Algorithmes d’apprentissage automatique pour la détection précoce des métastases osseuses dans un modèle de rat expérimental
Summary
Ce protocole a été conçu pour former un algorithme d’apprentissage automatique à utiliser une combinaison de paramètres d’imagerie dérivés de l’imagerie par résonance magnétique (IRM) et de la tomographie par émission de positrons/tomographie calculée (PET/CT) dans un modèle de rat de métastases osseuses du cancer du sein pour détecter la maladie métastatique précoce et prédire la progression ultérieure des macrométastases.
Abstract
Les algorithmes d’apprentissage automatique (ML) permettent l’intégration de différentes fonctionnalités dans un modèle pour effectuer des tâches de classification ou de régression avec une précision supérieure à ses constituants. Ce protocole décrit le développement d’un algorithme de ML pour prédire la croissance des macrométastases d’os de cancer du sein dans un modèle de rat avant que toutes les anomalies soient observables avec des méthodes standard d’imagerie. Un tel algorithme peut faciliter la détection de la maladie métastatique précoce (c.-à-d. la micrométastase) qui est régulièrement manquée lors des examens de mise en scène.
Le modèle de métastase appliqué est spécifique au site, ce qui signifie que les rats développent des métastases exclusivement dans leur patte arrière droite. Le taux de prise de tumeur du modèle est de 60%–80%, avec des macrométastases devenant visibles dans l’imagerie par résonance magnétique (IRM) et la tomographie par émission de positrons /tomographie calculée (PET/CT) dans un sous-ensemble d’animaux 30 jours après l’induction, alors qu’un deuxième sous-ensemble d’animaux ne présentent aucune croissance tumorale.
À partir des examens d’image acquis à un moment plus précoce, ce protocole décrit l’extraction des dispositifs qui indiquent la vascularisation tissulaire détectée par MRI, le métabolisme de glucose par PET/CT, et la détermination suivante des dispositifs les plus pertinents pour la prévision de la maladie macrométastatique. Ces caractéristiques sont ensuite introduites dans un réseau neuronal moyen — avNNet) pour classer les animaux en l’un des deux groupes : l’un qui développera des métastases et l’autre qui ne développera aucune tumeur. Le protocole décrit également le calcul de paramètres diagnostiques standard, tels que l’exactitude globale, la sensibilité, la spécificité, les valeurs prédictives négatives/positives, les ratios de probabilité et le développement d’une caractéristique de fonctionnement du récepteur. Un avantage du protocole proposé est sa flexibilité, car il peut être facilement adapté pour former une pléthore de différents algorithmes ML avec des combinaisons réglables d’un nombre illimité de fonctionnalités. En outre, il peut être utilisé pour analyser différents problèmes en oncologie, infection et inflammation.
Introduction
Le but de ce protocole est d’intégrer plusieurs paramètres d’imagerie fonctionnelle de l’IRM et du PET/CT dans un algorithme ML de réseau neuronal moyenné par le modèle (avNNet). Cet algorithme prédit la croissance des macrométastases dans un modèle de rat des métastases osseuses de cancer du sein à un moment précoce, quand les changements macroscopiques dans l’os ne sont pas encore visibles.
Avant la croissance des macrométastases, une invasion de moelle osseuse des cellules tumorales disséminées se produit, communément appelé maladie micrométastatique1,2. Cette invasion initiale peut être considérée comme une première étape dans la maladie métastatique, mais est généralement manquée lors des examens de mise en scène classiques3,4. Bien que les modalités d’imagerie actuellement disponibles ne puissent pas détecter la microinvasion de moelle osseuse lorsqu’elles sont utilisées seules, il a été démontré qu’une combinaison de paramètres d’imagerie donnant des informations sur la vascularisation et l’activité métabolique a été montrée pour mieux fonctionner5. Cet avantage complémentaire est réalisé en combinant différents paramètres d’imagerie dans un avNNet, qui est un algorithme ML. Un tel avNNet permet la prédiction fiable de la formation de macrométastases osseuses avant la présence de métastases visibles. Par conséquent, l’intégration de biomarqueurs d’imagerie dans un avNNet pourrait servir de paramètre de substitution pour la microinvasion de moelle osseuse et la maladie métastatique précoce.
Pour développer le protocole, un modèle précédemment décrit des métastases osseuses de cancer du sein dans les rats nus a été employé6,7,8. L’avantage de ce modèle est sa spécificité de site, ce qui signifie que les animaux développent des métastases osseuses exclusivement dans leur patte arrière droite. Cependant, le taux de prise de tumeur de cette approche est de 60%–80%, ainsi un nombre considérable des animaux ne développent aucune métastase pendant l’étude. En utilisant des modalités d’imagerie telles que l’IRM et le PET/CT, la présence de métastases est détectable dès le jour 30 post-injection (PI). À des moments plus précoces (p. ex., 10 PI), l’imagerie ne fait pas de distinction entre les animaux qui développeront une maladie métastatique et ceux qui ne le feront pas (figure 1).
Un avNNet formé sur les paramètres d’imagerie fonctionnelle acquis le jour 10 PI, tel que décrit dans le protocole suivant, prédit ou exclut de manière fiable la croissance des macrométastases dans les ~3 semaines suivantes. Les réseaux neuronaux combinent des nœuds artificiels au sein de différentes couches. Dans le protocole d’étude, les paramètres fonctionnels d’imagerie pour l’approvisionnement en sang de moelle osseuse et l’activité métabolique représentent la couche inférieure, tandis que la prédiction de la malignité représente la couche supérieure. Une couche intermédiaire supplémentaire contient des nœuds masqués qui sont connectés à la couche supérieure et à la couche inférieure. La force des connexions entre les différents nœuds est mise à jour lors de la formation du réseau pour effectuer la tâche de classification respective avec une grande précision9. La précision d’un tel réseau neuronal peut être encore augmentée en faisant la moyenne des sorties de plusieurs modèles, résultant en un avNNet10.
Protocol
Representative Results
Discussion
Les algorithmes ML sont des outils puissants utilisés pour intégrer plusieurs fonctionnalités prédictives dans un modèle combiné et obtenir une précision supérieure à celle de ses constituants distincts lorsqu’ils sont utilisés seuls. Néanmoins, le résultat réel dépend de plusieurs étapes critiques. Tout d’abord, l’algorithme ML utilisé est un facteur crucial, car différents algorithmes ML donnent des résultats différents. L’algorithme utilisé dans ce protocole est un avNNet, mais d’autres a…
Disclosures
The authors have nothing to disclose.
Acknowledgements
Ce travail a été soutenu par la Fondation allemande de recherche (DFG, Collaborative Research Centre CRC 1181, sous-projet Z02; Programme prioritaire μBone, projets BA 4027/10-1 et BO 3811), y compris un soutien supplémentaire pour les dispositifs de numérisation (INST 410/77-1 FUGG et INST 410/93-1 FUGG), et par l’Initiative des champs émergents (EFI) « Big Thera » de la Friedrich-Alexander-University Erlanen-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 |
References
- 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. 암 연구학. 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).
