Intraarteriel behandlingsformer er standard for pleje til patienter med hepatocellulært carcinom, der ikke kan gennemgå kirurgisk resektion. En metode til at forudsige svar til disse behandlinger er foreslået. Teknikken bruger pre proceduremæssige kliniske, demografiske og billeddiagnostiske oplysninger for at træne maskinen læringsmodeller i stand til at forudsige svar inden behandling.
Intraarteriel behandlingsformer er standard for pleje til patienter med hepatocellulært carcinom, der ikke kan gennemgå kirurgisk resektion. Formålet med denne undersøgelse var at udvikle en metode til at forudsige svar på intraarteriel behandling inden intervention.
Metoden giver en generel ramme for at forudsige resultater før intraarteriel terapi. Det drejer sig om sammenlægning kliniske, demografiske og billeddiagnostiske data på tværs af en kohorte af patienter og bruger disse data til at træne en machine learning model. Den uddannede model anvendes på nye patienter for at forudsige sandsynligheden af svar til intraarteriel terapi.
Metoden indebærer erhvervelse og parsing af kliniske, demografiske og billeddiagnostiske data fra N patienter, der allerede har gennemgået trans-arteriel behandlingsformer. Disse data er analyseret i diskrete funktioner (alder, køn, skrumpelever, graden af tumor ekstraudstyr, osv.) og binarized til sand/falsk værdier (f.eks. alder over 60, mandlige køn, tumor ekstraudstyr ud over et sæt tærskel, osv.). Lav varians funktioner og funktioner med lav inputområdet foreninger med resultatet er fjernet. Hver behandlede patienten er mærket efter om de har reageret eller ikke reagerer på behandling. Hver uddannelse patienten er således repræsenteret ved et sæt af binære funktioner og en resultatet etiket. Maskinen læringsmodeller er uddannet ved hjælp af N – 1 patienter med test på venstre-out patient. Denne proces gentages for hver af N patienterne. N -modellerne er gennemsnit for at nå frem til en endelig model.
Teknikken kan udvides og giver mulighed for optagelse af yderligere funktioner i fremtiden. Det er også et generaliserbart proces, der kan anvendes til klinisk forskningsspørgsmål uden for interventionel radiologi. Den største begrænsning er behovet for at udlede funktioner manuelt fra hver patient. En populær moderne form af maskinen læring kaldes dyb kræver læring ikke lider af denne begrænsning, men større datasæt.
Patienter med hepatocellulært carcinom, som ikke er kirurgiske kandidater tilbydes intraarteriel terapier1,2,3. Der er ingen enkelt metrikværdi, der afgør om en patient vil reagere på en intraarteriel terapi før behandling administreres. Formålet med denne undersøgelse var at vise en metode, der forudsiger behandlingsrespons ved at anvende metoder fra maskinen læring. Sådanne modeller give vejledning til praktiserende læger og patienter ved at vælge, om at gå videre med en behandling.
Protokollen indebærer en reproducerbar proces for erhvervsuddannelse og opdaterer en model fra primære patientdata (kliniske noter, demografi, laboratoriedata og billedbehandling). Dataene er i første omgang parset for bestemte funktioner, med hver patient, repræsenteret ved et sæt af binære funktioner og en binære resultat mål etiket. Resultatet etiketten bestemmes ved hjælp en etablerede imaging-baserede svar kriterium for hepatocellulært terapi4,5,6,7. Funktioner og mål etiketterne videregives til maskinen læring software, der lærer tilknytningen mellem funktioner og resultater under en bestemt læring model (logistisk regression eller tilfældige skov)8,9,10. Lignende teknikker har været anvendt i radiologi og andre områder af kræftforskning for diagnose og behandling forudsigelse11,12,13.
Metoden, der tilpasser teknikker fra datalogi til inden for interventionel radiologi. Traditionelle betydning undersøgelser i interventionel radiologi og medicin i almindelighed, afhængige af mono – eller oligo-funktionen analyser. For eksempel, omfatter Model for slutstadiet leveren sygdom fem kliniske målinger for at vurdere omfanget af leversygdom. Fordelen ved den foreslåede metode er muligheden for at tilføje funktioner rigeligt; tyve-fem funktioner betragtes i eksempel analyse. Ekstra funktioner kan tilføjes som ønsket.
Teknikken kan anvendes på øvrige radiografiske interventioner hvor før og efter intervention billeddiagnostiske data er tilgængelige. For eksempel kunne resultater efter perkutan behandlinger forudsiges på samme måde. Den største begrænsning af undersøgelsen er nødvendigheden af at manuel kapellan funktioner til optagelse i modellen. Dataudtræk datasikring og funktion er tidskrævende for den praktiserende læge og kan hæmme kliniske vedtagelsen af sådanne maskinen læring modeller.
Patienter med hepatocellulært carcinom, der ikke er kandidater til kirurgisk resektion tilbydes intraarteriel behandlingsformer. Få metoder eksisterer for at bestemme, hvis en patient vil reagere pre-behandling. Efterbehandling evalueringsteknikker afhængige af ændringer i tumorstørrelse eller tumor kontrast optagelse. Disse kaldes svar kriterier, med de mest præcise er kvantitative European Association for studiet af leveren (qEASL) kriterium. qEASL er afhængig af både volumetrisk og ekstraudstyr ændri…
The authors have nothing to disclose.
A.A. modtog finansiering støtte fra Office Student forskning, Yale School of Medicine.
L.J.S. modtager tilskud fra National Institutes of Health (NIH/NCI R01CA206180), Leopoldina postdoc stipendium, og Rolf W. Guenther Foundation i radiologisk videnskab (Aachen, Tyskland).
J.C. modtager tilskud fra National Institutes of Health (NIH/NCI R01CA206180), Philips Healthcare og det tysk-israelske Institut for videnskabelig forskning og udvikling (Jerusalem, Israel og Neuherberg, Tyskland); og stipendier fra Rolf W. Guenther Foundation radiologiske Naturvidenskabernes og de Charite Berlin Institute of sundhed kliniske videnskabsmand Program (Berlin, Tyskland).
J.S.D. og M.L. modtager tilskud fra National Institutes of Health (NIH/NCI R01CA206180) og Philips Healthcare (bedste, Nederlandene).
J.F.G. modtager tilskud fra National Institutes of Health (NIH/NCI R01CA206180), Philips Healthcare, BTG (London, Storbritannien), Boston Scientific (Marlborough, Massachusetts), og Guerbet Healthcare (Villepinte, Frankrig)
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. |