Forutsi behandlingsrespons på bildet-guidede terapi bruker maskinlæring: et eksempel for Trans-arteriell behandling av leverkreft
Summary
Intra arteriell terapi er standarden på omsorg for pasienter med leverkreft som ikke gjennomgår kirurgisk resection. En metode for å forutsi svar på disse behandlingsformer er foreslått. Teknikken bruker pre klinisk, demografiske og tenkelig fremgangsmåte for å trene maskin læring modeller kan forutsi svar før behandling.
Abstract
Intra arteriell terapi er standarden på omsorg for pasienter med leverkreft som ikke gjennomgår kirurgisk resection. Målet med denne studien var å utvikle en metode for å forutsi respons på intra arteriell behandling før intervensjon.
Metoden gir et generelt rammeverk for utstråling før intra arteriell terapi. Det innebærer pooling klinisk, demografiske og bildebehandling data over en kohort av pasienter og bruker disse dataene til å trene en maskin læring modell. Utdannet modellen brukes til nye pasienter for å forutsi deres sannsynlighet for respons til intra arteriell terapi.
Metoden innebærer anskaffelse og analyse av klinisk og bildebehandling og demografiske data fra N pasienter som allerede har gjennomgått trans-arteriell terapier. Disse dataene er analysert i separate funksjoner (alder, kjønn, skrumplever, grad av svulst ekstrautstyr, etc.) og binarized til sann/usann-verdier (f.eks alder over 60, mannlige kjønn, svulst ekstrautstyr utover en angitt terskel, osv.). Lav varians funksjoner og funksjoner med lav univariate assosiasjoner med utfallet fjernes. Hver behandlet pasient er merket i henhold til om de svarte eller ikke svarer til behandling. Hver trening pasient er derfor representert ved et sett av binær funksjoner og en utfallet etikett. Maskinen læring modeller er utdannet med N – 1 pasienter med testing på venstre-out pasienten. Denne prosessen gjentas for hvert av N -pasienter. N modellene er gjennomsnitt ankomme siste modell.
Teknikken er utvidbart og gjør inkludering av tilleggsfunksjoner i fremtiden. Det er også en generalizable prosess som kan brukes til klinisk forskning spørsmål utenfor intervensjonsradiologi radiologi. Hovedbegrensningen er behovet for å utlede funksjoner manuelt fra hver pasient. En populær moderne form for maskinlæring kalt dyp krever læring ikke lider av denne begrensningen, men større datasett.
Introduction
Pasienter med leverkreft som ikke kirurgiske kandidater tilbys intra arteriell terapier1,2,3. Det er ingen enkelt beregning som bestemmer om en pasient vil svare på en intra arteriell terapi før behandling administreres. Målet med denne studien var å demonstrere en metode som spår behandlingsrespons ved å bruke metoder fra maskinlæring. Slike modeller gir veiledning til utøvere og pasienter når du velger om du vil fortsette med en behandling.
Protokollen innebærer en reproduserbar prosess for trening og oppdatere en modell fra primære pasientdataene (klinisk notater, demografi, laboratoriedata og bildebehandling). Dataene analyseres først for bestemte funksjoner, med hver pasient representert av et sett med binære funksjoner og måletiketten binære utfallet. Utfallet etiketten bestemmes ved hjelp av et etablert imaging-basert respons kriterium for hepatocellulært terapi4,5,6,7. Funksjonene og mål etikettene sendes til maskinen læring programvare som lærer tilordningen mellom funksjoner og resultater under en bestemt lære model (logistisk regresjon eller tilfeldig skogen)8,9,10. Lignende teknikker er brukt i røntgen og andre områder i kreftforskning for diagnose og behandling prediksjon11,12,13.
Metoden tilpasser teknikker fra informatikk-feltet på intervensjonsradiologi radiologi. Tradisjonelle betydning studier i intervensjonsradiologi radiologi, og medisin generelt stole på mono – eller oligo-funksjonen analyser. For eksempel inneholder modell for sluttstadiet leversykdom fem klinisk beregninger for å vurdere omfanget av leversykdom. Fordelen med den foreslåtte metoden er muligheten til å legge til funksjoner rikelig; tjuefem funksjoner anses i eksempel analysen. Flere funksjoner kan legges som ønsket.
Teknikken kan brukes på andre røntgen tiltak der før og etter intervensjon bildebehandling data er tilgjengelige. For eksempel kan resultater etter PCI behandlinger forutsies på en lignende måte. Den viktigste begrensningen av studien er behovet til manuell kapellan funksjoner for inkludering i modellen. Konservering og funksjonen datainnhenting er tidkrevende for utøveren og kan hindre klinisk adopsjon av slike maskinen læring modeller.
Protocol
Representative Results
Discussion
Pasienter med leverkreft som ikke kandidater til kirurgisk resection tilbys intra arteriell terapier. Noen metoder finnes for å fastslå om en pasient vil svare pre-behandling. Etter behandling evaluering teknikker stole på endringer i tumor størrelse eller svulst kontrast opptak. Disse kalles svar kriterier, med mest nøyaktige er kvantitative European Association for studier av leveren (qEASL) kriteriet. qEASL er avhengig av både volumetriske og ekstrautstyr endringer etter terapi for å forutsi en sannsyn…
Declarações
The authors have nothing to disclose.
Acknowledgements
A.A. mottatt finansiering støtte fra Office of Student Research, Yale School of Medicine.
L.J.S. mottar tilskudd fra National Institutes of Health (NIH/NCI R01CA206180), Leopoldina postdoktorstipend og Rolf W. Guenther Foundation for radiologisk (Aachen, Tyskland).
JC mottar tilskudd fra National Institutes of Health (NIH/NCI R01CA206180), Philips Healthcare og tysk-israelske grunnlaget for forskning og utvikling (Sveits og Neuherberg, Tyskland); og stipend fra Rolf W. Guenther Foundation for radiologisk vitenskap og Charite Berlin Institutt for klinisk forsker helseprogrammet (Berlin, Tyskland).
J.S.D. og M.L. får stipend fra National Institutes of Health (NIH/NCI R01CA206180) og Philips Healthcare (Best, Nederland).
J.F.G. mottar tilskudd fra National Institutes of Health (NIH/NCI R01CA206180), Philips Healthcare, BTG (London, Storbritannia), Boston Scientific (Marlborough, Massachusetts), og Guerbet helse (Villepinte, Frankrike)
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).
