Algoritmos de aprendizagem de máquina para detecção precoce de metástases ósseas em um modelo experimental de ratos
Summary
Este protocolo foi projetado para treinar um algoritmo de aprendizagem de máquina para usar uma combinação de parâmetros de imagem derivados de ressonância magnética (MrI) e tomografia/tomografia computadorizada de emissão de pósitrons (PET/CT) em um modelo de rato de metástases ósseas de câncer de mama para detectar doenças metastáticas precoces e prever a progressão subsequente para macrometastases.
Abstract
Algoritmos de aprendizagem de máquina (ML) permitem a integração de diferentes características em um modelo para realizar tarefas de classificação ou regressão com uma precisão superior aos seus constituintes. Este protocolo descreve o desenvolvimento de um algoritmo ML para prever o crescimento das macrometastases ósseas do câncer de mama em um modelo de rato antes que quaisquer anormalidades sejam observáveis com métodos de imagem padrão. Tal algoritmo pode facilitar a detecção de doenças metastáticas precoces (ou seja, micrometastase) que é regularmente perdida durante os exames de estadiamento.
O modelo de metástase aplicada é específico do local, o que significa que os ratos desenvolvem metástases exclusivamente em sua perna traseira direita. A taxa de captação de tumores do modelo é de 60%-80%, com macrometastases se tornando visíveis em ressonância magnética (RM) e tomografia/tomografia computadorizada de emissão de pósitrons (PET/TC) em um subconjunto de animais 30 dias após a indução, enquanto um segundo subconjunto de animais não apresenta crescimento tumoral.
A partir de exames de imagem adquiridos em um momento anterior, este protocolo descreve a extração de características que indicam vascularização tecidual detectada pela Ressonância Magnética, metabolismo de glicose por PET/CT, e a subsequente determinação das características mais relevantes para a previsão da doença macrometastática. Essas características são então alimentadas em uma rede neural mediana de modelos (avNNet) para classificar os animais em um dos dois grupos: um que desenvolverá metástases e outro que não desenvolverá tumores. O protocolo também descreve o cálculo dos parâmetros de diagnóstico padrão, como precisão geral, sensibilidade, especificidade, valores preditivos negativos/positivos, razões de probabilidade e o desenvolvimento de uma característica operacional receptora. Uma vantagem do protocolo proposto é sua flexibilidade, pois ele pode ser facilmente adaptado para treinar uma infinidade de diferentes algoritmos ML com combinações ajustáveis de um número ilimitado de recursos. Além disso, pode ser usado para analisar diferentes problemas em oncologia, infecção e inflamação.
Introduction
O objetivo deste protocolo é integrar vários parâmetros de imagem funcional da Ressonância Magnética e PET/CT em um algoritmo ML de rede neural mediana de modelo (avNNet). Este algoritmo prevê o crescimento de macrometastases em um modelo de rato de metástases ósseas de câncer de mama em um ponto de tempo inicial, quando as alterações macroscópicas dentro do osso ainda não são visíveis.
Antes do crescimento das macrometastases, ocorre uma invasão de medula óssea de células tumorais disseminadas, comumente referida como doença micrometastática1,2. Esta invasão inicial pode ser considerada um passo inicial na doença metastática, mas é tipicamente perdida durante os exames convencionais3,4. Embora as modalidades de imagem disponíveis atualmente não possam detectar a microinvasão da medula óssea quando utilizadas sozinhas, uma combinação de parâmetros de imagem que produzem informações sobre vascularização e atividade metabólica tem sido demonstrada para ter melhor desempenho5. Esse benefício complementar é obtido combinando diferentes parâmetros de imagem em um avNNet, que é um algoritmo ML. Tal avNNet permite a previsão confiável da formação de macrometastases ósseas antes que quaisquer metástases visíveis estejam presentes. Portanto, a integração de biomarcadores de imagem em um avNNet poderia servir como parâmetro substituto para microinvasão de medula óssea e doença metastática precoce.
Para desenvolver o protocolo, foi utilizado um modelo previamente descrito de metástases ósseas de câncer de mama em ratos nus6,,7,8. A vantagem deste modelo é sua especificidade do local, o que significa que os animais desenvolvem metástases ósseas exclusivamente em sua perna traseira direita. No entanto, a taxa de tomada de tumores dessa abordagem é de 60%-80%, de modo que um número considerável de animais não desenvolve metástases durante o estudo. Utilizando modalidades de imagem como ressonância magnética e PET/CT, a presença de metástases é detectável a partir do dia 30 de pós-injeção (PI). Em momentos anteriores (por exemplo, 10 PI) a imagem não distingue entre animais que desenvolverão doença metastática e aqueles que não irão(Figura 1).
