用机器学习预测图像引导疗法的治疗反应--肝细胞癌的跨动脉治疗实例
Summary
动脉内治疗是不能接受手术切除的肝癌患者的护理标准。提出了一种预测这些疗法反应的方法。该技术使用预先程序的临床、人口学和影像学信息来训练能够预测治疗前反应的机器学习模型。
Abstract
动脉内治疗是不能接受手术切除的肝癌患者的护理标准。本研究的目的是建立一种预测干预前动脉内治疗反应的方法。
该方法为预测动脉内治疗前的结局提供了一个总体框架。它包括将临床、人口统计学和影像学数据汇集到一群病人身上, 并利用这些数据来训练机器学习模式。训练后的模型应用于新的患者, 以预测其对动脉内治疗反应的可能性。
该方法需要对已经经历过动脉治疗的N名患者的临床、人口学和影像学数据进行采集和分析。这些数据被分析成离散的特征 (年龄, 性别, 肝硬化, 肿瘤增强程度等) 和二值化成真/假价值 (例如,年龄超过 60, 男性性别, 肿瘤增强超过设定阈值等)。低方差特征和特征与结果的低单变量关联被去除。每个被治疗的患者根据他们是否反应或没有对治疗的反应被标记。因此, 每个训练病人都由一组二进制特征和结果标签表示。机器学习模型是通过对左外病人的1例患者进行训练的。这一过程是重复为每一个N患者。N模型平均到达最后的模型。
该技术是可扩展的, 可以在将来包含其他功能。这也是一个推广的过程, 可用于临床研究问题以外的介入放射学。主要的限制是需要从每个病人手动提取功能。一种流行的现代形式的机器学习称为深入学习不受此限制, 但需要更大的数据集。
Introduction
肝细胞癌患者非手术候选者, 提供动脉内治疗1,2,3。没有单一的指标确定患者是否会在治疗前对动脉内的治疗作出反应。本研究的目的是演示一种方法, 预测治疗反应的应用方法, 从机器学习。这些模型为医生和病人选择是否进行治疗提供指导。
该协议需要一个可重复的过程, 用于培训和更新从初级患者数据 (临床笔记、人口统计学、实验室数据和成像) 开始的模型。最初为特定功能分析数据, 每个患者由一组二进制特征和二进制结果目标标签表示。结果标签是确定使用建立的基于成像的反应标准的肝细胞治疗4,5,6,7。这些功能和目标标签被传递给机器学习软件, 在特定学习模式 (逻辑回归或随机林)8、9、10中学习特征和结果之间的映射。类似的技术已经应用于放射学和其他癌症研究领域的诊断和治疗预测11,12,13。
该方法将计算机科学技术应用于介入放射学领域。传统意义上的介入放射学研究和医学一般依赖于单或寡聚特征分析。例如, 终末期肝病的模型纳入了五临床指标, 以评估肝病的程度。建议的方法的好处是能宽松地增加特征;在示例分析中考虑了二十五项功能。可以按需要添加其他功能。
该技术可应用于其他影像干预, 在这些放射治疗前和干预后的成像数据可用。例如, 经皮治疗后的结局可以用类似的方式预测。这项研究的主要局限是需要手工的副牧师特征纳入模型。数据精选和特征抽取对于从业者来说是耗时的, 可能会阻碍这种机器学习模式的临床应用。
Protocol
Representative Results
Discussion
非手术切除的肝癌患者, 均提供动脉内治疗。很少有方法来确定病人是否会做出治疗前的反应。治疗后评估技术依赖于肿瘤大小或肿瘤对比吸收的变化。这些被称为反应标准, 最准确的是定量欧洲协会为研究肝脏 (qEASL) 标准。qEASL 依赖于体积和增强变化后的治疗, 以预测的可能性反应。尽管 qEASL 的优势, 但它仍然是治疗后评价标准, 不能帮助治疗计划。
有必要评估哪些病…
Divulgations
The authors have nothing to disclose.
Acknowledgements
他获得了耶鲁医学院学生研究办公室的资助。
L.J.S. 获得来自国立卫生研究院 (NIH/R01CA206180)、Leopoldina 博士后奖学金和贡德放射科学基金会 (德国亚琛) 的赠款。
国家卫生研究院 (NIH/R01CA206180)、飞利浦医疗机构和德国-以色列科研开发基金会 (耶路撒冷、以色列和德国 Neuherberg) 获得赠款;以及来自贡德辐射科学基金会和拉维埃耶柏林健康临床科学家计划 (德国柏林) 的奖学金。
J.S.D. 和 M.L. 获得国立卫生研究院 (NIH/R01CA206180) 和飞利浦医疗 (荷兰最好) 的赠款。
J.F.G. 获得国立卫生研究院 (NIH/R01CA206180)、飞利浦医疗、BTG (伦敦、英国)、波士顿科学 (马尔伯勒、马萨诸塞州) 和支链医疗保健 (维勒班特、法国) 的赠款。
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. |
References
- 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).
