Name: Deneysel Bir Sıçan Modelinde Kemik Metastazlarının Erken Teşhisi İçin Makine Öğrenme Algoritmaları (Video) | JoVE Journal
Uploaded: 2020-08-16T13:00:00.000+00:00
Duration: 7 min 15 s
Description: Keşfedin kemik metastazlarının erken teşhisi için makine öğrenme algoritmaları geliştirmeyi. MRI ve PET/CT görüntüleme parametrelerini birleştirerek sıçan modelinde makrometastaz ilerlemesini tahmin edin.

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

Bu çalışma Alman Araştırma Vakfı (DFG, İşbirlikçi Araştırma Merkezi CRC 1181, alt proje Z02; Öncelikli Program μBone, projeler BA 4027/10-1 ve BO 3811), tarama cihazları için ek destek dahil (INST 410/77-1 FUGG ve INST 410/93-1 FUGG), ve Friedrich Alexander-Üniversitesi Erlangen-Nürnberg Gelişen Alanlar Girişimi (EFI) "Big Thera" tarafından.

Tüm bakım ve deneysel işlemler hayvan koruma ulusal ve bölgesel mevzuata uygun olarak gerçekleştirildi ve tüm hayvan prosedürleri Franconia, Almanya Devlet Hükümeti tarafından onaylandı (referans numarası 55.2 DMS-2532-2-228).
1. Çıplak sıçanların sağ arka bacağında meme kanseri kemik metastazlarının indüksiyonu
NOT: Çıplak sıçanlarda meme kanseri kemik metastazlarının indüksiyonunun ayrıntılı bir açıklaması6,8. En ilgili adımlar aşağıda sunulmuştur.
<ol><li>RPMI-1640 kültür MDA-MB-231 insan meme kanseri hücreleri, ile takviye 10% fetal baldır serumu (FCS). Hücreleri standart koşullarda (37 °C, %5 CO2)koruyun ve hücreleri haftada 2-3 kez iletin.</li>
	<li>Fosfat tamponlu salinde (PBS) 2 mM EDTA ile yakın konflufluent MDA-MB-231 hücrelerini yıkayın ve hücreleri %0,25 tripsin ile ayırın. Hücre konsantrasyonunu Neubauer'in odasıyla belirleyin ve 200 μL RPMI-1640'ta 1.5 x 105 hücre/200 μL konsantrasyonla yeniden askıya alın.</li>
	<li>6-8 haftalık çıplak sıçanları kullanın ve patojensiz, kontrollü koşullarda (21 °C ± 2 °C oda sıcaklığında, %60 nem ve 12 saat açık-koyu ritim) altında tutun. Otoklavlı yem ve su reklamı libitum sunun.</li>
	<li>Ameliyatı yapmadan önce, subkutan bir analjezik ilaç (örneğin, Carprofen 4 mg/kg) enjekte edin. Bir izofluran (1-1.5 vol. %)/oksijen karışımı 2 L/dk akış hızında olan fareleri anestezik.</li>
	<li>Ameliyat için, 16x büyütme ile bir işletim mikroskop kullanın.</li>
	<li>Farenin sağ inguinal bölgesinde 2-3 cm kesim yapın. Femoral arter (FA), yüzeysel epigastrik arter (SEA), inen geniküler arter (DGA), popliteal arter (PA) ve safenöz arter (SA) dahil olmak üzere sağ inguinal bölgedeki tüm arterleri diseksiyon. FA iki çıkarılabilir klips yerleştirin: BIR SEA başına proksimal ve DGA başına başka doğrudan proksimal.</li>
	<li>SEA'nin distal kısmını sıvılaştırın. SEA'nin duvarından bir kesik yapın ve SEA'ye 0,3 mm çapında bir iğne yerleştirin. Adım 1.2'den hücre süspansiyonu içeren bir şırınga iğneye bağlayın. Distal klibi FA'dan çıkarın ve bunun yerine SA'yı kırpın.</li>
	<li>MDA-MB-231 hücre süspansiyonuna 1.2 (1.5 x 105 hücre/200 μL) adımdan yavaşça enjekte edin. İğneyi çıkarın, SEA'yi sıvılaştırın ve arter klipslerini çıkarın. Cerrahi klipsler kullanarak yarakapatın ve anestezi son. Tümör boyutunu ve ağrı herhangi bir kanıt değerlendirmek için günlük hayvanları izleyin.</li>
</ol>2. Manyetik rezonans görüntüleme (MRG)
NOT: MRI prosedürlerinin ayrıntılı bir açıklaması için lütfen Bäuerle ve ark.11'ebakın.
<ol><li>Özel bir deneysel tarayıcı (Malzeme Tablosunabakın) veya uygun bir hayvan bobini ile bir insan MR sistemi kullanarak MRI 10 gün PI gerçekleştirin.</li>
	<li>Yukarıda açıklandığı gibi bir izofluran (1-1.5 vol. %)/oksijen karışımı ile sıçan anestezi. Farenin kuyruk damarına bir kateter yerleştirin ve kuyruğuna bantlayın. Kontrast maddeyi içeren bir şırınga bağlayın (yaklaşık 0,5 mL'de 0,1 mmol/kg Gd-DTPA).</li>
	<li>Anestezili fareyi MR sistemine yerleştirin. Sağ arka bacağın distal femur ve proksimal tibiasını anatomik bir dizide bulun (örn. T2 ağırlıklı turbo spin yankı dizisi; TR = 8.654 ms; TE = 37 ms; matris 320 x 272; FOV = 65 mm x 55 mm; dilim kalınlığı = 1 mm; tcan süresi 11:24 dk).</li>
