छवि-निर्देशित चिकित्सा मशीन सीखने का उपयोग करने के लिए उपचार प्रतिक्रिया की भविष्यवाणी: Hepatocellular कार्सिनोमा के ट्रांस धमनी उपचार के लिए एक उदाहरण
Summary
इंट्रा धमनी चिकित्सा hepatocellular कार्सिनोमा जो शल्य चिकित्सा लकीर से गुजरना नहीं कर सकते के साथ रोगियों के लिए देखभाल के मानक हैं । इन उपचारों के जवाब की भविष्यवाणी के लिए एक विधि प्रस्तावित है । तकनीक का उपयोग करता है पूर्व प्रक्रियात्मक नैदानिक, जनसांख्यिकीय, और इमेजिंग जानकारी मशीन सीखने के लिए उपचार से पहले प्रतिक्रिया की भविष्यवाणी करने में सक्षम मॉडल ट्रेन ।
Abstract
इंट्रा धमनी चिकित्सा hepatocellular कार्सिनोमा जो शल्य चिकित्सा लकीर से गुजरना नहीं कर सकते के साथ रोगियों के लिए देखभाल के मानक हैं । इस अध्ययन का उद्देश्य एक पद्धति विकसित करने के लिए हस्तक्षेप करने से पहले अंतर धमनी उपचार के जवाब की भविष्यवाणी करने के लिए किया गया था ।
विधि परिणाम की भविष्यवाणी के लिए एक सामांय रूपरेखा प्रदान करता है पहले अंतर धमनी चिकित्सा के लिए । यह रोगियों के एक पलटन भर में नैदानिक, जनसांख्यिकीय और इमेजिंग डेटा पूलिंग शामिल है और इन आंकड़ों का उपयोग कर एक मॉडल सीखने की मशीन को प्रशिक्षित करने के लिए । प्रशिक्षित मॉडल नए रोगियों के लिए लागू किया जाता है ताकि अंतर धमनी चिकित्सा के जवाब की उनकी संभावना की भविष्यवाणी करने के लिए ।
विधि N रोगियों जो पहले से ही ट्रांस धमनी चिकित्सा आया है से नैदानिक, जनसांख्यिकीय और इमेजिंग डेटा के अधिग्रहण और पार्सिंग पर जोर देता है । इन आंकड़ों असतत सुविधाओं में पार्स कर रहे है (उंर, लिंग, सिरोसिस, ट्यूमर वृद्धि की डिग्री, आदि) और सही/झूठी मूल्यों (जैसे, ६० से अधिक आयु, पुरुष लिंग, एक सेट सीमा से परे ट्यूमर वृद्धि, आदि) में बायनेरिज़ । कम विचरण सुविधाओं और परिणाम के साथ कम univariate संघों के साथ सुविधाओं को हटा रहे हैं । प्रत्येक इलाज रोगी के अनुसार लेबल किया गया है कि क्या वे जवाब या इलाज के लिए जवाब नहीं दिया । प्रत्येक प्रशिक्षण रोगी इस प्रकार बाइनरी सुविधाओं और एक परिणाम लेबल का एक सेट द्वारा प्रतिनिधित्व किया है । मशीन लर्निंग मॉडल के साथ एन -1 रोगियों का उपयोग कर प्रशिक्षित कर रहे है छोड़ दिया रोगी पर परीक्षण । यह प्रक्रिया N रोगियों में से प्रत्येक के लिए दोहराया है । N मॉडल के लिए एक अंतिम मॉडल पर पहुंचने औसत रहे हैं ।
तकनीक एक्सटेंसिबल है और भविष्य में अतिरिक्त सुविधाओं को शामिल करने के लिए सक्षम बनाता है । यह भी एक सामांय प्रक्रिया है कि चिकित्सीय अनुसंधान के लिए लागू किया जा सकता है हस्तक्षेप रेडियोलॉजी के बाहर प्रश्न । मुख्य सीमा प्रत्येक रोगी से मैंयुअल रूप से सुविधाओं को प्राप्त करने की आवश्यकता है । मशीन लर्निंग नामक एक लोकप्रिय आधुनिक रूप गहरी सीखने इस सीमा से ग्रस्त नहीं है, लेकिन बड़े डेटासेट की आवश्यकता है ।
Introduction
hepatocellular कार्सिनोमा के साथ रोगियों जो शल्य उंमीदवारों नहीं है अंतर धमनी उपचार1,2,3की पेशकश कर रहे हैं । वहां कोई एक मीट्रिक है कि निर्धारित करता है कि एक मरीज को इलाज से पहले एक अंतर धमनी चिकित्सा का जवाब होगा प्रशासित है । इस अध्ययन का उद्देश्य एक तरीका है कि मशीन सीखने से तरीकों को लागू करने से उपचार प्रतिक्रिया भविष्यवाणी का प्रदर्शन किया गया । इस तरह के मॉडल चिकित्सकों और रोगियों को मार्गदर्शन जब चुनने के लिए कि एक इलाज के साथ आगे बढ़ना है प्रदान करते हैं ।
