Att förutspå behandlingssvar bild-guidad terapier använder Machine Learning: ett exempel för Trans-arteriell behandling av Hepatocellulär cancer
Summary
Intraarteriell behandlingar är standardbehandling för patienter med Hepatocellulär cancer som inte kan genomgå kirurgisk resektion. En metod för att förutsäga svar på dessa terapier föreslås. Tekniken använder pre kliniska, demografiska och imaging Procedurinformation för att träna maskinmodeller lärande kan förutsäga svar före behandling.
Abstract
Intraarteriell behandlingar är standardbehandling för patienter med Hepatocellulär cancer som inte kan genomgå kirurgisk resektion. Syftet med denna studie var att utveckla en metod för att förutsäga svar på intraarteriell behandling före interventionen.
Metoden ger en allmän ram för förutsäga resultat före intraarteriell behandling. Det handlar om poolning imaging, kliniska och demografiska data över en kohort av patienter och använder dessa data för att utbilda en machine learning-modell. Den utbildade modellen tillämpas på nya patienter för att förutsäga sannolikheten för intraarteriell behandlingssvaret.
Metoden innebär att förvärv och parsning av imaging, kliniska och demografiska data från N patienter som redan genomgått trans-arteriell terapier. Dessa data är tolkas till diskreta funktioner (ålder, kön, cirros, grad av tumören enhancement, etc.) och binarized till sant/falskt-värden (t.ex. ålder över 60, manligt kön, tumör förbättring utöver en inställd tröskel, etc.). Låg-variance funktioner och funktioner med låg univariat föreningar med resultatet tas bort. Varje behandlad patient är märkt beroende på om de svarat eller inte svarade på behandling. Varje utbildning patient representeras alltså av en uppsättning binära funktioner och en etikett som resultat. Machine learning-modeller är utbildade med N – 1 patienter med tester på vänster ut patienten. Denna process upprepas för varje N patienterna. De N -modellerna är i genomsnitt för att ankomma på en sista modell.
Tekniken är utökningsbar och möjliggör integration av ytterligare funktioner i framtiden. Det är också en generaliserbara process som kan tillämpas på kliniska frågeställningar utanför interventionell radiologi. Den största begränsningen är behovet av att härleda funktioner manuellt från varje patient. En populär modern form av machine learning kallas djupa kräver lärande inte lider av denna begränsning, men större datamängder.
Introduction
Patienter med Hepatocellulär cancer som inte är kirurgisk kandidater erbjuds intraarteriell terapier1,2,3. Det finns ingen enda mått som avgör om en patient kommer att svara på en intraarteriell behandling innan behandling ges. Syftet med denna studie var att visa en metod som förutspår behandlingssvar genom att tillämpa metoder från maskininlärning. Sådana modeller ger vägledning till läkare och patienter när du väljer om du vill fortsätta med en behandling.
Protokollet innebär en reproducerbar process för utbildning och uppdatera en modell från primära patientdata (kliniska anteckningar, demografi, laboratoriedata och imaging). Data analyserats från början för specifika funktioner, med varje patient som representeras av en uppsättning binära funktioner och ett binärt utfall måletikett. Resultatet etiketten bestäms med hjälp av en etablerad imaging-baserade svar kriterium för hepatocellulär terapi4,5,6,7. Funktioner och målet etiketter överförs till maskinen lärande programvara som lär sig mappningen mellan funktioner och resultat under en specifik lärande modell (Logistisk regression eller random forest)8,9,10. Liknande metoder har tillämpats inom radiologi och andra områden av cancerforskning för diagnos och behandling prognos11,12,13.
Metoden anpassar tekniker från datavetenskap till fältet i interventionell radiologi. Traditionella betydelsen studier i interventionell radiologi och medicin i allmänhet lita på mono – eller oligo-funktionen analyser. Modellen för slutstadiet lever sjukdom innehåller till exempel fem kliniska mätvärden för att bedöma omfattningen av leversjukdom. Förmån för den föreslagna metoden är möjligheten att lägga till funktioner frikostigt; tjugofem funktioner anses i exempel analysen. Ytterligare funktioner kan läggas som önskat.
Tekniken kan tillämpas på andra radiografisk insatser där det finns före och efter intervention imaging data. Exempelvis kan utfall efter perkutan behandlingar förutsägas på ett liknande sätt. Den största begränsningen av studien är att behöva manuell kyrkoadjunkt funktioner för att ingå i modellen. Samlingsvård och funktionen datautvinning är tidskrävande för utövaren och kan hindra klinisk antagandet av sådana machine learning-modeller.
Protocol
Representative Results
Discussion
Patienter med Hepatocellulär cancer som inte är kandidater för kirurgisk resektion erbjuds intraarteriell terapier. Det finns några metoder för att avgöra om en patient kommer att svara pre-behandling. Efter behandling utvärderingsmetoder är beroende av förändringar i tumörens storlek eller tumör kontrast upptag. Dessa kallas svarskriterierna, med den mest korrekta är kvantitativa European Association for studiet av kriteriet levern (qEASL). qEASL bygger på både volymetrisk och förbättring för?…
Divulgations
The authors have nothing to disclose.
Acknowledgements
A.A. fått finansieringsstöd av Office för Student forskning, Yale School of Medicine.
L.J.S. får anslag från National Institutes of Health (NIH/NCI R01CA206180) och Leopoldina postdoktorsstipendium Rolf W. Guenther Foundation för radiologiska vetenskaper (Aachen, Tyskland).
J.C. får anslag från National Institutes of Health (NIH/NCI R01CA206180), Philips Healthcare och tyska-israeliska stiftelsen för vetenskaplig forskning och utveckling (Jerusalem, Israel och Wageningen, Tyskland); och stipendier från Rolf W. Guenther Foundation av radiologiska vetenskaper och det Charite Berlin institutet av kliniska forskare hälsoprogram (Berlin, Tyskland).
J.S.D. och M.L. får bidrag från National Institutes of Health (NIH/NCI R01CA206180) och Philips Healthcare (Best, Nederländerna).
J.F.G. får anslag från National Institutes of Health (NIH/NCI R01CA206180), Philips Healthcare, BTG (London, Storbritannien), Boston Scientific (Marlborough, Massachusetts), och Guerbet Healthcare (Villepinte, Frankrike)
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).
