Le terapie intra-arteriose sono lo standard di cura per pazienti con carcinoma epatocellulare che non può subire la resezione chirurgica. Viene proposto un metodo per predire la risposta a queste terapie. La tecnica utilizza informazioni demografiche, formazione immagine e cliniche pre-procedurale per addestrare modelli di apprendimento macchina in grado di predire la risposta prima del trattamento.
Le terapie intra-arteriose sono lo standard di cura per pazienti con carcinoma epatocellulare che non può subire la resezione chirurgica. L’obiettivo di questo studio era di sviluppare un metodo per predire la risposta al trattamento intra-arteriosa prima dell’intervento.
Il metodo fornisce un quadro generale per la stima dei risultati prima della terapia intra-arteriosa. Si tratta di pool di dati demografici, formazione immagini e clinici in una coorte di pazienti e utilizzando questi dati di training di un modello di apprendimento della macchina. Il modello addestrato è applicato a nuovi pazienti al fine di prevedere la loro probabilità di risposta alla terapia intra-arteriosa.
Il metodo comporta l’acquisizione e l’analisi dei dati demografici, formazione immagini e clinici da N pazienti già sottoposti a terapie di trans-arteriosa. Questi dati vengono analizzati in caratteristiche discrete (età, sesso, cirrosi, grado di tumore enhancement, ecc.) e binarizzati in valori true/false (ad es., età oltre 60, sesso maschile, valorizzazione del tumore oltre una soglia impostata, ecc.). Caratteristiche di basso-varianza e caratteristiche con basso monovariante associazioni con il risultato vengono rimossi. Ogni paziente curato è etichettato secondo loro ha risposto o non ha risposto al trattamento. Ogni paziente di formazione così è rappresentato da un insieme di caratteristiche binari e un’etichetta di esito. Modelli di apprendimento della macchina sono formati utilizzando N – 1 pazienti con test sul paziente sinistra-out. Questo processo viene ripetuto per ciascuno dei pazienti N . I modelli N sono media per arrivare a un modello finale.
La tecnica è estensibile e consente l’inclusione di ulteriori funzionalità in futuro. È anche un processo generalizzabile che può essere applicato alle domande di ricerca clinica di fuori della radiologia interventistica. La principale limitazione è la necessità di derivare funzioni manualmente da ogni paziente. Una forma moderna popolare di apprendimento automatico chiamato profondo apprendimento non soffre di questa limitazione, ma richiede più grandi set di dati.
Pazienti con carcinoma epatocellulare che non sono candidati chirurgici sono offerti terapie intra-arteriosa1,2,3. Non c’è nessuna singola metrica che determina se un paziente risponderà ad una terapia intra-arteriosa prima il trattamento viene somministrato. L’obiettivo di questo studio era di dimostrare un metodo che prevede la risposta del trattamento mediante l’applicazione di metodi di apprendimento automatico. Tali modelli forniscono indicazioni a medici e pazienti, quando si sceglie se procedere con un trattamento.
Il protocollo comporta un processo riproducibile per la formazione e l’aggiornamento di un modello a partire da dati pazienti primario (note cliniche, dati demografici, dati di laboratorio e imaging). Inizialmente, i dati vengono analizzati per funzionalità specifiche, con ogni paziente rappresentato da un set di funzionalità binario e un’etichetta di destinazione risultato binario. L’etichetta di risultato è determinato utilizzando un criterio di risposta basata su formazione immagine consolidata epatocellulare terapia4,5,6,7. Le caratteristiche e le etichette di destinazione vengono passate al software di apprendimento macchina che impara il mapping tra caratteristiche e risultati sotto uno specifico modello (regressione logistica o foresta casuale)8,9,10di apprendimento. Tecniche simili sono state applicate in radiologia e altri settori della ricerca sul cancro per diagnosi e trattamento Pronostico11,12,13.
Il metodo si adatta tecniche dall’informatica nel campo della radiologia interventistica. Studi di significato tradizionale in radiologia interventistica e della medicina in generale, si basano su analisi mono – o oligo-caratteristica. Ad esempio, il modello per End-Stage Liver Disease incorpora cinque cliniche metriche per valutare l’entità della malattia epatica. Il vantaggio del metodo proposto è la possibilità di aggiungere funzionalità liberalmente; venti-cinque caratteristiche sono considerati nell’analisi di esempio. Funzionalità aggiuntive possono essere aggiunti come desiderato.
La tecnica può essere applicata ad altri interventi radiografici dove sono disponibili dati di imaging pre- e post-intervento. Ad esempio, i seguenti trattamenti percutanei risultati potrebbero essere previsto in modo simile. La limitazione principale dello studio è la necessità di funzionalità manuale curato per l’inclusione nel modello. Estrazione di curation e funzionalità di dati richiede molto tempo per il professionista e può ostacolare la clinica adozione di tali modelli di apprendimento automatico.
Pazienti con carcinoma epatocellulare che non sono candidati per la resezione chirurgica sono offerti terapie intra-arteriose. Esistono alcuni metodi per determinare se un paziente risponderà pre-trattamento. Tecniche di valutazione post-trattamento si basano sull’osservazione dei cambiamenti nelle dimensioni del tumore o assorbimento di contrasto del tumore. Questi sono chiamati criteri di risposta, con la più accurata è quantitativa associazione europea per lo studio del criterio di fegato (qEASL). qEASL si…
The authors have nothing to disclose.
A.A. ha ricevuto finanziamenti a sostegno dall’Office of Student Research, Yale School of Medicine.
L.J.S. riceve sovvenzioni dal National Institutes of Health (NIH/NCI R01CA206180), Leopoldina Postdoctoral Fellowship e il Rolf W. Guenther Foundation di Scienze radiologiche (Aquisgrana, Germania).
J.C. riceve sovvenzioni dal National Institutes of Health (NIH/NCI R01CA206180), Philips Healthcare e la Fondazione di tedesco-israeliano per la ricerca scientifica e lo sviluppo (Gerusalemme, Israele e Neuherberg, Germania); e borse di studio della Rolf W. Guenther Foundation di Scienze radiologiche e la Charité Berlino Istituto di salute scienziato programma clinico (Berlino, Germania).
J.S.D e M.L. ricevere sovvenzioni dal National Institutes of Health (NIH/NCI R01CA206180) e Philips Healthcare (Best, Paesi Bassi).
J.F.G. riceve sovvenzioni dal National Institutes of Health (NIH/NCI R01CA206180), Philips Healthcare, BTG (Londra, Regno Unito), Boston Scientific (Marlborough, Massachusetts) e Guerbet Healthcare (Villepinte, Francia)
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. |