	<li>Sağ arka bacağın distal femur ve proksimal tibiasını kaplayan dilimleri belirleyin ve DCE-MRI dizisini başlatın (örn. hızlı düşük açılı atış sırası; TR = 3.9 ms; TE = 0.88 ms; matris = 256 x 216; FOV = 65 x 54 mm2; dilim kalınlığı = 1 mm; 8 dilim; 100 zaman puanı; tcan süresi = 8:25 dk). 30 s sonra, 10 s bir süre içinde kontrast madde enjekte başlar. NOT: MR II incelemesi için toplam süre hayvan başına yaklaşık 20 dakikadır.</li>
</ol>3. Pozitron emisyon tomografisi/bilgisayarlı tomografi (PET/BT)
NOT: PET prosedürlerinin ayrıntılı bir açıklaması için lütfenCheng'eal. 12 adresinden bakınız.
<ol><li>Özel bir deneysel tarayıcı kullanarak PET/CT görüntüleme10 gün PI gerçekleştirin (bkz.</li>
	<li>Görüntülemeden önce hayvanları oruç tutun. Adım 2.2'de açıklandığı gibi sıçan anestezi ve yukarıda açıklandığı gibi kuyruk damarına bir kateter takın.</li>
	<li>Enjekte 6 MBq 18F-Fluorodeoxyglucose(18F-FDG) kuyruk damariçine ve izleyici düzgün dağıtmak için izin ~ 30 dk bekleyin.</li>
	<li>CT kazanım (tüp gerilimi = 80 kV, tüp akımı = 500°A, isotropik çözünürlük = 48,9 μm, süre = 10 dk) gerçekleştirin.</li>
	<li>Statik bir PET kazanımı gerçekleştirin (alt/üst ayrımcı seviye = 350/650 keV; zamanlama penceresi = 3.438 ns; süre = 15 dk).</li>
</ol>4. Alternatif görüntüleme stratejileri
<ol><li>Arka bacaktaki MDA-MB-231 hücrelerinin erken değerlendirilmesi için, biyolüminesans için1,5 x 10 5 etiketli hücre /200 μL (yani, luciferin ifade eden hücreler, MDA-MB-231-LUC13)veya floresan görüntüleme (örn. yeşil veya kırmızı floresan proteini ifade eden hücreler, MDA-MB-231-G/RFP13). Tümör hücresi aşısı sonrası intraosseöz MDA-MB-231 hücrelerini saptamak için preklinik optik görüntüleme için sistemi kullanın14.</li>
	<li>MRI7ile karşılaştırılabilir vaskülarizasyon morfolojik ve fonksiyonel parametreleri türetmek için mikrokabarcıklar intravenöz enjeksiyon sonra özel bir tarayıcı kullanarak deneysel ultrason gerçekleştirin.</li>
</ol>5. MR Analizi
<ol><li>DCE Plugin16'ya sahip bir DICOM görüntüleyici15 kullanın ve üst menüdeki "Import" düğmesine tıklayarak, 2.4 adımdan MR görüntülerini içeren DICOM klasörünü seçerek ve üst menüde "4D Viewer" düğmesine tıklayarak DCE sırasını 4D modunda yükleyin.</li>
	<li>Bu merkez görüntüleri daha kararlı sonuçlar sağladığından, tercihen 8 görüntüden oluşan diziden 4 veya 5 görüntü numaralarını kullanarak, sağ arka bacağın proksimal tibial şaft kemik iliği içinde, 1,5 mm2hedef boyutuna sahip dairesel 2 boyutlu bir ilgi bölgesi (ROI) yerleştirin.</li>
	<li>Üst menüden DCE eklentisini başlatın, " ÇizimTürü" alanında "Göreli Geliştirme" seçeneğini belirleyin ve bu sayıları ilgili alanlara yazarak 1 ile 5 arasında değişen zaman aralığını tanımlayın. İlgili düğmeyle analizleri .txt dosyası olarak dışa aktarın ve dosya adı olarak "DCEraw.txt"i seçin.</li>
	<li>RStudio17'yi açın ve "Dosya "menüsünden sağlanan DCE-Script.R dosyasını "Open File" seçeneğini seçerek yükleyin. Menüden "Kodu", sonra "Run Region" ve ardından " Tümünü Çalıştır " seçeneğini seçerek tüm komut dosyasınıçalıştırın. Çıktıyı "ImagingFeatures.xlsx" (Şekil 2)adlı şablon dosyasına kopyalayın.</li>
	<li>DICOM görüntüleyicide, normalleştirme amacıyla kas DCE ölçümlerini elde etmek için hayvanın arka kasının içine ikinci bir yatırım getirisi yerleştirin ve 5.2-5.4 adımlarını tekrarlayın. "ImagingFeatures.xlsx" elektronik tablosunda, ilgili kemik ölçümleri normalleştirme amacıyla ilgili kas ölçümlerine göre otomatik olarak bölünür.</li>
	<li>Tüm hayvanlar için 5.1-5.5 adımlarını tekrarlayın ve elektronik tabloyu tamamlayın.</li>
</ol>6. PET/CT analizi
<ol><li>PET/CT analiz yazılımını açın ve 3.FileManual import Ct.img.hd ve pet.img.hdr dosyalarını işaretleyin. "Aç" seçeneğini tıklatın ve "Tümünü Al"ıseçin.</li>
	<li>"Genel çözümleme" seçeneğini seçerek veri kümelerini açın, ardından "Ok" seçeneğini belirleyin.</li>
