstomografi/computertomografi (PET/CT)

BEMÆRK: For en detaljeret beskrivelse af PET-procedurerne henvises til Cheng på12.

  1. Udfør PET/CT-billedbehandling 10 dage PI ved hjælp af en dedikeret eksperimentel scanner (se Tabel over materialer).
  2. Hold dyrene fastet før billeddannelse. Bedøve rotten som beskrevet i trin 2.2 og indsætte et kateter i bagåren som beskrevet ovenfor.
  3. 18F-Fluorodeoxyglucose (18FDG) indsprøjtes i venen, og vent ~30 min. for at lade sporstofet fordele korrekt.
  4. Udfør en CT-anskaffelse (rørspænding = 80 kV, rørstrøm = 500 μA, isotropisk opløsning = 48,9 μm, varighed = 10 min).
  5. Der foretages en statisk PET-anskaffelse (lavere/øvre diskriminerende niveau = 350/650 keV; tidsvindue = 3,438 ns; varighed = 15 min).

4. Alternative billeddannelsesstrategier

  1. For en tidlig vurdering af MDA-MB-231 celler i bagbenet, inoculate 1,5 x 105 mærkede celler /200 μL for bioluminescens (dvs. celler, der udtrykker luciferin, MDA-MB-231-LUC13) eller fluorescensbilleddannelse (dvs. celler, der udtrykker grønt eller rødt fluorescerende protein, MDA-MB-231-GFP/RFP13). Brug systemet til præklinisk optisk billeddannelse til at detektere intraossøse MDA-MB-231 celler efter tumorcelleinokulering14.
  2. Udfør eksperimentel ultralyd ved hjælp af en dedikeret scanner efter intravenøs injektion af mikrobobler for at udlede morfologiske og funktionelle parametre for vaskularisering, der kan sammenlignes med MR7.

5. MR-analyse

  1. Brug en DICOM-fremviser15 med et DCE Plugin16, og indlæs DCE-sekvensen i 4D-tilstand ved at klikke på knappen "Importer" i den øverste menu, vælge den DICOM-mappe, der indeholder MR-billederne fra trin 2.4, og klikke på "4D Viewer" i den øverste menu.
  2. Placer en cirkulær 2-dimensionel region af interesse (ROI), med en målstørrelse på 1,5 mm2,i den proksimale tibial aksel knoglemarv af højre bagben, helst ved hjælp af billedtal 4 eller 5 fra sekvensen bestående af 8 billeder, da disse center billeder giver mere stabile resultater.
  3. Start DCE-plugin'en fra den øverste menu, vælg "Relativ Enhancement" i feltet "Afbildningstype", og definer grundlinjen fra tidspunkter 1 til 5 ved at skrive disse tal i de respektive felter. Eksporter analysen som en .txt-fil med den respektive knap, og vælg "DCEraw.txt" som filnavn.
  4. Åbn RStudio17, og indlæs den medfølgende DCE-Script.R-fil via menuen "File" ved at vælge "Åbn fil". Kør hele scriptet ved at vælge "Code", derefter "Run Region" og derefter "Run All" fra menuen. Kopier outputtet til den angivne skabelonfil med navnet "ImagingFeatures.xlsx" (Figur 2).
  5. I DICOM-fremviseren skal du placere endnu et ROI i dyrets rygmuskel, og trin 5.2-5.4 gentage trin 5.2-5.4 for at opnå de muskel-DCE-målinger til normaliseringsformål. I regnearket "ImagingFeatures.xlsx" divideres de respektive knoglemålinger automatisk med de respektive muskelmålinger til normaliseringsformål.
  6. Gentag trin 5.1-5.5 for alle dyr, og fuldfør regnearket.