प्रोटोकॉल प्रशिक्षण और प्राथमिक रोगी डेटा (नैदानिक नोट्स, जनसांख्यिकी, प्रयोगशाला डेटा, और इमेजिंग) से शुरू एक मॉडल को अद्यतन करने के लिए एक reproducible प्रक्रिया पर जोर देता है । डेटा प्रारंभिक रूप से विशिष्ट सुविधाओं के लिए पार्स किया जाता है, प्रत्येक रोगी के साथ बाइनरी सुविधाओं का एक सेट और एक बाइनरी परिणाम लक्ष्य लेबल का प्रतिनिधित्व करते हैं । परिणाम लेबल hepatocellular थेरेपी4,5,6,7के लिए एक स्थापित इमेजिंग आधारित प्रतिक्रिया मापदंड का उपयोग कर निर्धारित किया जाता है । सुविधाओं और लक्ष्य लेबल मशीन सीखने सॉफ्टवेयर है कि एक विशिष्ट अधिगम मॉडल (रसद प्रतिगमन या यादृच्छिक वन)8,9,10के तहत सुविधाओं और परिणामों के बीच मानचित्रण सीखता को पारित कर रहे हैं । इसी तरह की तकनीक के निदान और उपचार भविष्यवाणी11,12,13के लिए रेडियोलॉजी और कैंसर अनुसंधान के अंय क्षेत्रों में लागू किया गया है ।
विधि कंप्यूटर विज्ञान से हस्तक्षेप रेडियोलॉजी के क्षेत्र में तकनीक के अनुकूल है । पारंपरिक महत्व के हस्तक्षेप रेडियोलॉजी में अध्ययन, और सामांय में दवा, मोनो या oligo-सुविधा के विश्लेषण पर भरोसा करते हैं । उदाहरण के लिए, अंत चरण जिगर की बीमारी के लिए मॉडल जिगर की बीमारी की हद का आकलन करने के लिए पांच नैदानिक मैट्रिक्स को शामिल किया गया. प्रस्तावित विधि का लाभ उदार रूप से सुविधाओं को जोड़ने की क्षमता है; पच्चीस सुविधाओं का उदाहरण विश्लेषण में माना जाता है. अतिरिक्त सुविधाओं के रूप में वांछित जोड़ा जा सकता है ।
तकनीक अंय रेडियोग्राफिक हस्तक्षेप जहां पूर्व और बाद में हस्तक्षेप इमेजिंग डेटा उपलब्ध है के लिए लागू किया जा सकता है । उदाहरण के लिए, percutaneous उपचार के बाद परिणाम एक समान तरीके से भविष्यवाणी की जा सकती है । अध्ययन के मुख्य सीमा मॉडल में शामिल करने के लिए मैनुअल उपपादरी सुविधाओं की जरूरत है । डेटा उपचारात्मक और सुविधा निष्कर्षण व्यवसायी के लिए समय लेने वाली है और इस तरह की मशीन सीखने मॉडल के नैदानिक गोद लेने में बाधा हो सकती है ।
Protocol
Representative Results
Discussion
hepatocellular कार्सिनोमा के साथ रोगियों जो सर्जिकल लकीर के लिए उंमीदवार नहीं है अंतर धमनी चिकित्सा की पेशकश कर रहे हैं । कुछ तरीकों को निर्धारित अगर एक मरीज को पूर्वउपचार जवाब होगा मौजूद हैं । बाद उपचार मूल…
Declarações
The authors have nothing to disclose.
Acknowledgements
A.A. छात्र अनुसंधान, येल स्कूल ऑफ मेडिसिन के कार्यालय से धन समर्थन प्राप्त किया ।
L.J.S. स्वास्थ्य के राष्ट्रीय संस्थानों से अनुदान प्राप्त करता है (NIH/NCI R01CA206180), Leopoldina Postdoctoral फैलोशिप, और रॉल्फ Guenther (रेडियोलॉजिकल, जर्मनी) विज्ञान फाउंडेशन ।
J.C. स्वास्थ्य के राष्ट्रीय संस्थानों से अनुदान प्राप्त करता है (NIH/NCI R01CA206180), फिलिप्स हेल्थकेयर, और वैज्ञानिक अनुसंधान और विकास के लिए जर्मन-इजरायल फाउंडेशन (यरूशलेम, इजराइल और Neuherberg, जर्मनी); और रेडियोलॉजिकल विज्ञान के रॉल्फ डब्ल्यू Guenther फाउंडेशन और चैरिटेबल बर्लिन स्वास्थ्य नैदानिक वैज्ञानिक कार्यक्रम (बर्लिन, जर्मनी) संस्थान से छात्रवृत्ति ।
J.S.D. और एमएल स्वास्थ्य के राष्ट्रीय संस्थानों (NIH/NCI R01CA206180) और फिलिप्स हेल्थकेयर (सर्वश्रेष्ठ, नीदरलैंड) से अनुदान प्राप्त करते हैं ।
J.F.G. स्वास्थ्य के राष्ट्रीय संस्थानों से अनुदान प्राप्त करता है (NIH/NCI R01CA206180), फिलिप्स हेल्थकेयर, BTG (लंदन, यूनाइटेड किंगडम), बोस्टन वैज्ञानिक (मार्लबोरो, मैसाचुसेट्स), और Guerbet हेल्थकेयर (Villepinte, फ्रांस)
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. |
Referências
- 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).
