Makine öğrenimi kullanarak görüntü destekli terapi tedavi öngörmede: hepatosellüler karsinom Trans-arter tedavisi için bir örnek
Summary
İntra arteryel terapiler standart tedavi cerrahi rezeksiyon tabi olamaz hepatosellüler karsinom olan hastalar için vardır. Bu terapiler öngörmede için bir yöntem önerdi. Teknik makine öğrenme modelleri tedavi öncesinde öngörmede yetenekli eğitmek için önceden yordam, demografik, klinik ve görüntüleme bilgileri kullanır.
Abstract
İntra arteryel terapiler standart tedavi cerrahi rezeksiyon tabi olamaz hepatosellüler karsinom olan hastalar için vardır. Bu çalışmanın amacı müdahale öncesinde intra arteryel tedaviye yanıt tahmin etmek için bir yöntem geliştirmekti.
Yöntem intra arteryel terapi önce sonuçlar oluşabileceğini için genel bir çerçeve sağlar. Bu hastalar kohort arasında klinik, demografik ve görüntüleme veri havuzu ve bir makine öğrenme modeli eğitmek için bu verileri kullanarak içerir. Eğitimli modeli yeni hastalara intra arteryel tedaviye yanıt onların olasılığı tahmin etmek için uygulanır.
Yöntem alımı ve zaten trans-arter terapiler uğramıştır N hastalarda klinik, demografik ve görüntüleme veri ayrıştırma gerektirir. Bu veriler ayrı özellikleri (yaş, cinsiyet, siroz, derecesi tümör geliştirme, vb) ayrıştırılır ve doğru/yanlış değerleri (Örneğin, yaş üzerinde 60, erkek cinsiyet, tümör geliştirme ötesinde bir küme eşik, vb) içine binarized. Düşük-varyans özellikleri ve sonuç ile düşük tekdeğişirli ilişkilendirmeleriyle özellikleri kaldırılır. Her tedavi hasta olup yanıt verdiğinde veya tedaviye yanıt vermedi göre etiketlenir. Her eğitim hasta böylece ikili özellikleri ve bir sonuç etiket kümesi tarafından temsil edilir. Makine öğrenme modelleri N – sol-out hastaya test ile 1 hastalar kullanılarak eğitilmiştir. Bu işlem her N hastalar için yinelenir. N modelleri son model gelmesi ortalama.
Teknik genişletilebilir ve gelecekte eklenmesi ek özellikler sağlar. Bu da klinik araştırma soruları girişimsel radyoloji dışında uygulanabilir genelleştirilebilir bir süreçtir. Ana sınırlama özellikleri el ile her hastadan türetmek için ihtiyaç vardır. Makine öğrenimi derin denilen popüler bir modern formu bu sınırlama acı değil öğrenme ama daha büyük veri kümeleri gerektirir.
Introduction
Hepatosellüler karsinom cerrahi aday olmayan hastalarda intra arteryel terapiler1,2,3sunulmaktadır. Bir hasta tedavi yönetilir önce bir intra arteryel terapiye yanıt olup olmadığını belirler yok tek ölçüsü vardır. Bu çalışmanın amacı tedaviye yanıt makine öğrenme yöntemleri uygulayarak öngörür bir yöntem göstermekti. Modelleri gibi uygulayıcıları ve hastalar için bir tedavi ile devam edip seçerken rehberlik.
Protokol eğitim ve birincil hasta veri (klinik notları, demografi, laboratuvar verileri ve görüntüleme) başlayan bir modeli güncelleştirmek için tekrarlanabilir bir süreç gerektirir. Verileri başlangıçta belirli özellikler için her hasta bir ikili özellik kümesi ve ikili sonucu hedef etiketi tarafından temsil ile ayrıştırılır. Sonuç etiket bir kurulan görüntüleme içinde yanıt kriteri hepatosellüler terapi4,5,6,7için kullanılarak belirlenir. Özellikleri ve hedef etiket özellikleri ve belirli bir öğrenme modeli (logistic regresyon veya rasgele orman)8,9,10altında sonuçlar arasındaki eşlemeyi öğrenir Makina öğrenme yazılımı için geçirilir. Benzer teknikler Radyoloji ve diğer alanlarda kanser araştırma tahmin11,12,13tanı ve tedavisi uygulandı.
Yöntem bilgisayar bilimi teknikleri girişimsel radyoloji alanında uyum sağlar. Girişimsel Radyoloji ve tıp geleneksel önemi çalışmaları genel olarak, mono veya oligo özelliği analizler güveniyor. Örneğin, Model son aşama karaciğer hastalığı için karaciğer hastalığının ölçüde değerlendirmek için beş klinik ölçümleri içerir. Önerilen yöntem liberal özellikleri ekleme yeteneği şeydir; Yirmi beş özellikleri örnek analizde kabul edilir. Ek özellikler eklendi istediğiniz gibi.
Teknik burada öncesi ve sonrası müdahale görüntüleme veri kullanılabilir diğer radyografik müdahaleler uygulanabilir. Örneğin, benzer bir şekilde perkütan tedavi takip sonuçları tahmin edilebilir. Ana çalışma el ile papaz özelliklerine ihtiyaç model eklenmek kısıtlamasıdır. Veri küratörlüğü ve özellik çıkarma uygulayıcısı için zaman alır ve öğrenme modelleri böyle makine klinik kabulü engelleyebilir.
Protocol
Representative Results
Discussion
Cerrahi rezeksiyon için aday olmayan hastalar hepatosellüler karsinom ile içi arteryel terapiler sunulmaktadır. Bir hasta öncesiyanıt vereceğini belirler için birkaç yöntem vardır-tedavi. Tümör boyutu veya tümör kontrast alımı değişiklikleri üzerine tedavi sonrası değerlendirme teknikleri kullanır. Bunlara yanıt kriterleri, nicel Avrupa Birliği’ne karaciğer (qEASL) ölçüt incelenmesi için en doğru olmak denir. qEASL hem hacimsel ve terapi yanıt olasılığı tahmin etmek için aşa…
Declarações
The authors have nothing to disclose.
Acknowledgements
A.A. finansman desteği Office, öğrenci araştırma, Yale Tıp Fakültesi aldı.
L.J.S. Ulusal Sağlık Enstitüleri (NIH/ncı R01CA206180), Leopoldina doktora sonrası Bursu ve Rolf W. Guenther Vakfı radyolojik Bilimler (Aachen, Almanya) hibe alır.
J.C. hibe Ulusal Sağlık Enstitüleri (NIH/ncı R01CA206180), Philips Sağlık ve Alman-İsrail Vakfı bilimsel araştırma ve geliştirme (Kudüs, İsrail ve Neuherberg, Almanya); için alır ve burs Rolf W. Guenther Vakfı radyolojik Bilimler ve Charitè Berlin Enstitüsü, sağlık klinik bilim adamı programı (Berlin, Almanya).
J.S.D. ve M.L. hibe Ulusal Sağlık Enstitüleri (NIH/ncı R01CA206180) ve Philips Sağlık (Best, Hollanda) almak.
J.F.G. Ulusal Sağlık Enstitüleri (NIH/ncı R01CA206180), Philips Healthcare, BTG (Londra, Birleşik Krallık), Boston bilimsel (Marlborough, Massachusetts) ve Guerbet sağlık (Villepinte, Fransa) hibe alır
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).
