Прогнозирование лечение реакции изображений руководствуясь терапии с использованием машинного обучения: пример для транс артериальная Лечение гепатоцеллюлярной карциномы
Summary
Внутри артериальной терапии являются стандарт медицинской помощи для пациентов с гепатоцеллюлярной карциномы, которые не могут пройти хирургическая резекция. Предложен метод прогнозирования ответа на эти виды лечения. Техника использует предварительно процедурные клинических, демографические и визуализации информации для обучения машина обучения моделей, способных предсказать ответ до начала лечения.
Abstract
Внутри артериальной терапии являются стандарт медицинской помощи для пациентов с гепатоцеллюлярной карциномы, которые не могут пройти хирургическая резекция. Цель этого исследования была разработка метода для прогнозирования реакции внутри артериальной лечения до вмешательства.
Этот метод обеспечивает общие рамки для прогнозирования результатов до внутри артериальной терапии. Она включает в себя объединение клинических, демографические и визуализации данных через когорте больных и использование этих данных для обучения модели обучения машины. Обученная модель применяется для новых пациентов для того чтобы предсказать вероятность их реакции на внутри артериальной терапии.
Метод предполагает приобретение и разбора клинических, демографические и визуализации данных из N пациентов, которые уже прошли транс артериальная терапии. Эти данные анализируются в дискретных функций (возраст, пол, цирроз печени, степень повышения опухоли и т.д.) и binarized в значения true/false (например, возраст более 60, мужского пола, повышение опухоли за пределы установленного порога, и т.д.). Разница низкая функции и функции с низкой одномерных ассоциаций с результатами будут удалены. Каждое лечение пациента размечается согласно ли они ответили или не реагировать на лечение. Каждый пациент обучение таким образом представлена набором двоичных функции и метку результат. Машина модели обучения проходят подготовку с помощью N – 1 пациентов с тестированием на левой из пациента. Этот процесс повторяется для каждой из N пациентов. N модели усредняются прибыть в окончательной модели.
Методика является расширяемым и позволяет включение дополнительных функций в будущем. Это также обобщению процесс, который может применяться для клинических исследований вопросов за пределами интервенционной радиологии. Основным ограничением является необходимость вручную наследовать характеристики каждого пациента. Популярная современная форма машинного обучения называется глубокой обучения, не страдают от этого ограничения, но требует больших наборов данных.
Introduction
Пациенты с гепатоцеллюлярной карциномы, которые не являются хирургические кандидатов предлагаются внутри артериальной терапии1,2,3. Существует без один метрику, определяющую ли пациент будет реагировать внутри артериальной терапии, прежде чем лечение проводится. Целью данного исследования было продемонстрировать метод, который предсказывает реакции лечение путем применения методов машинного обучения. Такие модели служат руководством для специалистов-практиков и пациентов при выборе продолжения лечения.
Протокол предполагает воспроизводимый процесс для подготовки и обновления модели, начиная с первичных данных о пациенте (клинические примечания, демография, лабораторных данных и обработки изображений). Данные сначала анализируется для конкретных функций, с каждым пациентом, представленный набор бинарных функций и целевой меткой двоичный результат. Метке результат определяется с использованием критерия установленных ответ на основе изображений для гепатоцеллюлярной терапии4,5,6,7. Машина обучения программного обеспечения, которое узнает сопоставление функций и результатов конкретный обучения модели (логистической регрессии или случайных лесных)8,9,10передаются функции и целевых ярлыках. Подобные методы применялись в радиологии и других районах раковых исследований для диагностики и лечения предсказание11,12,13.
Этот метод адаптируется методы от компьютерных наук в области интервенционной радиологии. Традиционное значение исследования в интервенционной радиологии и медицины в целом полагаются на моно – или oligo функция анализа. Например модель для конечной стадии заболевания печени включает в себя пять клинических метрик для оценки масштабов заболевания печени. Преимущество предлагаемого метода является возможность добавления функции Либерально; в примере анализе рассматриваются особенности двадцать пять. Дополнительные функции могут быть добавлены по желанию.
Техника может применяться для других радиографический вмешательств, где имеются данные изображений до и после вмешательства. Например результаты после чрескожного лечения может быть предсказано в подобной манере. Главное ограничение этого исследования является необходимость ручной викарий функции для включения в модель. Курирование и функция извлечения данных занимает много времени для практикующего и могут препятствовать клинических принятие такой машины, обучения модели.
Protocol
Representative Results
Discussion
Пациентов с гепатоцеллюлярной карциномы, которые не являются кандидатами для хирургической резекции предлагаются внутри артериальной терапии. Некоторые методы существуют, чтобы определить, если пациент будет отвечать pre-лечение. Методы оценки после лечения зависят от изменения …
Divulgations
The authors have nothing to disclose.
Acknowledgements
А.а. получил финансовую поддержку от управления студенческих исследований, Йельской школы медицины.
L.J.S. получает субсидии от национальных институтов здоровья (NIH/NCI R01CA206180), Леопольдина докторантура стипендий и Фондом Гюнтер W. Рольф радиационной наук (Аахен, Германия).
Ж.к. получает субсидии от национальных институтов здоровья (NIH/NCI R01CA206180), Philips Healthcare и немецко-израильский фонд для научных исследований и разработок (Иерусалим, Израиль и Neuherberg, Германия); и стипендии от Фонда Гюнтер W. Рольф радиационной наук и Шарите Берлин институт здравоохранения клинической ученый программа (Берлин, Германия).
Дж.С.Д. и м.л. получать гранты от национальных институтов здоровья (NIH/NCI R01CA206180) и Philips Healthcare (лучший, Нидерланды).
J.F.G. получает субсидии от национальных институтов здоровья (NIH/NCI R01CA206180), Philips Healthcare, BTG (Лондон, Соединенное Королевство), Бостонский научная (Мальборо, Массачусетс) и Guerbet Healthcare (Вильпент, Франция)
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).