6. PET/CT-analyse

  1. Åbn PET/CT-analysesoftwaren, og importer de data, der blev indhentet i trin 3, ved at klikke på "File" efterfulgt af "Manuel import". Markér ct.img.hd og pet.img.hdr filer. Klik på "Åbn" og vælg "Importer alle".
  2. Åbn datasættene ved at vælge "Generel analyse", efterfulgt af "OK".
  3. Vælg "ROI-kvantificering", efterfulgt af "Opret", og derefter "Opret et investeringsafkast ud fra en skabelon". Placer en 2-dimensionel ROI ca. 4 mm x 6 mm i den proksimale tibialaks knoglemarv på højre bagben.
  4. Vælg "ROI'er (Mål 1-overlejring)" og nedskrive middelværdier, minimum og maksimumværdier i Bq/mL.
  5. Den maksimale standardiserede optagelsesværdi (SUVmax):Divider den maksimale værdi (Bq/ml) med den injicerede aktivitet, og multiplicer resultatet med dyrets vægt i gram. Indtast resultatet i regnearket (Figur 2).

7. Bestemmelse af tumor-tage sats

  1. At diagnosticere tumorvækst i højre bagben, gentag MR og PET/CT imaging på dag 30 PI, som beskrevet ovenfor.
    BEMÆRK: Tumorer vil være klart synlige på dag 30 PI og funktion T2w-hyperintense læsioner og klar kontrast ekstraudstyr i MR, sammen med en klart forhøjet SUVmax i PET / CT. Ifølge tidligere forsøg, 60%-80% af dyrene vil udvikle metastaser i deres højre bagben.
  2. Komplet regnearket ved at tilføje en ekstra "Tumor" kolonne og indtast "1" for hvert dyr, der præsenterer metastaser, og "0" for hvert dyr uden synlig tumor byrde (Figur 2). Gem regnearket som "ImagingFeatures.xlsx" i mappen Overførsler.

8. Valg af funktion

  1. For at finde de mest relevante funktioner til forudsigelse af fremtidig tumorvækst skal du importere regnearket til en open source-datavisualisering, maskinlæring og dataminingværktøjskasse18.
  2. Tegn filunderrutinen fra menuen Data til arbejdsområdet til højre, og dobbeltklik på det. Indlæs regnearket ved at klikke på ikonet"Mappe" og vælge filen "ImagingFeatures.xlsx". Vælg regnearket "Eksportér", og tildel målattributten til variablen "Tumor". Tildel funktionen "Spring" til dyrenummeret (Figur 3).
  3. Tegnsubrutine" Rank " fra menuen Data ind i arbejdsområdet, og tilslut "Fil" og "Rank" subrutiner ved at tegne en linje mellem dem.
  4. Åbnsubrutine" Underrutinen " ved at dobbeltklikke på ikonet , og vælg "Information Gain" algoritmen19.
  5. Fra de fem erhvervede parametre skal du bruge top tre til yderligere analyser (SUVmax,PE og AUC).
    Bemærk: Disse parametre afspejler metabolisk aktivitet (SUVmax)og væv vaskularisering (PE og AUC).

9. ML-analyse

  1. Åbn RStudio 3.4.117, og indlæs den medfølgende TrainModel.R-Script via menuen "File".
  2. Installer de nødvendige biblioteker (dette skal kun gøres én gang) ved at skrive: install.packages(c("caret", "readxl", "pROC", "RcmdrPlugin.EZR", "ggplot2"))
  3. Hvis du vil indlæse de nødvendige biblioteker og angive mappen Overførsler som arbejdsmappe, skal du vælge linjerne 3-5 i TrainModel.R-scriptet.
  4. Kør den markerede kode ved at klikkepå "Kode " i menuen og derefter "Kør markerede linje(er)".

10. Træning af en avNNet ML-algoritme

  1. Hvis du vil træne en avNNet-algoritme, skal du vælge linjerne 8-39 fra TrainModel.R-Script (se trin 9.1).
  2. Kør den markerede kode ved at klikkepå "Kode " i menuen og derefter "Kør markerede linje(er)".

