Vorhersage der Behandlungserfolg für bildgestützte Therapien mit maschinellem lernen: ein Beispiel für eine Trans-arterielle Behandlung des hepatozellulären Karzinoms
Summary
Intra-arterielle Therapien sind der Standard der Versorgung von Patienten mit Leberzellkarzinom, die chirurgische Resektion unterziehen kann nicht. Eine Methode für die Vorhersage der Reaktion zu diesen Therapien wird vorgeschlagen. Die Technik nutzt Pre Verfahrensinformationen klinische, demographischen und bildgebenden Maschine Lernmodelle zur Vorhersage der Reaktion vor der Behandlung zu trainieren.
Abstract
Intra-arterielle Therapien sind der Standard der Versorgung von Patienten mit Leberzellkarzinom, die chirurgische Resektion unterziehen kann nicht. Das Ziel dieser Studie war es, eine Methode zur Vorhersage der Reaktion auf die Intra-arterielle Behandlung vor dem Eingriff zu entwickeln.
Die Methode bietet einen allgemeinen Rahmen für die Vorhersage der Ergebnisse vor der Intra-arterielle Therapie. Es geht um Bündelung einer Kohorte von Patienten klinische, demographische und bildgebende Daten und verwenden diese Daten, um eine Machine-Learning-Modell zu trainieren. Das trainierte Modell wird auf neue Patienten angewendet, um die Wahrscheinlichkeit des Ansprechens auf die Intra-arterielle Therapie abschätzen zu können.
Die Methode umfasst die Akquisition und Analyse von klinischen, demographischen und bildgebenden Daten aus N -Patienten, die bereits Trans-arterielle Therapien unterzogen haben. Diese Daten sind in diskrete Merkmale (Alter, Geschlecht, Leberzirrhose, Tumor-Enhancement usw.) analysiert und binarisiert in True/False-Werten (z.B. Alter über 60, Männliches Geschlecht, Tumor-Erweiterung über eine Schwelle, etc.). Low-Varianz und Features mit niedrigen Univariate Assoziationen mit dem Ergebnis werden entfernt. Jeden behandelten Patienten ist beschriftet, nach ob sie reagiert oder nicht auf Behandlung reagieren. Jeder Patient Training ist somit durch eine Reihe von binären Funktionen und ein Ergebnis-Label vertreten. Machine Learning Modelle sind mit N – 1 Patienten mit Tests auf der linken Seite-Out Patient trainiert. Dieser Prozess wird für jedes der N Patienten wiederholt. Die N -Modelle werden gemittelt, um eine endgültige Modell zu erreichen.
Die Technik ist erweiterbar und ermöglicht die Aufnahme von zusätzlichen Funktionen in der Zukunft. Es ist auch eine verallgemeinerbare Prozess, der die klinische Forschungsfragen außerhalb der interventionellen Radiologie angewendet werden kann. Die Haupteinschränkung besteht die Notwendigkeit Funktionen manuell jeden Patienten abgeleitet. Eine beliebte moderne Form des maschinellen Lernens genannt Tiefe erfordert lernen, nicht unter diese Beschränkung leidet sondern größeren Datasets.
Introduction
Patienten mit Leberzellkarzinom, die nicht chirurgische Kandidaten werden Intra-arterielle Therapien1,2,3angeboten. Es gibt keine einzige Metrik, die bestimmt, ob ein Patient auf eine Intra-arterielle Therapie ansprechen wird, bevor die Behandlung verabreicht wird. Das Ziel dieser Studie war es, eine Methode zu demonstrieren, mit dem Behandlungserfolg vorhergesagt durch die Anwendung von Methoden aus maschinellem lernen. Solche Modelle betreuen Ärzte und Patienten bei der Wahl ob Sie mit einer Behandlung fortfahren möchten.
Das Protokoll beinhaltet einen reproduzierbaren Prozess für Weiterbildung und Aktualisierung eines Modells primäre Patientendaten (klinische Hinweise, Demographie, Labordaten und Imaging) ab. Die Daten werden zunächst für Besonderheiten, mit jedem Patienten vertreten durch eine Reihe von binären Funktionen und eine binäre Ergebnis Zielbezeichnung analysiert. Das Ergebnis-Label wird mittels einer etablierten Imaging-basierte Antwort Kriterium für hepatozellulären Therapie4,5,6,7ermittelt. Die Funktionen und die Ziel-Etiketten sind an Maschine Lernsoftware übergeben, die die Zuordnung zwischen Funktionen und Ergebnisse unter einem bestimmten Modell (logistische Regression oder zufällige Wald)8,9,10lernen lernt. Ähnliche Techniken wurden in Radiologie und anderen Bereichen der Krebsforschung für Diagnose und Behandlung Vorhersage11,12,13angewendet.
