기계 학습을 사용 하 여 이미지 기반 요법 치료 반응 예측: 간세포 암 종의 트랜스 동맥 치료 예

Summary

간 동맥 치료법은 외과 절제술을 받을 수 없는 간세포 암 환자에 대 한 치료의 표준 이다. 이러한 치료에 대 한 응답을 예측 하는 방법을 제안 했다. 기술은 기계 학습 모델 처리 이전 응답을 예측할 수 있는 훈련 사전 절차 임상, 통계, 및 이미징 정보를 사용 합니다.

Abstract

간 동맥 치료법은 외과 절제술을 받을 수 없는 간세포 암 환자에 대 한 치료의 표준 이다. 이 연구의 목적은 개입 이전 내부 동맥 치료에 응답을 예측 하는 방법을 개발 했다.

메서드를 내부 동맥 치료 사전 결과 예측을 위한 일반 프레임 워크를 제공 합니다. 그것은 환자의 코 호트에서 임상, 인구 통계 및 이미징 데이터를 풀링 및 기계 학습 모델의 학습에 이러한 데이터를 사용 하 여 포함. 학습 된 모델은 내부 동맥 치료에 응답을의 그들의 가능성을 예측 하기 위해 새로운 환자에 적용 됩니다.

메서드 인수 및 N 이미 트랜스 동맥 치료 받은 환자에서 임상, 인구 통계 및 이미지 데이터의 구문 분석을 수반 한다. 이러한 데이터 (연령, 성별, 간 경 변, 종양 증진, 등의) 개별 기능으로 구문 분석 되며 true/false 값 (예: 60, 남성 성, 종양 향상 설정된 임계값, 등이상의 나이)에 binarized. 낮은-분산 기능 및 결과 낮은 일변량 연결 기능 제거 됩니다. 각 치료 환자 여부 그들은 반응 또는 치료에 반응 하지 않았다 표시 됩니다. 각 훈련 환자 따라서 바이너리 기능과 결과 레이블 집합으로 표시 됩니다. 기계 학습 모델 사용 하 여 N -1 환자 왼쪽 아웃 환자에 대 한 테스트와 훈련을 합니다. 이 프로세스는 각 N 환자에 대해 반복 됩니다. N 모델 최종 모델에 도달 하기 위해 평균 된다.

기술을 확장 하 고 나중에 추가 기능 포함을 수 있습니다. 그것은 또한 외부 중재 방사선과 임상 연구 질문에 적용 될 수 있습니다 받아들이기는 과정입니다. 주요 제한은 수동으로 각 환자에서 기능을 파생 하는 필요입니다. 깊은 라는 기계 학습의 인기 있는 현대적인 형태가이 제한에서 고통을 하지 않습니다 학습 하지만 큰 데이터 집합을 요구 한다.

Introduction

외과 후보자는 간세포 암 종 환자는 간 동맥 치료^1,2,3제공 됩니다. 치료 관리 하기 전에 환자가 간 동맥 치료에 응답 합니다 여부를 결정 하는 없는 단일 통계가입니다. 이 연구의 목적은 기계 학습에서 메서드를 적용 하 여 치료 반응을 예측 하는 방법을 설명 했다. 이러한 모델 치료 진행 여부를 선택할 때 실무자와 환자에 게 지침을 제공 합니다.

프로토콜 훈련과 주 환자 데이터 (임상 노트, 인구 통계, 실험실 데이터 및 이미징)에서 시작 하는 모델 업데이트에 대 한 재현 과정을 수반 한다. 이진 기능 집합 및 이진 결과 대상 레이블을 나타내는 각 환자와 데이터는 특정 기능에 대 한 구문 분석 됩니다 처음. 결과 레이블 설립된 영상 기반 응답 기준 간세포 치료^4,5,,67에 대 한 사용 하 여 결정 됩니다. 기능 및 대상 레이블 기계 학습 소프트웨어를 배우는 기능 및 특정 학습 모델 (로지스틱 회귀 또는 무작위 숲)^8,,910아래 결과 간의 매핑을 전달 됩니다. 비슷한 기술은 방사선학과 암 진단 및 치료 예측^11,,1213에 대 한 연구의 다른 영역에 적용 되었습니다.

메서드를 사용 하면 중재 방사선과 분야 컴퓨터 과학에서 기술을 적응. 중재 방사선학 그리고 의학에서 전통적인 의미 연구는 일반적으로 모노 또는 올리고 기능 분석에 의존. 예를 들어 말기 간 질병에 대 한 모델 간 질환의 정도 평가 하기 위해 5 임상 통계를 포함 합니다. 제안된 된 방법의 장점은 자유롭게; 기능을 추가 하는 기능입니다. 20-5 기능 예제 분석에서 고려 됩니다. 추가 기능을 추가할 수 있습니다 원하는대로.

기술 사전 및 사후 개입 이미징 데이터를 사용할 수 있는 다른 방사선 중재에 적용 될 수 있습니다. 예를 들어 결과 경 피 적인 치료를 다음과 비슷한 방식으로 예언 될 수 있습니다. 연구의 주요 한계는 필요는 수동 보좌 기능을 모델에 포함. 데이터 큐레이터 및 기능 추출 실천에 대 한 시간이 많이 걸리는 이며 이러한 기계 학습 모델의 임상 도입을 방해 수 있습니다.

Protocol

1입니다. 기계 학습에 대 한 워크스테이션 설치 시스템을 사용 하 여 다음:인텔 코어 2 듀오 또는 높은 CPU 2.0 g h z에서4GB 또는 더 많은 시스템 메모리POSIX 호환 운영 체제 (리눅스 또는 맥 OS) 또는 마이크로소프트 윈도 즈 7프로그램을 실행 하 고 파일 저장에 대 한 사용자 권한 다음 도구를 설치:아나콘다 Python3: https://www.anaconda.com/downloadDICOM NIfTI 변환기 (dcm2niix)-https://…

Representative Results

제안된 된 방법 간세포 암에 대 한 트랜스-동맥 치료 했다 받은 36 환자에 적용 되었습니다. 20-5 기능 확인 하 고 1-5 단계를 사용 하 여 binarized. 5 기능 분산 및 변량 협회 필터 (5.1 및 5.2 단계 참조)을 만족 하 고 모델 학습에 사용 했다. 각 환자는 응답자 또는 qEASL 응답 조건에서 비 응답으로 분류 됐다. 동안 대상 레이블 벡터 36 x 1 기능 매트릭스는 이렇게 36 x 5 배열 이었다.</…

Discussion

수술 절제에 대 한 후보는 간세포 암 종 환자는 간 동맥 치료 제공 됩니다. 환자 중응답 합니다 확인 하려면 존재 하는 몇 가지 방법-치료. 치료 후 평가 기법 종양 크기 또는 종양 대비 통풍 관의 변화에 의존. 이러한 응답 기준 가장 정확한 되 고 간 (qEASL) 기준의 연구에 대 한 양적 유럽 협회 라고 합니다. qEASL 모두 체적 변화와 향상 다음 응답의 가능성을 예측 하는 치료에 의존 합니다. QEASL…

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.