11. Analyse af ML-algoritmens resultater

  1. Hvis du vil vurdere standardparametre for diagnostisk nøjagtighed (følsomhed, specificitet, positive og negative prædiktive værdier og sandsynlighedsforhold), skal du vælge linjerne 41-50 fra TrainModel.R-Script.
  2. Kør den markerede kode ved at klikkepå "Kode " i menuen og derefter "Kør markerede linje(er)".

12. Sammenligning af den endelige models receiver operating characteristic (ROC) kurve med ROC-kurverne for dens komponentparametre

  1. Hvis du vil udføre DeLongs test for at sammenligne modellens ROC-kurve med ROC-kurverne for dens komponentparametre, skal du vælge linjerne 52-62 fra TrainModel.R-Script (se trin 9.1).
  2. Kør den markerede kode ved at klikkepå "Kode " i menuen og derefter "Kør markerede linje(er)".

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

Rotterne kom sig hurtigt efter operation og injektion af MDA-MB-231 brystkræftceller og blev derefter udsat for MR- og PET/CT-billeddannelse på dag 10 og 30 PI (Figur 1). En repræsentativ DCE-analyse af en rottes højre proksimale skinneben præsenteres i figur 2A. DCE-råmålingerne blev gemt ved at vælge knappen "Eksporter" og vælge "DCEraw.txt" som filnavn.

Efterfølgende beregninger af de dynamiske parametre, AUC, PE og udvaskning blev udført i RStudio med det respektive script. Udgangen af DCE målinger skulle gemmes som "DCEraw.txt" i mappen "Downloads", således at scriptet kunne køres direkte uden yderligere konfigurationer til at give en datatabel, som vist i figur 2B. Disse data blev kopieret til det angivne regneark (Figur 2C). Tilsvarende blev DCE-parametrene for muskelvæv bestemt og overført til regnearket (Figur 2D,E). Disse værdier blev normaliseret ved at dividere knoglemålingerne med muskelmålingerne; Dette blev udført automatisk i regnearket. Fra PET/CT blev de beregnedeSUV-max-værdier efterfølgende overført til tabellen (figur 2F).

På dag 30 PI, alle dyr blev evalueret for at afgøre, om de udviklede metastaser, og tabellen blev afsluttet ved at kode positive tumor byrde som "1" og sunde dyr som "0" inden for den højre kolonne i regnearket (Figur 2C).

Regnearket blev importeret til open source data visualisering, machine learning, og data mining værktøjskasse, og feature ranking afslørede SUVmax,PE, og AUC som de tre øverste funktioner til forudsigelse af metastatisk sygdom (Figur 3). Disse parametre afspejler metabolisk aktivitet (SUVmax)og væv vaskularisering (PE og AUC).

Kørsel af TrainModel.R Script importerede automatisk regnearket og beregnede et avNNet. Den optimale hyperparameterkombination blev bestemt (figur 4A), og den endelige model blev derefter beregnet ved hjælp af den optimale hyperparameterkombination (Figur 4B). Efterfølgende blev der beregnet et sæt standarddiagnostiske parametre (figur 4C), og modellens ROC-kurve blev afbildet (Figur 4D).

Det positive resultat er vist i figur 4B–D. En sammenligning af modellens ROC kurve med ROC kurven af sine tre bestanddele (dvs. AUC, PE, og SUVmax)viste, at modellen udført betydeligt bedre end alle sine tre komponenter (p = 0,01 for AUC, p = 0,003 for PE, og p = 0,007 for SUVmax). Kombinationen af de tre udvalgte parametre til et avNNet var mere følsomt, hvilket gjorde det muligt at forudsige makroskopisk sygdom med en samlet nøjagtighed på 85,7 % (95 % konfidensinterval = 67,3 %-96,0 %). Disse resultater blev opnået ved en analyse af 28 prøver. Konfidensintervallerne kan indsnævres yderligere ved at øge antallet af dyr.

