Yöntem makalesi

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

DOI:

10.3791/58382

⸱

10 Ekim 2018

 ,  ,  ,  ,  ,  ,  ,  ,  , 
1Department of Radiology and Biomedical Imaging, Yale School of Medicine, 2Department of Diagnostic and Interventional Radiology, Universitätsmedizin Charité Berlin, 3Department of Biomedical Engineering, Yale School of Engineering and Applied Science, 4Philips Research North America, 5Prescience Labs

Bu makalede

Özet

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

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.

Özet

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

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.

Giriş

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

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.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Protokol

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

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 yaşErkek cinsiyetAlbümin < 3.5Siroz varlığıHepatit C mevcutkaraciğer geliştirme > 50 demekkaraciğer birim > 20000
    10110010
    21110000
    30110100
    1. QEASL sonuç yanıt etiketleri son sütun olarak ekleyin;
      Hasta> 60 yaşErkek cinsiyetAlbümin < 3.5Siroz varlığıHepatit C mevcutkaraciğer geliştirme > 50 demekkaraciğer birim > 20000qEASL Yanıtlayıcı
      101100101
      211100001
      301101000
    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 yaşHepatit C mevcutkaraciğer geliştirme > 50 demekqEASL Yanıtlayıcı
    10011
    21001
    30100
  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.
HastaHepatit C mevcutkaraciğer geliştirme > 50 demekqEASL Yanıtlayıcı
1011
2001
3100

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

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Sonuçlar

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

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.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Tartışma

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

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....

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Açıklamalar

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

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.

Teşekkürler

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

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

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Malzemeler

Bu makalede kullanılan malzemelerin listesi
AdŞirketKatalog numarasıYorumlar
Bilgisayar iş istasyonuN/AN/A2,0 GHz'de Intel Core 2 Duo veya daha yüksek CPU; 4 GB veya daha fazla sistem belleği; POSIX uyumlu işletim sistemi (Linux veya Mac OS) veya Microsoft Windows 7; Programları yürütmek ve dosyaları kaydetmek için kullanıcı izinleri
Anaconda Python 3Anaconda, Inc.Sürüm 3.6Python 3 bilim adamları ve araştırmacılar için paketlenmiş kütüphaneler
DICOM'dan NIfTI'yeNeuroImaging Tools & Resources CollaboratorySürüm 1.0 (04.04.2018 sürümü)DICOM görüntüleme dosyalarını NIfTI formatına dönüştürmek için bağımsız program
Sublime Text EditorSublime HQ Pty LtdVersion 3 (Build 3143)Python kodu yazmak için metin düzenleyici
Gerekli Python KitaplıklarıN/ASürüm 3.2.25 (nltk)
Sürüm 0.19.1 (scikit-learn)		Natural Language Toolkit (nltk)
Scikit-learn
ITK-SNAPN/ASürüm 3.6.0Tıbbi görüntülerde organ sistemlerinin segmentasyonunu gerçekleştirmek için isteğe bağlı araç seti.

Kaynaklar

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  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).

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Yeniden basım ve izinler

Bu JoVE makalesinin metnini veya şekillerini yeniden kullanmak için izin iste

İzin iste

Etiketler

Tedavi Yan t Tahminizellik kile tirmeD k Varyansl zelliklerin kar lmasLojistik Regresyon ModeliRastgele Orman ModeliKlinik Veri Analizi

İlgili makaleler