Die Methode passt sich Techniken aus der Informatik auf dem Gebiet der interventionellen Radiologie. Traditionelle Bedeutung Studien in der interventionellen Radiologie und Medizin im allgemeinen verlassen auf Mono – oder Oligo-Feature Analysen. Beispielsweise enthält das Modell für End Stage Liver Disease fünf klinischen Metriken, um das Ausmaß der Lebererkrankung zu beurteilen. Der Vorteil des vorgeschlagenen Verfahrens ist die Fähigkeit, Funktionen hinzuzufügen, großzügig; 25 Funktionen sind in der Beispiel-Analyse berücksichtigt. Zusätzliche Funktionen können hinzugefügt werden wie gewünscht.
Die Technik kann auf andere radiologischen Interventionen angewendet werden, wo die Pre- und Post-Intervention Bilddaten zur Verfügung stehen. Ergebnisse nach perkutane Behandlung könnte beispielsweise in einer ähnlichen Weise vorhergesagt werden. Die wichtigste Einschränkung der Studie ist die Notwendigkeit, manuelle Kurat Funktionen für die Aufnahme in das Modell. Datenextraktion Kuration und Funktion ist zeitaufwendig für den Praktiker und klinischen Einführung dieser Maschine Lernmodelle behindern kann.
Protocol
Representative Results
Discussion
Patienten mit Leberzellkarzinom, die nicht Kandidaten für chirurgische Resektion werden Intra-arterielle Therapien angeboten. Gibt es einige Methoden um festzustellen, ob ein Patient Pre reagiert-Behandlung. Nach der Behandlung Evaluierungstechniken stützen sich auf Veränderungen in der Größe des Tumors oder Tumor Kontrast Aufnahme. Diese nennt man ansprechkriterien mit der genauesten wird die Quantitative Europäische Vereinigung für die Studie des Kriteriums der Leber (qEASL). qEASL stützt sich auf beid…
Divulgaciones
The authors have nothing to disclose.
Acknowledgements
A.A erhielt finanzielle Unterstützung von der Office of Student Research, Yale School of Medicine.
L.J.S. erhält Zuschüsse von der National Institutes of Health (NIH/NCI R01CA206180), Leopoldina Postdoctoral Fellowship und die Rolf W. Guenther Foundation radiologische Wissenschaften (Aachen, Deutschland).
J.c. erhält Zuschüsse von der National Institutes of Health (NIH/NCI R01CA206180), Philips Healthcare und die deutsch-israelische Stiftung für wissenschaftliche Forschung und Entwicklung (Jerusalem, Israel und Neuherberg, Deutschland); und Stipendien von der Rolf W. Guenther Foundation radiologische Wissenschaften und der Charite Berlin Institut für klinische Wissenschaftler Gesundheitsprogramm (Berlin, Deutschland).
J.S.D. und m.l. Zuschüsse aus dem National Institutes of Health (NIH/NCI R01CA206180) und Philips Healthcare (Best, Niederlande).
J.F.G. erhält Zuschüsse aus dem National Institutes of Health (NIH/NCI R01CA206180), Philips Healthcare, BTG (London, Vereinigtes Königreich), Boston Scientific (Marlborough, Massachusetts), und sowohl Healthcare (Villepinte, Frankreich)
Materials
| Computer workstation | N/A | N/A | Intel Core 2 Duo or higher CPU at 2.0 GHz; 4 GB or more system memory; POSIX-compliant operating system (Linux or Mac OS) or Microsoft Windows 7; User permissions for executing programs and saving files |
| Anaconda Python 3 | Anaconda, Inc. | Version 3.6 | Python 3 system and libraries packaged for scientists and researchers |
| DICOM to NIfTI | NeuroImaging Tools & Resources Collaboratory | Version 1.0 (4/4/2018 release) | Standalone program for converting DICOM imaging files to NIfTI format |
| Sublime Text Editor | Sublime HQ Pty Ltd | Version 3 (Build 3143) | Text-editor for writing Python code |
| Required Python Libraries | N/A | Version 3.2.25 (nltk) Version 0.19.1 (scikit-learn) |
Natural Language Toolkit (nltk) Scikit-learn |
| ITK-SNAP | N/A | Version 3.6.0 | Optional toolkit for performing segmentation of organ systems in medical images. |
Referencias
- Benson, A., et al. NCCN clinical practice guidelines in oncology: hepatobiliary cancers. J National Comprehensive Cancer Network. 7 (4), 350-391 (2009).
- Siegel, R., Miller, K., Jemal, A. Cancer statistics, 2016. CA Cancer J Clin. 66 (1), 7-30 (2016).
- 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).
- 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).
- 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).
- 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).
- 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).
- Pedregosa, F., et al. Scikit-learn: Machine Learning in Python. Journal of Machine Learning Research. 12, 2825-2830 (2011).
- Bishop, C. . Pattern recognition and machine learning. , 738 (2006).
- Alpaydin, E. . Introduction to machine learning. Third edition. , 613 (2014).
- Kim, S., Cho, K., Oh, S. Development of machine learning models for diagnosis of glaucoma. PLoS One. 12 (5), (2017).
- 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).
- Wang, S., Summers, R. Machine learning and radiology. Medical Image Analysis. 16 (5), 933-951 (2012).
- 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).