De negative resultater kan opnås som beskrevet her. Nøjagtighedsforanstaltningerne var meget følsomme over for specifikke typer maskinlæringsalgoritmer og for trin til forbehandling af data. Neurale netværk, især, en tendens til at klare sig bedre, når input data blev normaliseret. Dette blev opnået ved "BoxCox" funktion i afsnit 10 i protokollen (linje 22 og 36 inden for den medfølgende TrainModel.R-Script). Afstå fra normalisering og ved hjælp af en anden algoritme (f.eks et neuralt netværk ikke i gennemsnit), ved at ændre metoden til "nnet" (linje 21 og 35 inden for den medfølgende TrainModel.R-Script), resulterede i et område på 0,594 under ROC kurve (supplerende figur 1). En sådan model har ikke kunne overgå sine tre bestanddele betydeligt (alle p > 0,15).

Da scriptet er optimeret til RStudio 3.4.1 og caret-pakken version 6.0-84, kan brug af forskellige softwareversioner give forskellige resultater. Kørsel af de medfølgende scripts med de softwareversioner, der anvendes i dette manuskript, vil give lignende resultater. Men hvis læserne har til formål at ændre scriptet, tilføje yderligere variabler, ændre dokumentmapper eller filnavne eller ændre machine learning-algoritmerne mere detaljeret, vil det være nødvendigt med respektive justeringer af koden. I disse tilfælde giver manualen til caret-pakken dybdegående forklaringer20.

Figure 1
Figur 1: Repræsentative MR- og PET/CT-billeder. MR- og PET/CT-billeder af højre bagben af et dyr, der ikke udviklede metastaser i løbet af undersøgelsen (to kolonner længst til venstre med billeder fra dag 10 og dag 30 PI), og et dyr, der udviklede metastaser mellem dag 10 og dag 30 PI (to kolonner længst til højre, metastaser markeret med pile). Bemærk den høje signalintensitet af metastaser i T2w-billederne (øverste række), kontrastforbedringen afbildet af det øgede område under kurven (AUC; anden række) og den øgede maksimale standardiserede optagelsesværdi i PET/CT (SUVmax; tredje række). Bemærk, at der ikke er nogen synlige forskelle i de billeder, der er erhvervet på dag 10 PI (første og tredje kolonne) mellem dyret med metastaser på dag 30 PI og dyret, der ikke udviklede knoglemetastaser. Dette tal blev ændret fra Ellmann et al.5. Klik her for at se en større version af dette tal.

Figure 2
Figur 2: Vurdering af billeddannelsesfunktionerne og kompileringen i et regneark. (A) Den dynamiske kontrast forbedring af den proksimale skinneben knoglemarv blev analyseret med et freeware DICOM viewer15 ved hjælp af en DCE plugin16. De respektive målinger blev gemt, og (B) analyseres yderligere med den medfølgende DCE-Script.R-fil i RStudio17. (C) Outputtet blev kopieret til et regneark (se supplerende materiale til en skabelon). (D) Ligeledes blev DCE-målingen udført for tilstødende muskelvæv, analyseret ved hjælp af RStudio (E) og derefter kopieret til regnearket. Dataene blev normaliseret ved at dividere resultaterne af knoglemålingerne med resultaterne af muskelmålingerne (C; lakseskyggede celler). (F)PET/CT-målingerne blev udført med leverandørens software. Den maksimale standardiserede optagelsesværdi blev beregnet ved at dividere den respektive måling med den injicerede aktivitet og multiplicere den med dyrets kropsvægt. Resultatet blev efterfølgende kopieret ind i regnearket. Klik her for at se en større version af dette tal.

Figure 3
Figur 3: Rangordning af funktioner. Rangering af de erhvervede billedfunktioner blev udført inden for en open source-datavisualisering, maskinlæring og dataminingværktøjskasse18 ved at importere regnearket via "File"-subrutine og analysere det via "Rank"-subrutine. Klik her for at se en større version af dette tal.