	<li>"ROI Quantification" seçeneğini belirleyin, ardından "Oluştur", ardından "Şablondan bir YG oluştur" seçeneğini belirleyin. Sağ arka bacağın proksimal tibial şaft kemik iliği içine yaklaşık 4 mm x 6 mm 2 boyutlu bir yatırım getirisi yerleştirin.</li>
	<li>"ROI (Hedef 1 bindirme)" seçeneğini belirleyin ve Bq/mL'deki ortalama, minimum ve maksimum değerleri yazın.</li>
	<li>Maksimum standart alım değerini (SUVmax):Maksimum değeri (Bq/mL) enjekte edilen aktiviteye bölün ve sonucu gram cinsinden hayvanın ağırlığıyla çarpın. Sonucu elektronik tabloya girin (Şekil 2).</li>
</ol>7. Tümör alma oranının belirlenmesi
<ol><li>Sağ arka bacakta tümör büyümesini teşhis etmek için, yukarıda açıklandığı gibi, 30 PI gününde MR ve PET/BT görüntülemesini tekrarlayın. NOT: Tümörler 30 pi gününde açıkça görülebilen ve T2w-hiperintense lezyonlar ve MRG'de net kontrast geliştirmesi ile PET/BT'de açıkça yüksek bir SUVmax ile birlikte görünür olacaktır. Önceki deneylere göre hayvanların %60-80'inde sağ arka bacağında metastaz gelişecektir.</li>
	<li>Ek bir "Tümör" sütunu ekleyerek elektronik tabloyu tamamlayın ve metastaz sunan her hayvan için "1" ve görünür tümör yükü olmayan her hayvan için "0" girin(Şekil 2). Elektronik tabloyu İndirme klasöründe "ImagingFeatures.xlsx" olarak kaydedin.</li>
</ol>8. Özellik seçimi
<ol><li>Gelecekteki tümör büyümesini tahmin etmek için en uygun özellikleri belirlemek için, elektronik tabloyu açık kaynak veri görselleştirme, makine öğrenimi ve veri madenciliği araç seti18'eaktarın.</li>
	<li>Veri menüsünden Dosya alt yordamını sağdaki çalışma alanına çizin ve çift tıklatın. "Klasör" simgesine tıklayarak ve "ImagingFeatures.xlsx" dosyasını seçerek elektronik tabloyu yükleyin. "Export" çalışma sayfasını seçin ve hedef niteliğini "Tümör" değişkenine atayın. Hayvan sayısına "Atla" işlevini atayın (Şekil 3).</li>
	<li>Veri menüsünden "Rank" alt yordamını çalışma alanına çizin ve aralarında bir çizgi çizerek "Dosya" ve "Sıralama" alt yordamlarını bağlayın.</li>
	<li>"Rank" alt yordamını simgesine çift tıklayarak açın ve "Bilgi Edinme" algoritmasını seçin19.</li>
	<li>Edinilen beş parametreden, daha fazla analiz için ilk üç 'ü kullanın (SUVmax,PE ve AUC). Not: Bu parametreler metabolik aktiviteyi (SUVmax)ve doku vaskülarizasyonu (PE ve AUC) yansıtır.</li>
</ol>9. ML analizi
<ol><li>RStudio 3.4.117'yi açın ve verilen TrainModel.R-Script'i "Dosya" menüsünden yükleyin.</li>
	<li>Gerekli kitaplıkları yükleyin (bu sadece bir kez yapılmalıdır) yazarak: install.packages(c("caret", "readxl", "pROC", "RcmdrPlugin.EZR", "ggplot2"))
</li>
	<li>Gerekli kitaplıkları yüklemek ve İndirilenler klasörünü çalışma dizini olarak ayarlamak için TrainModel.R Script içindeki 3-5 satırlarını seçin.</li>
	<li>Menüiçinde "Kodu" tuşuna basarak seçili kodu çalıştırın ve ardından "Seçili Satırı Çalıştır"ıçalıştırın..
</li>
</ol>10. Bir avNNet ML algoritması eğitimi
<ol><li>AvNNet algoritmasını eğitmek için TrainModel.R-Script'ten 8-39 satırlarını seçin (bkz. adım 9.1).</li>
	<li>Menüiçinde "Kodu" tuşuna basarak seçili kodu çalıştırın ve ardından "Seçili Satırı Çalıştır"ıçalıştırın..
</li>
</ol>11. ML algoritmasının sonuçlarının analizi
<ol><li>Tanısal doğruluk (duyarlılık, özgüllük, pozitif ve negatif tahmin değerleri ve olasılık oranları) standart parametrelerini değerlendirmek için TrainModel.R-Script'ten 41-50 satırlarını seçin.</li>
	<li>Menüiçinde "Kodu" tuşuna basarak seçili kodu çalıştırın ve ardından "Seçili Satırı Çalıştır"ıçalıştırın..
</li>
</ol>12. Son modelin Alıcı Çalışma Özelliği (ROC) eğrisini kurucu parametrelerinIN ROC eğrileri ile karşılaştırması
<ol><li>Modelin ROC eğrisini kurucu parametrelerinin ROC eğrileriyle karşılaştırmak için DeLong testlerini gerçekleştirmek için TrainModel.R-Script'ten 52-62 satırlarını seçin (bkz. adım 9.1).</li>
	<li>Menüiçinde "Kodu" tuşuna basarak seçili kodu çalıştırın ve ardından "Seçili Satırı Çalıştır"ıçalıştırın..
</li>
</ol>

