Intra-arteriële therapieën zijn de standaard van zorg voor patiënten met hepatocellulaire carcinoom, die kan niet chirurgische resectie ondergaan. Een methode voor het voorspellen van de reactie op deze therapie wordt voorgesteld. De techniek maakt gebruik van vooraf procedurele informatie over klinische, demografische en imaging te trainen van machine learning modellen kunnen voorspellen van de respons voorafgaand aan de behandeling.
Intra-arteriële therapieën zijn de standaard van zorg voor patiënten met hepatocellulaire carcinoom, die kan niet chirurgische resectie ondergaan. Het doel van deze studie was het ontwikkelen van een methode om te voorspellen reactie op intra-arteriële behandeling voorafgaand aan interventie.
De methode biedt een algemeen kader voor het voorspellen van de resultaten voordat intra-arteriële therapie. Het gaat om bundeling van klinisch en beeldvorming en demografische gegevens over een cohort van patiënten en het gebruik van deze gegevens om te trainen op een machine leren model. De opgeleide model wordt toegepast op nieuwe patiënten om te voorspellen van hun kans van respons op intra-arteriële therapie.
De methode leidt tot de verwerving en het ontleden van klinisch en beeldvorming en demografische gegevens van N -patiënten die al een trans-arterial therapieën hebben ondergaan. Deze gegevens zijn geparseerd in afzonderlijke kenmerken (leeftijd, geslacht, levercirrose, mate van verhoging van de tumor, etc.) en binarized in waar/onwaar-waarden (bijvoorbeeld leeftijd boven 60, mannelijk geslacht, verhoging van de tumor boven een bepaalde drempel, enz.). Low-variantie-functies en functies met lage univariate verenigingen met het resultaat worden verwijderd. Elke behandelde patiënt heet volgens gereageerd of niet reageren op de behandeling. Elke opleiding patiënt is dus vertegenwoordigd door een set van binaire eigenschappen en een resultaat-label. Machine leren modellen worden getraind met behulp van N – 1 patiënten met testen op de links-out patiënt. Dit proces wordt herhaald voor elk van de N -patiënten. De N -modellen zijn gemiddeld om te komen tot een definitief model.
De techniek is uitbreidbaar en kan de opname van extra functies in de toekomst. Het is ook een gegeneraliseerd proces dat kan worden toegepast op klinisch onderzoeksvragen buiten Interventionele radiologie. De belangrijkste beperking is de noodzaak om de functies van handmatig ontlenen met elke patiënt. Een populaire moderne vorm van machinaal leren genaamd diepe vereist leren geen last van deze beperking, maar grotere datasets.
Patiënten met hepatocellulaire carcinoom die geen chirurgische kandidaten worden aangeboden intra-arteriële therapieën1,2,3. Er is geen enkele statistiek die bepaalt of een patiënt op een intra-arteriële therapie reageren zal voordat de behandeling wordt beheerd. Het doel van deze studie was om aan te tonen van een methode die behandeling reactie voorspelt door toepassing van de methoden van machine learning. Dergelijke modellen een leidraad voor artsen en patiënten zijn bij het bepalen of u wilt doorgaan met een behandeling.
Het protocol houdt een reproduceerbare proces voor opleiding en bijwerken van een primaire patiëntgegevens (klinische notities, demografie, laboratorium gegevens en imaging) vanaf model. De gegevens wordt het aanvankelijk geparseerd voor specifieke functies, met elke patiënt door een reeks binaire eigenschappen en een binaire resultaat target label aangegeven. Het resultaat-label wordt bepaald met behulp van een gevestigde imaging gebaseerde reactie criterium voor hepatocellulaire therapie4,5,6,7. De functies en de doelgroep labels worden doorgegeven aan software voor het leren van machine die leert de toewijzing tussen functies en resultaten onder een specifiek model (logistische regressie of willekeurige forest)8,9,10te leren. Soortgelijke technieken zijn toegepast in de radiologie en andere gebieden van kankeronderzoek voor diagnose en behandeling voorspelling11,12,13.
De methode past technieken uit de informatica op het gebied van Interventionele radiologie. Traditionele betekenis studies in Interventionele radiologie en geneeskunde in het algemeen afhankelijk van mono – of oligo-functie-analyses. Bijvoorbeeld, bevat het Model voor End-Stage leverziekte vijf klinische statistieken om te beoordelen in welke mate van leverziekte. Het voordeel van de voorgestelde methode is de mogelijkheid om toe te voegen functies royaal; vijfentwintig functies worden beschouwd als in de voorbeeld-analyse. Extra functies kunnen worden toegevoegd als gewenste.
De techniek kan worden toegepast op andere radiografische interventies waar pre- en post interventie imaging gegevens beschikbaar zijn. Bijvoorbeeld kunnen resultaten na percutane behandelingen worden voorspeld op een vergelijkbare manier. De belangrijkste beperking van de studie is de noodzaak tot handmatige curate functies voor opname in het model. Curatie en functie gegevensextractie is tijdrovend voor de beoefenaar en klinische aanneming van zo’n machine leren modellen kan belemmeren.
Patiënten met hepatocellulaire carcinoom die geen kandidaten voor chirurgische resectie zijn intra-arteriële therapieën aangeboden. Enkele methoden bestaan om te bepalen als een patiënt pre reageren zal-behandeling. Nabehandeling evaluatietechnieken zijn afhankelijk van wijzigingen in de grootte van de tumor of tumor contrast opname. Deze heten antwoord criteria, met de meest accurate is de kwantitatieve Europese vereniging voor de studie van het criterium van de lever (qEASL). qEASL berust op beide volumetr…
The authors have nothing to disclose.
A.A. ontvangen financiële steun van het Office of Student Research, Yale School of Medicine.
L.J.S. ontvangt subsidies van de National Institutes of Health (NIH/NCI R01CA206180), Leopoldina Postdoctoral Fellowship en de Rolf W. Guenther Foundation voor radiologische wetenschappen (Aken, Duitsland).
J.C. ontvangt subsidies van de National Institutes of Health (NIH/NCI R01CA206180), Philips Healthcare en de Duits-Israëlische Stichting voor wetenschappelijkonderzoek en ontwikkeling (Jeruzalem, Israël en Neuherberg, Duitsland); en beurzen uit de Rolf W. Guenther Foundation voor radiologische wetenschappen en het Charite Berlijn Instituut van gezondheid klinische wetenschapper programma (Berlijn, Duitsland).
J.S.D. en M.L. ontvangen subsidies van de National Institutes of Health (NIH/NCI R01CA206180) en Philips Healthcare (Best, Nederland).
J.F.G. ontvangt subsidies van de National Institutes of Health (NIH/NCI R01CA206180), Philips Healthcare, BTG (London, Verenigd Koninkrijk), Boston Scientific (Marlborough, Massachusetts), en Guerbet gezondheidszorg (Villepinte, Frankrijk)
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. |