التنبؤ بالاستجابة للمعالجة للعلاجات الموجهة بصورة باستخدام آلة التعلم: مثال لمعاملة ترانس-الشرياني سرطانه الخلية الكبدية
Summary
العلاج داخل الشرايين هي معيار الرعاية للمرضى المصابين بسرطانه الخلية الكبدية الذين لا يمكن الخضوع للاستئصال الجراحي. ويقترح طريقة للتنبؤ بالاستجابة لهذه العلاجات. يستخدم التقنية المعلومات الإجرائية قبل السريرية والديموغرافية، والتصوير لتدريب نماذج التعلم آلة قادرة على التنبؤ باستجابة قبل المعالجة.
Abstract
العلاج داخل الشرايين هي معيار الرعاية للمرضى المصابين بسرطانه الخلية الكبدية الذين لا يمكن الخضوع للاستئصال الجراحي. وكان الهدف من هذه الدراسة لتطوير طريقة للتنبؤ باستجابة للعلاج داخل الشرايين قبل التدخل.
الأسلوب الذي يوفر إطارا عاماً للتنبؤ بنتائج قبل العلاج داخل الشرايين. أنها تنطوي على تجميع البيانات السريرية والديموغرافية والتصوير عبر مجموعة مرضى واستخدام هذه البيانات لتدريب نموذج تعلم آلة. يتم تطبيق نموذج تدريب للمرضى الجدد بغية التنبؤ باحتمال استجابة للعلاج داخل الشرايين.
الأسلوب الذي ينطوي على اقتناء وتحليل البيانات السريرية والديموغرافية والتصوير من ن المرضى الذين خضعوا للعلاج الشرياني عبر الفعل. هذه البيانات يتم تحليل السمات المنفصلة (العمر، الجنس، تليف الكبد، ودرجة تعزيز الورم، و ما إلى ذلك) وبيناريزيد إلى القيم true/false (مثلاً العمر على مدى 60، الجنس، تعزيز الورم يتجاوز عتبة مجموعة، إلخ). تتم إزالة الميزات منخفضة-الفرق والميزات مع رابطات وحيد المتغير المنخفض مع النتائج. تتم تسمية كل مريض المعالجة وفقا لما إذا كانت استجابت أو لم تستجب للعلاج. وهكذا يمثل كل مريض التدريب مجموعة من ميزات ثنائي وتسمية نتائج. ويتم تدريب نماذج التعلم آلة استخدام N -1 المرضى المصابين بالفحص على المريض من اليسار. يتم تكرار هذه العملية لكل من المرضى N . يتم حساب متوسط نماذج ن التوصل إلى نموذج نهائي.
التقنية قابلة للتوسعة، ويمكن إدراج ميزات إضافية في المستقبل. كما أنها عملية التعميم التي يمكن تطبيقها على أسئلة البحث السريري خارج الأشعة التداخلية. القيد الرئيسي هو الحاجة إلى استخلاص السمات يدوياً من كل مريض. نموذج شعبية حديثة للتعلم آلة تسمى العميق التعلم لا يعانون من هذا القيد، لكنها تتطلب مجموعات البيانات الكبيرة.
Introduction
وتقدم المرضى المصابين بسرطانه الخلية الكبدية الذين ليسوا مرشحين الجراحية العلاج داخل الشرياني1،،من23. لا يوجد أي متري واحد أن يحدد ما إذا كان مريض سيستجيب لعلاج داخل الشرايين قبل أن تتولى العلاج. وكان الهدف من هذه الدراسة لبيان أسلوب الذي تتوقع الاستجابة للمعالجة بتطبيق أساليب من آلة التعلم. هذه النماذج توفر التوجيه للممارسين والمرضى عند اختيار ما إذا كنت تريد المتابعة مع علاج.