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

Yazarlar çıkar çatışması olmadığını beyan etmezler. Fon layıcıların çalışmanın tasarımında hiçbir rolü yoktu; verilerin toplanması, analiz için veya yorumlaşımında; el yazmasının yazımında veya sonuçları yayınlama kararında.

ML algoritmaları, birkaç tahmine dayalı özelliği birleştirilmiş modele entegre etmek ve tek başına kullanıldığında ayrı bileşenlerinin kini aşan bir doğruluk elde etmek için kullanılan güçlü araçlardır. Yine de, gerçek sonuç birkaç kritik adıma bağlıdır. Farklı ML algoritmaları farklı sonuçlar verdiğiiçin kullanılan ML algoritması ilk olarak çok önemli bir faktördür. Bu protokolde kullanılan algoritma bir avNNet, ancak diğer umut verici algoritmalar Extreme Gradient Boosting21 veya Random Forests ...

Bu protokolün amacı, MRI ve PET/CT'den çeşitli fonksiyonel görüntüleme parametrelerini model ortalamasılı bir sinir ağı (avNNet) ML algoritmasına entegre etmektir. Bu algoritma erken bir zaman diliminde meme kanseri kemik metastazları bir sıçan modelinde makrometazazların büyümesini tahmin, kemik içinde makroskopik değişiklikler henüz görünür değildir.
Makrometazların büyümesi öncesinde, yaygın olarak mikrometastatik hastalık olarak adlandırılan, yaygın olarak adlandırılan tümör hücrelerinin bir kemik iliği invazyonu oluşur1,2. Bu ilk invazyon metastatik hastalıkta erken bir adım olarak kabul edilebilir, ancak genellikle konvansiyonel evreleme muayeneleri sırasında cevapsız3,4. Mevcut görüntüleme yöntemleri tek başına kullanıldığında kemik iliği mikroinvazını tespit edemese de, vaskülarizasyon ve metabolik aktivite hakkında bilgi veren görüntüleme parametrelerinin bir kombinasyonunun daha iyi performans gösterdiği gösterilmiştir5. Bu tamamlayıcı fayda, farklı görüntüleme parametrelerinin ml algoritması olan bir avNNet'e birleştirilmesiyle elde edilir. Böyle bir avNNet herhangi bir görünür metastaz lar mevcut önce kemik makrometaztazoluşumunun güvenilir tahmin sağlar. Bu nedenle, görüntüleme biyobelirteçlerinin bir avNNet'e entegre edilmesi kemik iliği mikroinisti ve erken metastatik hastalık için bir taşıyıcı parametre görevi görebılabilir.
Protokolü geliştirmek için, çıplak sıçanlarda meme kanseri kemik metastazları daha önce açıklanan bir model kullanılmıştır6,7,8. Bu modelin avantajı site özgüllüğüdür, yani hayvanlar sadece sağ arka ayaklarında kemikli metastazlar geliştirirler. Ancak bu yaklaşımın tümör alma oranı %60-%80'dir, bu nedenle önemli sayıda hayvançalışma sırasında metastaz gelişmez. MRG ve PET/BT gibi görüntüleme yöntemleri kullanılarak metastaz varlığı enjeksiyon sonrası 30 günden (PI) saptanabilir. Daha önceki zaman noktalarında (örn. 10 PI) görüntüleme metastatik hastalık gelişecek hayvanlar la bu hastalık arasında ayrım yapmaz (Şekil 1).
Aşağıdaki protokolde açıklandığı gibi, 10. Sinir Ağları yapay düğümleri farklı katmanlar içinde birleştirir. Çalışma protokolünde, kemik iliği kan akımı ve metabolik aktivite için fonksiyonel görüntüleme parametreleri alt tabakayı temsil ederken, malignite tahmini üst tabakayı temsil eder. Ek bir ara katman, hem üst hem de alt katmana bağlı gizli düğümler içerir. Farklı düğümler arasındaki bağlantıların gücü yüksek doğruluk la ilgili sınıflandırma görevi gerçekleştirmek için ağın eğitimi sırasında güncelleştirilir9. Böyle bir sinir ağının doğruluğu daha da çeşitli modellerin çıkışları ortalama tarafından artırılabilir, bir avNNet sonuçlanan10.

