Forutsi behandlingsrespons på bildet-guidede terapi bruker maskinlæring: et eksempel for Trans-arteriell behandling av leverkreft

Denne metoden kan bidra til å forutsi respons på intra arterielle terapier. Maskinlæringsapplikasjoner i intervensjonsonkologi vil endre måten vi behandler leverkreft og andre sykdommer med bildestyrte terapier på. Denne metoden har potensial til å forbedre måten to viktige beslutninger tas på.

Vanligvis vil enkeltpersoner som er nye på denne metoden slite på grunn av behovet for å generere funksjonene og utføre maskinlæring og kode. Visuell demonstrasjon av denne metoden er kritisk, da funksjonsgenereringstrinnene innebærer å trekke ut disse funksjonene ved hjelp av bildemasker. Et godt kommentert og klinisk representativt datasett er nødvendig for å trene modellen.

Flere pasientdata og store kohorter vil være nødvendig for å ytterligere forbedre en slik maskinlæringsalgoritme. Etter å ha bestemt hvilke kliniske funksjoner som skal inkluderes i modellen, bruk et passende verktøysett for naturlig språk til å analysere notatene for ren tekstklinikk i setninger for å tillate søk etter interessekonflikter. Lagre deretter hver pasients funksjoner i en fil med én funksjon per linje.

For ikke-binære funksjoner, få medianverdien av hver funksjon på tvers av alle pasientene, og binarize hver funksjon som en sann eller falsk verdi basert på medianverdien. For å beregne en gjennomsnittlig lever ekstrautstyr funksjon fra et medisinsk bilde. Etter å ha isolert voxels som inneholder leveren, skriv inn den gjennomsnittlige leveren ekstrautstyr kommandoen.

For å bestemme levervolumfunksjonen, skriv inn kommandoene som angitt. Beregn deretter medianverdier for hver bildefunksjon og binarize funksjonene som vist. For aggregering og reduksjon av funksjonene, først fjerne lav-varians funksjoner fra vurdering og lese funksjonene i binær matrise.

Deretter bruker du variansterskelmodellen til å beregne funksjonene som vises i minst 20 % av både respondere og ikke-respondere, på samme måte som det som er illustrert i tabellen. Fjern eventuelle funksjoner med lav univariate tilknytning til utfallet og filtrere bare de funksjonene som passerer den opprinnelige lav variant screening beholde n funksjoner der n er antall pasienter. Les deretter i den binære matrisen for hver funksjon, lik som illustrert i tabellen.

Etter at funksjonene er binarisert og filtrert, er det på tide å trene modellen. Modelltrening er en enkel prosess som passer funksjonene til utfallet under studien og kan brukes til å lage spådommer om nye pasienter. I denne representative analysen av 36 pasienter som gjennomgikk transarterial behandling for hepatocellulært karsinom, ble 25 funksjoner identifisert og binarisert som demonstrert med 5 funksjoner som tilfredsstiller både variantene og univariate tilknytningsfiltrene.

Hver pasient ble merket som enten en responder eller ikke-responder under kvantitativ European Association for studiet av leverresponskriteriene. Som illustrert, både logistisk regresjon og tilfeldige skogmodeller spådd en trans arteriell kjemoembolisering behandlingsrespons med en generell nøyaktighet på 78%Etter denne metoden, er det mulig å gjøre spådommer om nye pasienter ved å bruke opplæringsmodellen. Denne maskinlæringsteknikken kan brukes universelt på enhver terapi som involverer pre-prosedyremessig, inter-prosedyremessig og post-prosedyremessig avbildning.