البروتوكول يستلزم عملية استنساخه لتدريب وتحديث نموذج بدءاً من بيانات المريض الأساسية (الملاحظات السريرية والديموغرافية والبيانات المختبرية والتصوير). في البداية يتم تحليل البيانات لميزات معينة، مع كل مريض ممثلة بمجموعة من الميزات ثنائي وتسمية هدف نتائج ثنائي. تحدد التسمية نتائج باستخدام معيار استجابة المنشأة على أساس تصوير كبدية العلاج4،5،،من67. الميزات والتسميات الهدف يتم تمريرها إلى برامج تعلم آلة أن يتعلم التعيين بين الميزات ونتائج في إطار محدد التعلم نموذج (الانحدار اللوجستي أو الغابات العشوائية)8،،من910. جرى تطبيق تقنيات مماثلة في الأشعة ومجالات أخرى لأبحاث السرطان للتشخيص والعلاج التنبؤ11،،من1213.
الطريقة تكيف التقنيات من علوم الكمبيوتر إلى مجال الأشعة التداخلية. الدراسات أهمية التقليدية في الأشعة التداخلية، والطب بشكل عام، تعتمد على تحليلات ميزة أحادية أو اليغو. على سبيل المثال، يتضمن نموذجا لنهاية مرحلة “مرض الكبد” خمسة مقاييس السريرية لتقييم مدى انتشار مرض الكبد. الاستفادة الطريقة المقترحة هو القدرة على إضافة ميزات تحرر؛ وتعتبر ميزات خمسة وعشرون في تحليل المثال. ويمكن إضافة ميزات إضافية حسب المطلوب.
يمكن تطبيق التقنية للتدخلات الشعاعية الأخرى التي تتوفر فيها بيانات التصوير قبل وبعد التدخل. على سبيل المثال، يمكن التنبؤ بالنتائج بعد العلاج عن طريق الجلد بطريقة مماثلة. القيد الرئيسي من الدراسة هو الحاجة إلى ميزات كاهن اليدوي لإدراجها في النموذج. استخراج البيانات curation وميزة تستغرق وقتاً طويلاً للممارسين وقد تعوق اعتماد السريرية للجهاز مثل نماذج التعلم.
Protocol
Representative Results
Discussion
وتقدم المرضى المصابين بسرطانه الخلية الكبدية الذين ليسوا مرشحين للاستئصال الجراحي العلاج داخل الشرايين. توجد أساليب عدة لتحديد إذا كان مريض سيستجيب قبل-العلاج. تقنيات التقييم بعد العلاج تعتمد على التغييرات في حجم الورم أو الإقبال على النقيض الورم. وتسمى هذه المعايير الاستجابة، مع ك…
Disclosures
The authors have nothing to disclose.
Acknowledgements
أ. أ. تلقي الدعم التمويلي من “مكتب بحوث الطلاب”، كلية الطب بجامعة ييل.
L.J.S. تتلقى منحا من المعاهد الوطنية للصحة (المعاهد الوطنية للصحة/NCI R01CA206180)، ليوبولدينا زمالات ما بعد الدكتوراه، ومؤسسة غينتر دبليو رولف العلوم الإشعاعية (آخن، ألمانيا).
كيركراده تتلقى منحا من المعاهد الوطنية للصحة (المعاهد الوطنية للصحة/NCI R01CA206180)، فيليبس للرعاية الصحية، والمؤسسة الألمانية-الإسرائيلية للبحث العلمي والتطوير (القدس، إسرائيل ونيوهيربيرج، ألمانيا)؛ ومنح دراسية من مؤسسة غينتر دبليو رولف “العلوم الإشعاعية” و “شاريت برلين معهد للصحة السريرية عالم البرنامج” (برلين، ألمانيا).
دكتوراه، وحركة التحرير تتلقى منحا من المعاهد الوطنية للصحة (المعاهد الوطنية للصحة/NCI R01CA206180) والرعاية الصحية فيليبس (أفضل، هولندا).
J.F.G. وتتلقى منحا من المعاهد الوطنية للصحة (المعاهد الوطنية للصحة/NCI R01CA206180)، فيليبس للرعاية الصحية، BTG (لندن، المملكة المتحدة)، بوسطن العلمية (مارلبورو، ماساتشوستس)، والرعاية الصحية جربة (Villepinte، فرنسا)
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).