Um avNNet treinado em parâmetros funcionais de imagem adquiridos no dia 10 PI, conforme descrito no protocolo a seguir, prevê ou exclui de forma confiável o crescimento das macrometastases nas próximas ~3 semanas. Redes Neurais combinam nódulos artificiais em diferentes camadas. No protocolo do estudo, os parâmetros de imagem funcional para o fornecimento de sangue de medula óssea e a atividade metabólica representam a camada inferior, enquanto a previsão de malignidade representa a camada superior. Uma camada intermediária adicional contém nós ocultos que estão conectados tanto à camada superior quanto à inferior. A força das conexões entre os diferentes nós é atualizada durante o treinamento da rede para realizar a respectiva tarefa de classificação com alta precisão9. A precisão de tal rede neural pode ser aumentada ainda mais pela média das saídas de vários modelos, resultando em um avNNet10.
Protocol
Representative Results
Discussion
Algoritmos ML são ferramentas poderosas usadas para integrar vários recursos preditivos em um modelo combinado e obter uma precisão que excede a de seus constituintes separados quando usados sozinhos. No entanto, o resultado real depende de várias etapas críticas. Primeiro, o algoritmo ML usado é um fator crucial, porque diferentes algoritmos ML produzem resultados diferentes. O algoritmo usado neste protocolo é um avNNet, mas outros algoritmos promissores incluem Extreme Gradient Boosting21</sup…
Divulgazioni
The authors have nothing to disclose.
Acknowledgements
Este trabalho foi apoiado pela Fundação Alemã de Pesquisa (DFG, Centro de Pesquisa Colaborativa CRC 1181, subprojeto Z02; Programa Prioritário μBone, projetos BA 4027/10-1 e BO 3811), incluindo suporte adicional para os dispositivos de digitalização (INST 410/77-1 FUGG e INST 410/93-1 FUGG), e pela Iniciativa campos emergentes (EFI) “Big Thera” da Friedrich-Alexander-University Erlangen-Nürnberg.
Materials
| Binocular Operating Microscope | Leica | NA | |
| ClinScan MR System | Bruker | NA | |
| DICOM Viewer | Horos | NA | www.horosproject.org |
| Excel: Spreadsheet | Microsoft | NA | |
| FCS | Sigma | F2442-500ML | |
| Gadovist | Bayer-Schering | NA | |
| Inveon PET/CT | Siemens | NA | |
| Inveon Research Workplace Software | Siemens Healthcare GmbH | NA | |
| IVIS Spectrum | PerkinElmer | NA | |
| MDA-MB-231 human breast cancer cells | American Type Culture Collection | N/A | |
| Open-source data visualization, machine learning and data mining toolkit. | Orange3, University of Ljubljana | NA | https://orange.biolab.si/ |
| RPMI-1640 | Invitrogen/ThermoFisher | 11875093 | |
| Trypsin | Sigma | 9002-07-7 | |
| Vevo 3100 | VisualSonics | NA |
Riferimenti
- D’Oronzo, S., Brown, J., Coleman, R. The role of biomarkers in the management of bone-homing malignancies. Journal of Bone Oncology. 9, 1-9 (2017).
- Ellmann, S., Beck, M., Kuwert, T., Uder, M., Bäuerle, T. Multimodal imaging of bone metastases: From preclinical to clinical applications. Journal of Orthopaedic Translation. 3 (4), 166-177 (2015).
- Braun, S., Pantel, K. Clinical significance of occult metastatic cells in bone marrow of breast cancer patients. The Oncologist. 6 (2), 125-132 (2001).
- Braun, S., Rosenberg, R., Thorban, S., Harbeck, N. Implications of occult metastatic cells for systemic cancer treatment in patients with breast or gastrointestinal cancer. Seminars in surgical oncology. 20 (4), 334-346 (2001).
- Ellmann, S., et al. Prediction of early metastatic disease in experimental breast cancer bone metastasis by combining PET/CT and MRI parameters to a Model-Averaged Neural Network. Bone. 120, 254-261 (2018).
- Bäuerle, T., Komljenovic, D., Berger, M. R., Semmler, W. Multi-modal imaging of angiogenesis in a nude rat model of breast cancer bone metastasis using magnetic resonance imaging, volumetric computed tomography and ultrasound. Journal of Visualized Experiments. (66), e4178 (2012).