<table><tbody><tr><td>Binoküler Ameliyat Mikroskobu</td><td>Leica</td><td>NA</td><td></td></tr><tr><td>ClinScan MR System</td><td>Bruker</td><td>NA</td><td></td></tr><tr><td>DICOM Viewer</td><td>Horos</td><td>NA</td><td>www.horosproject.org</td></tr><tr><td>Excel: Elektronik Tablo</td><td>Microsoft</td><td>NA</td><td></td></tr><tr><td>FCS</td><td>Sigma</td><td>F2442-500ML</td><td></td></tr><tr><td>Gadovist</td><td>Bayer-Schering</td><td>NA</td><td></td></tr><tr><td>Inveon PET/CT</td><td>Siemens</td><td>NA</td><td></td></tr><tr><td>Inveon Research Workplace Software</td><td>Siemens Healthcare GmbH</td><td>NA</td><td></td></tr><tr><td>IVIS Spectrum</td><td>PerkinElmer</td><td>NA</td><td></td></tr><tr><td>MDA-MB-231 insan meme kanseri hücreleri</td><td>Amerikan Tipi Kültür Koleksiyonu</td><td>N/A</td><td></td></tr><tr><td>Açık kaynaklı veri görselleştirme, makine öğrenimi ve veri madenciliği araç seti.</td><td>Orange3, Ljubljana Üniversitesi</td><td>NA</td><td>https://orange.biolab.si/</td></tr> <tr><td>RPMI-1640</td><td>Invitrogen/ThermoFisher</td><td>11875093</td><td></td></tr><tr><td>Tripsin</td><td>Sigma</td><td>9002-07-7</td><td></td></tr><tr><td>Vevo 3100</td><td>VisualSonics</td><td>NA</td><td></td></tr></tbody></table>

deneysel bir sıçan modelinde kemik metastazlarının erken teşhisi İçin makine Öğrenme algoritmaları

Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model

Makine öğrenimi (ML) algoritmaları, bileşenlerini aşan bir doğrulukla sınıflandırma veya regresyon görevlerini gerçekleştirmek için farklı özelliklerin bir modele entegrasyonuna izin verir. Bu protokol, herhangi bir anormallik standart görüntüleme yöntemleri ile gözlemlenebilir önce bir sıçan modelinde meme kanseri kemik makrometazes büyümesini tahmin etmek için bir ML algoritması gelişimini açıklar. Böyle bir algoritma evreleme muayeneleri sırasında düzenli olarak kaçırılan erken metastatik hastalıkların (mikrometastaz) saptanması kolaylaşabilir.
Uygulanan metastaz modeli bölgeye özgüdür, yani sıçanlar sadece sağ arka ayaklarında metastaz gelişir. Modelin tümör alma oranı %60-%80 arasındadır, makrometazonlar manyetik rezonans görüntülemede (MRG) ve pozitron emisyon tomografisinde (PET/BT) indüksiyondan 30 gün sonra hayvanların bir alt kümesinde görünür hale gelirken, hayvanların ikinci bir alt kümesitümör büyüme göstermez.
Daha erken bir zaman noktasında edinilen görüntü incelemelerinden başlayarak, bu protokol MRG ile saptanan doku vasküvasomunu, PET/BT ile glukoz metabolizmasını gösteren özelliklerin çıkarılmasını ve makrometastatik hastalığın tahmini için en uygun özelliklerin belirlenmesini açıklamaktadır. Bu özellikler daha sonra iki gruptan biri olarak hayvanları sınıflandırmak için bir model ortalama nöral ağ (avNNet) içine beslenir: metastaz gelişecek ve diğer herhangi bir tümör geliştirmek olmaz. Protokol ayrıca, genel doğruluk, duyarlılık, özgüllük, negatif/pozitif tahmin değerleri, olasılık oranları ve bir alıcı çalışma karakteristiğinin geliştirilmesi gibi standart tanıparametrelerinin hesaplanmasını da açıklar. Önerilen protokolün bir avantajı esnekliğidir, çünkü sınırsız sayıda özellik içeren ayarlanabilir kombinasyonlarla farklı ML algoritmaları bir bolluğu eğitmek için kolayca adapte edilebilir. Ayrıca, onkoloji, enfeksiyon ve inflamasyon farklı sorunları analiz etmek için kullanılabilir.

