機械学習を用いた画像誘導治療治療に対する反応を予測: 肝細胞癌における経動脈的治療の例
Summary
動注療法は、外科的切除を受けることができない肝細胞癌患者に対するケアの標準です。これらの治療法に対する応答予測手法を提案します。技術は、治療前に応答を予測できる機械学習モデルのトレーニングに、人口統計学的、臨床的および画像については事前手続きを使用します。
Abstract
動注療法は、外科的切除を受けることができない肝細胞癌患者に対するケアの標準です。この研究の目的は、介入前に動脈内治療への反応を予測する方法を開発するあった。
メソッドは、動注療法の前に結果を予測するための一般的な枠組みを提供します。それは全体の患者のコホート臨床的、人口統計学および画像データをプールと機械学習モデルを訓練するこれらのデータを使用して含まれます。トレーニング済みのモデルは、新しい患者に動脈内治療への反応の可能性を予測するために適用されます。
メソッドは、買収とNにおける経動脈的治療をすでに受けている患者の臨床的、人口統計学および画像データの解析を伴います。これらのデータは離散的特徴 (年齢、性別、肝硬変、腫瘍促進等の程度) に解析され、真/偽値 (例えば、 60、男性、性別、腫瘍強化閾値を設定する等を超えて時代) に二値化します。低分散機能と低単変量の関連付けは結果と機能が削除されます。各治療患者は、彼らが答えたまたは治療に応答しなかったかどうかに従って分類されます。各トレーニング患者は従ってバイナリ機能と結果ラベルのセットによって表されます。機械学習モデルは、 N – 1 症例左アウト患者にテストを使用して訓練されます。N患者ごとにこのプロセスが繰り返されます。Nモデルの平均値に最終的なモデルに到着します。
技術では、拡張性があり、今後の追加機能を含めることを可能します。また、放射線の外の臨床研究の質問に適用される汎化可能なプロセスです。主な制限は、各患者からの機能を手動で派生する必要です。深いと呼ばれる機械学習の普及した現代的な形この制限からを受けない学習しますが、大きなデータセットが必要です。
Introduction
肝細胞癌手術の候補者ではない患者は、動脈内治療1,2,3を提供しています。治療が投与される前に、患者が動注療法に対応かどうかを決定する 1 つの指標はありません。本研究の目的は、機械学習からメソッドを適用することによって治療効果を予測する手法を実証することでした。治療を続行するかどうかを選択するとき、このようなモデルは医師と患者に指導を提供します。
プロトコルは、トレーニングおよびプライマリ患者データ (臨床ノート、人口統計、実験室データ、およびイメージング) から始まってモデルの更新のための再現可能なプロセスを伴います。データは、バイナリ機能のセット、およびバイナリの結果ターゲット ラベルで表される各患者の特定の機能について最初に解析されます。肝細胞療法4,5,6、7のイメージングに基づく応答の確立された基準を用いて結果ラベル。機能とターゲット ラベルでは、機能と学習モデル (ロジスティック回帰またはランダム フォレスト)8,9,10特定の結果の間のマッピングを学ぶ機械学習ソフトウェアに渡されます。同様の手法は、放射線とがんの診断と治療予測11,12,13研究の他の領域に適用されています。
メソッドは、放射線の分野にコンピューター科学から技術を適応します。伝統的な意義インターベンショナル放射線医学研究は、一般的に、モノラルまたは oligo の機能解析に頼っています。たとえば、末期肝臓病のモデルには、肝疾患の程度を評価する臨床指標を 5 つが組み込まれています。提案手法の利点は、自由に機能を追加する機能20-5 機能分析の例と見なされます。機能が追加されることが望ましい。
手法は、事前・事後介入の画像データが使用可能な他のレントゲン写真の介入に適用可能性があります。たとえば、次の経皮的治療の成果は、同様の方法で予測可能性が。研究の主な制限は、モデルに含めるのため手動バーテンの機能に必要です。データのキュレーションと特徴抽出はプラクティショナーのためかかり、そのような機械学習モデルの臨床導入を妨げる可能性があります。
Protocol
Representative Results
Discussion
外科的切除は肝細胞癌患者は、動注療法を提供しています。患者が前を応答するかどうかを決定するいくつかの方法が存在する-治療。治療後評価技術は、腫瘍の大きさや腫瘍のコントラスト取り込みの変化に依存しています。これらは、最も正確な定量的欧州肝臓 (qEASL) 条件の研究会であることと、応答の条件と呼ばれます。qEASL は、両方の体積と応答の可能性を予測する療法強化変…
Divulgaciones
The authors have nothing to disclose.
Acknowledgements
編入は、エール大学医学部学生研究局から資金援助を受けた。
L.J.S. は、健康の国民の協会 (NIH/NCI R01CA206180)、レオポルジナ サキヤマ, 放射線科学 (アーヘン、ドイツ) ロルフ ・ w ・ グンター財団から助成金を受け取ります。
J. c. は、科学的研究と開発 (エルサレム、イスラエルおよびアメリカ); 健康の国民の協会 (NIH/NCI R01CA206180)、フィリップス ヘルスケア、およびドイツ ・ イスラエル財団から助成金を受け取る放射線科学施ベルリン研究所の健康臨床科学者プログラム (ベルリン、ドイツ) ロルフ ・ w ・ グンター財団からの奨学金
J.S.D. とミリリットルは、健康の国民の協会 (NIH/NCI R01CA206180) とフィリップス ヘルスケア (ベスト、オランダ) から助成金を受け取る。
J.F.G. は、健康の国民の協会 (NIH/NCI R01CA206180)、フィリップス ヘルスケア、BTG (ロンドン、イギリス)、ボストンサイエンティフィック (マサチューセッツ州マールボロ) および上市ヘルスケア (ヴィルパント、フランス) から補助金を受け取る
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).