Figure 4
Figur 4: Repræsentativ RStudio-udgang. Machine learning algoritmen blev udviklet ved hjælp af RStudio17 med den medfølgende TrainModel.R-Script fil. (A) Et gitter søgning blandt forskellige hyperparameter kombinationer for model-gennemsnit neurale netværk afslørede en størrelse på tre neuroner og et henfald på 0,0005 som en optimal. (B) Ved hjælp af denne hyperparameterkombination blev et fuldt netværk uddannet og krydsvalideret og nåede en samlet nøjagtighed på 85,7 %. (C)Standardparametre for diagnostisk nøjagtighed, herunder følsomhed, specificitet, positive og negative prædiktive værdier og sandsynlighedsforhold, blev beregnet ud fra en forvekslingsmatrix. d)Et repræsentativt ROC-område af den krydsvaliderede model afslørede et område under kurven (AUC) på 0,917. Klik her for at se en større version af dette tal.

Supplerende figur 1: Negativt resultat. Ændring af ML-algoritmen til et neuralt netværk uden gennemsnit og afstå fra normalisering af inputparametrene førte til et fald i området under kurven af ROC-kurven fra 0,917 (Figur 4D) til 0,594. Klik her for at downloade denne fil.

Supplerende figur 2: Rangordning af alternative funktioner. I modsætning til den standardmetode, der er afbildet i figur 3, blev der også indført en tilfældig variabel ("Tilfældig"; fremhævet med blåt), og dens betydning blev inkluderet i rangeringen. Denne fremgangsmåde bekræftede den anvendte udvælgelse af variablerne SUVmax,PE og AUC. Klik her for at downloade denne fil.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

ML algoritmer er kraftfulde værktøjer, der anvendes til at integrere flere prædiktive funktioner i en kombineret model og opnå en nøjagtighed, der overstiger dens separate komponenter, når de anvendes alene. Ikke desto mindre afhænger det faktiske resultat af flere kritiske trin. For det første, ML algoritme, der anvendes, er en afgørende faktor, fordi forskellige ML algoritmer giver forskellige resultater. Den algoritme, der bruges i denne protokol, er et avNNet, men andre lovende algoritmer omfatter Extreme Gradient Boosting21 eller Random Forests. Caret-pakken20 til RStudio giver et væld af forskellige algoritmer (i øjeblikket > 175), og den foreslåede protokol er meget fleksibel med hensyn til at skifte fra en algoritme til en anden ved blot at ændre enkelte linjer kode (f.eks. ændringsmetode = "avNNet" til metode ="rf") og tilpasse TunedGrid-indstillingerne til den respektive ML-algoritme. Yderligere oplysninger findes i caret github repository22. Fernández-Delgado et al.23 har offentliggjort et glimrende overblik over forskellige algoritmer og deres præstationer med hensyn til forskellige klassificeringsproblemer og kan tjene som udgangspunkt for andre eksperimenter.

En anden afgørende faktor er valget af relevante funktioner til at medtage i en ML algoritme. Denne protokol foreslår brug af filtermetoden "Information Gain"19til at rangere de tilgængelige funktioner i faldende rækkefølge og bruge de mest relevante til at træne avNNet. Filtermetoder er kun baseret på generelle antagelser, såsom korrelation med variablen for at forudsige, så forskerne bør vælge funktioner uafhængigt af den anvendteklassificering 24,25. Sådanne metoder er særligt effektive i beregningstiden og robust til overfitting. Den afskæring, der adskiller relevante elementer fra irrelevante egenskaber, defineres imidlertid af brugeren, hvilket gør den noget vilkårlig. For den foreslåede protokol blev funktionerne med den øverste 75% informationsgevinst brugt, svarende til SUVmax,PE og AUC. Denne udvælgelse kan imidlertid systematisk styrkes ved at medtage en tilfældig variabel, der ikke har nogen forbindelse med målet, beregne dens informationsgevinst og derefter sammenligne den med informationsgevinsten ved de reelle træk (supplerende figur 2). Denne lidt mere sofistikerede tilgang bekræftede desuden valget af de tre ovennævnte træk som de mest relevante. Ikke desto mindre findes der flere forskellige filtermetoder sammen med andre tilgange, der vælger funktioner med hensyn til en bestemt klassificeringsalgoritme, f.eks. Forskellige tilgang til valg af funktioner kan give forskellige resultater.