Sıçanlar MDA-MB-231 meme kanseri hücrelerinin cerrahi ve enjeksiyonu ile hızlı bir şekilde iyileşti ve daha sonra 10 ve 30 PI günlerinde MR ve PET/BT görüntülemeye tabi tutuldular(Şekil 1). Bir sıçanın sağ proksimal tibia temsili DCE analizi Şekil 2Asunulmaktadır. DCE ham ölçümleri "Export" butonunu seçerek ve dosya adı olarak "DCEraw.txt" seçilerek kaydedildi.
Dinamik parametreler, AUC, PE ve washout sonraki hesaplam...

Bu protokol, erken metastatik hastalığı tespit etmek ve makrometazelere sonraki ilerlemeyi tahmin etmek için meme kanseri kemik metastazlarının sıçan modelinde manyetik rezonans görüntüleme (MRG) ve pozitron emisyon tomografisinden (PET/BT) elde edilen görüntüleme parametrelerinin bir kombinasyonunu kullanmak üzere bir makine öğrenme algoritması yetiştirmek üzere tasarlanmıştır.

Deneysel Bir Sıçan Modelinde Kemik Metastazlarının Erken Teşhisi İçin Makine Öğrenme Algoritmaları

Machine learning (ML) algorithms permit the integration of different features into a model to perform classification or regression tasks with an accuracy ...