- Merz, M., Komljenovic, D., Semmler, W., Bäuerle, T. Quantitative contrast-enhanced ultrasound for imaging antiangiogenic treatment response in experimental osteolytic breast cancer bone metastases. Investigative Radiology. 47 (7), 422-429 (2012).
- Bäuerle, T., et al. Characterization of a rat model with site-specific bone metastasis induced by MDA-MB-231 breast cancer cells and its application to the effects of an antibody against bone sialoprotein. International Journal of Cancer. 115 (2), 177-186 (2005).
- Patel, J., Goyal, R. Applications of Artificial Neural Networks in Medical Science. Current Clinical Pharmacology. 2 (3), 217-226 (2008).
- Naftaly, U., Intrator, N., Horn, D. Optimal ensemble averaging of neural networks. Network: Computation in Neural Systems. 8 (3), 283-296 (1997).
- Bäuerle, T., Merz, M., Komljenovic, D., Zwick, S., Semmler, W. Drug-induced vessel remodeling in bone metastases as assessed by dynamic contrast enhanced magnetic resonance imaging and vessel size imaging: A longitudinal in vivo study. Clinical Cancer Research. 16 (12), 3215-3225 (2010).
- Cheng, C., et al. Evaluation of treatment response of cilengitide in an experimental model of breast cancer bone metastasis using dynamic PET with 18F-FDG. Hellenic Journal of Nuclear Medicine. 14 (1), 15-20 (2011).
- Marturano-Kruik, A., et al. Human bone perivascular niche-on-a-chip for studying metastatic colonization. Proceedings of the National Academy of Sciences of the United States of America. 115 (6), 1256-1261 (2018).
- Sonntag, E., et al. In vivo proof-of-concept for two experimental antiviral drugs, both directed to cellular targets, using a murine cytomegalovirus model. Antiviral Research. 161, 63-69 (2019).
- . Horos – Free DICOM Medical Image Viewer | Open-Source Available from: https://www.horosproject.org/ (2015)
- . RStudio Team RStudio: Inteegrated Development for R Available from: https://rstudio.com (2015)
- Demšar, J., et al. Orange: Data Mining Toolbox in Python. Journal of Machine Learning Research. 14, 2349-2353 (2013).
- Saeys, Y., Inza, I., Larrañaga, P. A review of feature selection techniques in bioinformatics. Bioinformatics. 23 (19), 2507-2517 (2007).
- . CRAN – Package caret Available from: https://cran.r-project.org/web/packages/caret/index.html (2016)
- . CRAN: Package xgboost – Extreme Gradient Boosting Available from: https://cran.r-project.org/web/packages/xgboost/ (2019)
- Fernández-Delgado, M., Cernadas, E., Barro, S., Amorim, D., Fernández-Delgado, A. Do we Need Hundreds of Classifiers to Solve Real World Classification Problems. Journal of Machine Learning Research. 15, 3133-3181 (2014).
- Hira, Z. M., Gillies, D. F. A Review of Feature Selection and Feature Extraction Methods Applied on Microarray Data. Advances in Bioinformatics. 2015, 198363 (2015).
- Sánchez-Maroño, N., Alonso-Betanzos, A., Tombilla-Sanromán, M. Filter methods for feature selection – A comparative study. Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics). 4881, 178-187 (2007).
- Cawley, G. C., Talbot, N. L. C. C. Fast exact leave-one-out cross-validation of sparse least-squares support vector machines. Neural Network. 17 (10), 1467-1475 (2004).
- Forghani, R., et al. Radiomics and Artificial Intelligence for Biomarker and Prediction Model Development in Oncology. Computational and Structural Biotechnology Journal. 17, 995-1008 (2019).
- Jaffe, C. C. Measures of response: RECIST, WHO, and new alternatives. Journal of Clinical Oncology Official Journal of the American Society of Clinical Oncology. 24 (20), 3245-3251 (2006).
- Lambin, P., et al. Radiomics: Extracting more information from medical images using advanced feature analysis. European Journal of Cancer. 48 (4), 441-446 (2012).
- Gillies, R. J., Kinahan, P. E., Hricak, H. Radiomics: Images are more than pictures, they are data. Radiology. 278 (2), 563-577 (2016).
- Nioche, C., et al. Lifex: A freeware for radiomic feature calculation in multimodality imaging to accelerate advances in the characterization of tumor heterogeneity. Ricerca sul cancro. 78 (16), 4786-4789 (2018).
- Ellmann, S., et al. Application of machine learning algorithms for multiparametric MRI-based evaluation of murine colitis. PLOS ONE. 13 (10), 0206576 (2018).