For at sikre, at ML-algoritmen er generaliser, og yderligere forhindre overfitting, anvender den foreslåede protokol leave-one-out cross-validation (LOOCV). Den bedste fremgangsmåde ville imidlertid være tilfældigt at fjerne en delmængde fra hele datasættet og behandle det som et testsæt. ML-algoritmen trænes derefter på resten af dataene (dvs. træningssættet) for efterfølgende at forudsige resultatet af testsættet. Denne tilgang kræver imidlertid et tilstrækkeligt stort datasæt. For mindre stikprøvestørrelser er anvendelsen af LOOCV almindelig, fordi det giver et næsten upartisk skøn over en models sande generaliseringsevne26. I LOOCV fjernes det første datapunkt fra datasættet, og avNNet trænes med de tilbageholdte data. Derefter forudsiges og gemmes resultatet af det tidligere tilbageholdte datapunkt. Denne proces gentages for alle datapunkter, så endelig forudsiges hvert resultat med data, der ikke blev brugt til træning af algoritmen. Andre valideringsmetoder omfatter x-fold cross-valideringer (oftest 10 gange) og kan nemt anvendes ved at ændre den respektive trainControl parameter i koden til method ="CV".

Fra et kvantitativt synspunkt evalueres medicinske billeder typisk på en meget grundlæggende måde, i vid udstrækning baseret på målinger af størrelse og form af potentielt mistænkelige læsionereller område 27,,28. Men fordelen ved Digital Imaging and Communications in Medicine (DICOM) standard er, at det giver mulighed for udvinding af mange funktioner, benævnt radiomik. Udtrykket "radiomik" blev oprindeligt defineret som udvinding af store mængder billedfunktioner29med høj gennemløb , men blev efterfølgende udvidet til også at omfatte konvertering af billeder til højere dimensionelle data30. Men de højere dimensionelle data bruges primært til at identificere korrelationer snarere end forårsager30. De funktioner, der er beskrevet i denne protokol falder i mellem klassiske radiologiske funktioner, såsom størrelse og form, og radiomik, da de ligner almindeligt accepterede parametre for vaskularisering og metabolisk aktivitet. Dette giver en potentiel årsagssammenhæng med mikroinvasion af dissemineret tumorceller. Hvis brugeren ønsker det, kan en udtrækning af radiomiske funktioner udføres med forskellige softwarepakker31.

Den angivne protokol er ikke begrænset til et begrænset antal funktioner. Således kan det bruges med store radiomik datasæt. Det ovennævnte spørgsmål om udvælgelse af funktioner bliver imidlertid stadig vigtigere med voksende datasæt. Den præsenterede protokol kan også overføres til forskellige studieindstillinger,f.eks.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Forfatterne erklærer ingen interessekonflikt. Finansieringskilderne havde ingen rolle i udformningen af undersøgelsen; indsamling, analyser eller fortolkning af data i manuskriptets skrivning eller i beslutningen om at offentliggøre resultaterne.

Acknowledgments

Dette arbejde blev støttet af den tyske forskningsfond (DFG, Collaborative Research Centre CRC 1181, delprojekt Z02; Prioriteret program μBone, projekter BA 4027/10-1 og BO 3811), herunder yderligere støtte til scanningsanordningerne (INST 410/77-1 FUGG og INST 410/93-1 FUGG), og af Initiativet emerging fields (EFI) "Big Thera" fra Friedrich-Alexander-University Erlangen-Nürnberg.