Bu protokol, erken organ kolonizasyonu aşamasında deneysel bir modelde kemik metastazlarının büyümesini öngörmek için bir makine öğrenme algoritması geliştirilmesini kolaylaştırır. Bu tekniğin en büyük avantajı, birkaç görüntüleme parametrelerini, her bir parametrenin üretken yeteneğini önemli ölçüde geride bırakan bir makine öğrenme algoritması ile birleştirmesidir. Ancak bu protokol kemikmetastazlarının erken tanısını amaçlasa da, farklı organlara veya multimodal ve multiparametrik görüntüleme araştırma alanlarına adapte edilebilir.DCE eklentisi ile bir DICOM görüntüleyicide ameliyat sonrası 10 gün ve enjeksiyon. DCE sırasını 4B modunda yüklemek için içe aktarmayı seçin ve MRI görüntülerini içeren DICOM klasörünü seçin. Dördüncü veya beşinci MRG görüntüsü içinde sağ arka bacağın proksimal tibial şaft kemik iliği ilgi boyutsal bölgeye dairesel bir 1,5 milimetre kare yerleştirin ve çizim türünde göreli geliştirme seçin.Zaman noktalarından, 1'den 5'e kadar olan temel aralığı ilgili alanlara girin ve çözümlemesi DCE ham nokta TXT adlı nokta TXT dosyası olarak dışa aktarın. RStudio'yu açın ve sağlanan DCE komut dosyası nokta R dosyasını yükleyin. Kodu seçin, bölgeyi çalıştırın ve tüm komut dosyasını çalıştırmak ve çıktıyı sağlanan görüntüleme özellikleri şablon dosyasına kopyalayın.DICOM görüntüleyicide, hayvanın arka kası içinde ikinci bir ilgi bölgesi yerleştirin ve gösterildiği gibi DCE ölçümlerini tekrarlayın. Görüntüleme özelliği tablosunda ilgili kemik ölçümleri otomatik olarak veri normalizasyonu için ilgili kas ölçümleri ile bölünecektir. PET/CT görüntülerini analiz etmek için PET/CT analiz yazılımını açın ve PET/CT görüntülerini ithal edin.Genel çözümlemesi tıklatın ve ilgi alanı niceleme bölgesini seçin, şablondan ilgi alanı oluşturve oluşturun. Sağ arka bacağın proksimal tibial şaft kemik iliği içinde ilgi boyutsal bölgeye dört x altı milimetre yerleştirin ve ilgi hedef bir bindirme belirli bölgeler. Mililitre başına becquerels ortalama, minimum ve maksimum değerlere dikkat edin.Daha sonra, enjekte edilen aktiviteye göre maksimum değeri bölün ve standart alım değerini hesaplamak için sonucu gram cinsinden hayvan ağırlığıyla çarpın. Enjekte edilen arka bacaktaki tümör büyüme oranını teşhis etmek için. Enjeksiyon sonrası 30.Sonra metastazı olan veya görünür bir tümör yükü olmayan hayvanlar için bir veya sıfır girin. Gelecekteki tümör büyümesinin tahmini için en uygun özellikleri belirlemek için, elektronik tabloyu açık kaynak veri görüntüleme makinesi öğrenme ve veri madenciliği araç setine aktarın. Dosya alt yordamını veri menüsünden çalışma alanına sürükleyin ve dosyayı çift tıklatın.Elektronik tabloyu yüklemek için klasör simgesini tıklatın ve görüntüleme özellikleri elektronik tablosunu seçin. Dışa aktarma çalışma sayfasını seçin ve hedef özniteliği değişken tümöre atayın. Atlama işlevini hayvan numarasına atayın.Sıralama alt yordamını çalışma alanına sürükleyin ve dosyaya bağlanmak ve alt yordamları sıralamak için bir çizgi çizin. Ardından, sıralama alt yordamını açmak ve bilgi edinme algoritmasını seçmek için çift tıklatın. Makine öğrenimi analizi için RStudio 3.4.1'i açın ve sağlanan tren modeli R komut dosyasını yükleyin.Gerekli kitaplıkları yüklemek için komut dosyası içindeki üç ile altı arası satırları seçin. Seçili kodu çalıştırmak için kodu tıklatın ve seçili satırları çalıştırmak için seçili satırları çalıştır'ı tıklatın. Bir model ortalamasını nöral ağ algoritmasına eğitmek için, tren modeli R komut dosyasından sekiz ile 39 arası satırları seçin ve kodu tıklatın ve seçili satırları çalıştırın.Daha sonra tanısal doğruluğun standart parametrelerini değerlendirmek için, tren modeli R komut dosyasından 41 ile 50 arası satırları seçin ve kodu tıklatın ve seçili satırları çalıştırın. Ameliyat sonrası 10. DCE analizi, kas ve kemik dokusu alanlarının ölçülmesine olanak sağlar.Bu değerler kemik ölçümlerini kas ölçüleri ile bölerek normale döndürilebilir. Enjeksiyon sonrası 30 gün sonra tüm hayvanlar, pozitif tümör yükünü ve görünür tümöriçermeyen sağlıklı hayvanları gösteren sıfır ile metastik ler geliştirip geliştirmediklerini belirlemek için değerlendirilir. Tren modeli R komut dosyasının çalıştırılması, en iyi hiper parametre kombinasyonunun belirlenmesini ve son modelin en iyi hiper parametre kombinasyonu kullanılarak hesaplanmasını sağlar.Bu veriler, bir dizi standart tanılama parametrelerinin hesaplanmasına ve modelin alıcı çalışma karakteristik eğrisinin çizilmesine olanak sağlar. Örneğin, 28 örneğin bu analizinde model, üç bileşeninin tümünden önemli ölçüde daha iyi performans gösterir. Giriş verileri normalleştirildiğinde, çeşitli makine öğrenimi algoritmaları daha iyi performans gösterme eğilimindedir.Bu protokolde normalleştirme Box Cox işlevi kullanılarak elde edilir. Bu protokol, ağ sırasında makine öğrenme algoritması olarak bir model ortalaması kullanır. Ancak, sağlanan çerçeve rastgele ormanlar veya destek vektör makineleri gibi diğer algoritmalara kolayca uyarlanabilir.Görüntü materyalinden sayısal bilgi ayıklamak gerekli hale gelmiştir. Bu gibi algoritmalar hasta tabakalaşmasına izin vermek için büyük miktarda verinin entegrasyonunu kolaylaştırabilir.

machine-learning-algorithms-for-early-detection-bone-metastases-an

Research

JoVE Journal

Cancer Research

Kanser Araştırmaları

Kemik metastazının patogenezine, anjiyojenez önemli bir proses ve bu nedenle görüntüleme ve tedavi için bir hedef temsil eder. Burada siteye özel meme kanseri kemik metastazı bir sıçan modeli sunmak ve non-invaziv görüntü anjiyogenez için stratejiler...

Manyetik Rezonans Görüntüleme, Volumetrik Bilgisayarlı Tomografi ve Ultrason Kullanımı Meme Kanseri Kemik metastazı bir Nude Rat Model Angiogenezis Multi-modal Görüntüleme

Hayvan modelleri sık kemik kanseri metastazı araştırmak için kullanılmaktadır. Bu protokolü biz kemik metastazı çalışmaları için tümör inokülasyonu iki genel metot tanımlamak ve kısaca bu modeller izlemek ve ölçmek için kullanılan analizler bazı anlatacağız.

