实验鼠模型中骨代谢的早期检测机器学习算法
Summary
该协议旨在训练机器学习算法，以结合从磁共振成像 （MRI） 和正电子发射断层扫描 （PET/CT） 中乳腺癌骨转移的大鼠模型中得出的成像参数，以检测早期转移性疾病并预测宏位值的后续进展。
Abstract
机器学习 （ML） 算法允许将不同要素集成到模型中，以执行精度超过其成分的分类或回归任务。该协议描述了ML算法的发展，用于预测大鼠模型中乳腺癌骨骼微量酶的生长，然后通过标准成像方法观察到任何异常。这种算法可以促进早期转移性疾病（即微虫病）的检测，这种疾病在分期检查期间经常遗漏。
应用的转移模型是站点特定的，这意味着大鼠只在右后腿发展转移。该模型的肿瘤接受率为60%~80%，在诱导30天后，在动物子集中，磁共振成像（MRI）和正电子发射断层扫描/计算机断层扫描（PET/CT）中，宏位酶变得可见，而第二部分动物则没有肿瘤生长。
从早期获得的图像检查开始，本协议描述了通过MRI检测到的指示组织血管化特征的提取、PET/CT检测到的葡萄糖代谢，以及随后确定预测宏观代谢疾病最相关特征的特征。然后，这些功能被输入到模型平均神经网络（avNNet）中，将动物分为两组：一组会发展转移，另一组不会发展任何肿瘤。该协议还描述了标准诊断参数的计算，例如总体精度、灵敏度、特异性、负/阳性预测值、可能性比以及接收器操作特性的制定。建议的协议的优点是它的灵活性，因为它可以很容易地适应，以训练大量的不同的ML算法与无限数量的功能的可调组合。此外，它可以用来分析不同的问题在肿瘤学，感染和炎症。
Introduction
该协议的目的是将MRI和PET/CT的多个功能成像参数集成到模型平均神经网络（avNNet）ML算法中。该算法预测乳腺癌骨转移大鼠模型中宏位值的生长，此时骨骼内的宏观变化尚不可见。
在巨肉生长之前，骨髓入侵传播的肿瘤细胞，俗称微米静病,1，2。1这种最初的入侵可以被认为是转移性疾病的早期步骤，但通常在常规分期检查3，4,期间错过。虽然目前可用的成像模式不能检测骨髓微创时单独使用，结合成像参数产生血管化和代谢活动的信息已被证明是效果更好5。这种互补的好处是通过将不同的成像参数组合成一个avNet，这是一个ML算法。这种 avNNet 允许在存在任何可见转移之前可靠地预测骨宏酶的形成。因此，将成像生物标志物集成到avNet中可以作为骨髓微创和早期转移性疾病的代理参数。
为了开发这个方案，在裸体大鼠中使用了先前描述的乳腺癌骨转移模型，使用了6，7，8。,7,8这种模式的优点是它的站点特异性，这意味着动物在右后腿只发展骨质转移。然而，这种方法的肿瘤接受率为60%~80%，因此相当多的动物在研究期间不会发展出任何转移。使用成像方式（如 MRI 和 PET/CT），从注射后第 30 天 （PI） 开始可检测到转移的存在。在较早的时间点（例如，10 PI）成像不区分动物将发展转移性疾病和那些不会（图1）。
avNNet 接受过关于第 10 天 PI 上采集的功能成像参数的训练，如以下协议所述，可可靠地预测或排除宏位值在未来 3 周内的生长。神经网络将人工节点组合在不同的层内。在研究方案中，骨髓供血和代谢活动的功能成像参数代表底层，恶性肿瘤的预测代表顶层。其他中间层包含连接到顶部层和底部层的隐藏节点。在网络训练期间更新不同节点之间的连接强度，以高精度执行各自的分类任务9。通过平均多个模型的输出，可以进一步提高这种神经网络的精度，从而产生一个 avNNet10。
Protocol
Representative Results
Discussion
ML 算法是强大的工具，用于将多个预测功能集成到组合模型中，并在单独使用时获得超过其单独成分的精度。尽管如此，实际结果取决于几个关键步骤。首先，使用的ML算法是一个关键因素，因为不同的ML算法产生不同的结果。此协议中使用的算法是 avNNet，但其他有前途的算法包括极端梯度提升21 或 随机林。RStudio 的 caret 包20 提供了大量不同的算法（目前是 >17…
Disclosures
The authors have nothing to disclose.
Acknowledgements
这项工作得到了德国研究基金会（DFG，合作研究中心CRC 1181，子项目Z02的支持;优先方案 +Bone，项目 BA 4027/10-1 和 BO 3811），包括对扫描设备（INST 410/77-1 FUGG 和 INST 410/93-1 FUGG）和新兴领域倡议 （EFI） “大 Thera” 的弗里德里希- 亚历山大大学埃尔兰根-纽伦堡提供的额外支持。
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).