Materials

Name Company Catalog Number Comments
Binocular Operating Microscope Leica NA
ClinScan MR System Bruker NA
DICOM Viewer Horos NA www.horosproject.org
Excel: Spreadsheet Microsoft NA
FCS Sigma F2442-500ML
Gadovist Bayer-Schering NA
Inveon PET/CT Siemens NA
Inveon Research Workplace Software Siemens Healthcare GmbH NA
IVIS Spectrum PerkinElmer NA
MDA-MB-231 human breast cancer cells American Type Culture Collection N/A
Open-source data visualization, machine learning and data mining toolkit. Orange3, University of Ljubljana NA https://orange.biolab.si/
RPMI-1640 Invitrogen/ThermoFisher 11875093
Trypsin Sigma 9002-07-7
Vevo 3100 VisualSonics NA

DOWNLOAD MATERIALS LIST

References

  1. D'Oronzo, S., Brown, J., Coleman, R. The role of biomarkers in the management of bone-homing malignancies. Journal of Bone Oncology. 9, 1-9 (2017).
  2. Ellmann, S., Beck, M., Kuwert, T., Uder, M., Bäuerle, T. Multimodal imaging of bone metastases: From preclinical to clinical applications. Journal of Orthopaedic Translation. 3 (4), 166-177 (2015).
  3. Braun, S., Pantel, K. Clinical significance of occult metastatic cells in bone marrow of breast cancer patients. The Oncologist. 6 (2), 125-132 (2001).
  4. Braun, S., Rosenberg, R., Thorban, S., Harbeck, N. Implications of occult metastatic cells for systemic cancer treatment in patients with breast or gastrointestinal cancer. Seminars in surgical oncology. 20 (4), 334-346 (2001).
  5. Ellmann, S., et al. Prediction of early metastatic disease in experimental breast cancer bone metastasis by combining PET/CT and MRI parameters to a Model-Averaged Neural Network. Bone. 120, 254-261 (2018).
  6. Bäuerle, T., Komljenovic, D., Berger, M. R., Semmler, W. Multi-modal imaging of angiogenesis in a nude rat model of breast cancer bone metastasis using magnetic resonance imaging, volumetric computed tomography and ultrasound. Journal of Visualized Experiments. (66), e4178 (2012).
  7. Merz, M., Komljenovic, D., Semmler, W., Bäuerle, T. Quantitative contrast-enhanced ultrasound for imaging antiangiogenic treatment response in experimental osteolytic breast cancer bone metastases. Investigative Radiology. 47 (7), 422-429 (2012).
  8. Bäuerle, T., et al. Characterization of a rat model with site-specific bone metastasis induced by MDA-MB-231 breast cancer cells and its application to the effects of an antibody against bone sialoprotein. International Journal of Cancer. 115 (2), 177-186 (2005).
  9. Patel, J., Goyal, R. Applications of Artificial Neural Networks in Medical Science. Current Clinical Pharmacology. 2 (3), 217-226 (2008).
  10. Naftaly, U., Intrator, N., Horn, D. Optimal ensemble averaging of neural networks. Network: Computation in Neural Systems. 8 (3), 283-296 (1997).
  11. Bäuerle, T., Merz, M., Komljenovic, D., Zwick, S., Semmler, W. Drug-induced vessel remodeling in bone metastases as assessed by dynamic contrast enhanced magnetic resonance imaging and vessel size imaging: A longitudinal in vivo study. Clinical Cancer Research. 16 (12), 3215-3225 (2010).
  12. Cheng, C., et al. Evaluation of treatment response of cilengitide in an experimental model of breast cancer bone metastasis using dynamic PET with 18F-FDG. Hellenic Journal of Nuclear Medicine. 14 (1), 15-20 (2011).
  13. Marturano-Kruik, A., et al. Human bone perivascular niche-on-a-chip for studying metastatic colonization. Proceedings of the National Academy of Sciences of the United States of America. 115 (6), 1256-1261 (2018).