Kemik Metastaz Modelleri

Insan prostat kanser ortotopik bir model akciğer tümör hücreleri ve farklı metastaz oluşumu dolaşan tümör boyutu ölçümü sağlar. Hücreler birincil organı kaçmak gerekir gibi, kan dolaşımına girerek, ve bir ikincil site içine implant, bu modeli etkin insanlarda senaryo tartışıldı.

İnsan Prostat Kanser metastaz Ortotopik fare modeli

Sıçanlarda plevral yüzeyin akciğer kanseri metastazlarında mikrodolaşım kan akış hızını otomatik bir şekilde, kapalı göğüs pulmoner intravital mikroskopi kullanarak ölçmek için bir yöntem sunulmuştur. Bu model, kemirgenlerde pulmoner metastazlar üzerinde fizyolojik araştırmalar yapmak için yaygın bir araç olarak kullanılma potansiyeline sahiptir.

Sıçan Pulmoner METASTAZLARINDA Mikrosirkülasyonda Kan Akışı Hızının Otomatik Ölçüm

Bu el yazması, deneysel kemik metastazları oluşturmak için kanser hücrelerini özellikle kemikler de dahil olmak üzere arka bacak dokularına iletmek için bir teknik olan intra-iliak arter (IIA) enjeksiyonunun ayrıntılı prosedürünü sağlar. Başlangıçta meme tümörü modelleri ile oluşturulmuş olsa da, bu protokol diğer kanser türlerine de kolayca genişletilebilir.

Mikroskopik Kemik Metastazı Verimli ve Seçici Modelleme için intra-iliak arter Enjeksiyon

Bu el yazması, tümör hipoksisinin metastaz üzerindeki etkilerinin doğrudan test edilmesine ve etki mekanizmalarının deşifre edilmesine izin veren bir hayvan modelinin geliştirilmesini açıklamaktadır. Burada açıklanan deneyler Ewing sarkomuna odaklansa da, benzer bir yaklaşım diğer tümör tiplerine de uygulanabilir.

Tümör metastaz üzerinde Hipoksi Test Etkisinin Vivo Modeli

Kanser hücrelerinin intravenöz enjeksiyonu genellikle metastaz araştırmalarında kullanılır, ancak metastatik tümör yükünü analiz etmek zor olabilir. Burada, metastazın kuyruk damarı enjeksiyon modelini gösteriyoruz ve ortaya çıkan metastatik akciğer tümörü yükünü analiz etmek için yeni bir yaklaşım içeriyoruz.

Tümör Hücrelerinin Lateral Kuyruk-Damar Enjeksiyonu Sonrasında Akciğer Metastazının Patolojik Analizi

Kemik metastazı modellerinde metastaz düzgün bir şekilde veya %100 insidansla gelişmez. Doğrudan intraosseöz tümör hücresi enjeksiyonu akciğerin embolizasyonu ile sonuçlanabilir. Primer kemik tümörlerini ve kemik metastazlarını, kemik içine solid tümör grefti implantasyonu kullanılarak modelleyen, tekrarlanabilir engraftman ve büyümeye yol açan tekniğimizi sunuyoruz.

Primer Kemik Tümörleri ve Kemik Metastazlarının Solid Tümör Grefti İmplantasyonu ile Modellenmesi

Burada, metastaz biyolojisinin preklinik araştırılması ve yeni terapötiklerin gelişimi için kullanılabilecek spontan pulmoner metastaz ile osteosarkomun amputasyon prosedürünün ardından singeneik ortotopik implantasyon tanımlanmıştır.

Metastaz Oranını Kontrol Etmek için Amputasyonlu Syngeneic Ortotopik Osteosarkom Sprague Dawley Sıçan Modeli

Bu protokol, ortopik osteosarkom ve pulmoner metastaz lezyonlarını taşıyan fare modelleri oluşturmak için intratibia osteosarkom hücre enjeksiyonunu tanımlamaktadır.

Ortotopik Osteosarkom ve Akciğer Metastazı Fare Modelleri Oluşturmak için İntratibiyal Osteosarkom Hücre Enjeksiyonu

Burada, kemik metastazı lezyonları olan bir fare modeli oluşturmak için insan prostat kanseri hücrelerinin intrakardiyak enjeksiyonu için bir protokol sunuyoruz.

Kemik Metastazı Ksenograft Fare Modeli Oluşturmak için İnsan Prostat Kanseri Hücrelerinin İntrakardiyak Enjeksiyonu

Keşfedin kemik metastazlarının erken teşhisi için makine öğrenme algoritmaları geliştirmeyi. MRI ve PET/CT görüntüleme parametrelerini birleştirerek sıçan modelinde makrometastaz ilerlemesini tahmin edin.

Deneysel Bir Sıçan Modelinde Kemik Metastazlarının Erken Teşhisi İçin Makine Öğrenme Algoritmaları

Daha fazla video keşfet