  14. Sonntag, E., et al. In vivo proof-of-concept for two experimental antiviral drugs, both directed to cellular targets, using a murine cytomegalovirus model. Antiviral Research. 161, 63-69 (2019).
  15. Horos - Free DICOM Medical Image Viewer | Open-Source. , Available from: https://www.horosproject.org/ (2015).
  16. DCE Tool Plugin. , Available from: http://kyungs.bol.ucla.edu/software/DCE_tool/DCE_tool.html (2020).
  17. RStudio Team RStudio: Inteegrated Development for R. , Available from: https://rstudio.com (2015).
  18. Demšar, J., et al. Orange: Data Mining Toolbox in Python. Journal of Machine Learning Research. 14, 2349-2353 (2013).
  19. Saeys, Y., Inza, I., Larrañaga, P. A review of feature selection techniques in bioinformatics. Bioinformatics. 23 (19), 2507-2517 (2007).
  20. Kuhn, M. CRAN - Package caret. , Available from: https://cran.r-project.org/web/packages/caret/index.html (2016).
  21. Chen, T., et al. CRAN: Package xgboost - Extreme Gradient Boosting. , Available from: https://cran.r-project.org/web/packages/xgboost/ (2019).
  22. Available Models | The caret Package. , Available from: http://topepo.github.io/caret/available-models.html (2020).
  23. Fernández-Delgado, M., Cernadas, E., Barro, S., Amorim, D., Fernández-Delgado, A. Do we Need Hundreds of Classifiers to Solve Real World Classification Problems. Journal of Machine Learning Research. 15, 3133-3181 (2014).
  24. Hira, Z. M., Gillies, D. F. A Review of Feature Selection and Feature Extraction Methods Applied on Microarray Data. Advances in Bioinformatics. 2015, 198363 (2015).
  25. Sánchez-Maroño, N., Alonso-Betanzos, A., Tombilla-Sanromán, M. Filter methods for feature selection - A comparative study. Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics). 4881, 178-187 (2007).
  26. Cawley, G. C., Talbot, N. L. C. C. Fast exact leave-one-out cross-validation of sparse least-squares support vector machines. Neural Network. 17 (10), 1467-1475 (2004).
  27. Forghani, R., et al. Radiomics and Artificial Intelligence for Biomarker and Prediction Model Development in Oncology. Computational and Structural Biotechnology Journal. 17, 995-1008 (2019).
  28. Jaffe, C. C. Measures of response: RECIST, WHO, and new alternatives. Journal of Clinical Oncology Official Journal of the American Society of Clinical Oncology. 24 (20), 3245-3251 (2006).
  29. Lambin, P., et al. Radiomics: Extracting more information from medical images using advanced feature analysis. European Journal of Cancer. 48 (4), 441-446 (2012).
  30. Gillies, R. J., Kinahan, P. E., Hricak, H. Radiomics: Images are more than pictures, they are data. Radiology. 278 (2), 563-577 (2016).
  31. Nioche, C., et al. Lifex: A freeware for radiomic feature calculation in multimodality imaging to accelerate advances in the characterization of tumor heterogeneity. Cancer Research. 78 (16), 4786-4789 (2018).
  32. Ellmann, S., et al. Application of machine learning algorithms for multiparametric MRI-based evaluation of murine colitis. PLOS ONE. 13 (10), 0206576 (2018).

Tags

Cancer Research machine learning neurale netværk knoglemetastaser dissemineret tumorceller bryst neoplasmer multiparametrisk billeddannelse
Machine Learning Algoritmer til tidlig påvisning af Bone Metastases i en eksperimentel rotte model
Play Video
PDF DOI DOWNLOAD MATERIALS LIST

Cite this Article

Ellmann, S., Seyler, L., Gillmann,… More

Ellmann, S., Seyler, L., Gillmann, C., Popp, V., Treutlein, C., Bozec, A., Uder, M., Bäuerle, T. Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model. J. Vis. Exp. (162), e61235, doi:10.3791/61235 (2020).

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