Этот протокол был разработан для обучения алгоритма машинного обучения для использования комбинации параметров визуализации, полученных из магнитно-резонансной томографии (МРТ) и позитронно-эмиссионной томографии/компьютерной томографии (ПЭТ/КТ) в крысиной модели метастазов в кости рака молочной железы для выявления ранних метастатических заболеваний и прогнозирования последующего прогрессирования макрометастазы.
Алгоритмы машинного обучения (ML) позволяют интеграцию различных функций в модель для выполнения задач классификации или регрессии с точностью, превышающей ее составляющие. Этот протокол описывает разработку алгоритма ML для прогнозирования роста макрометастазы костей молочной железы в крысиной модели до того, как какие-либо аномалии можно будет наблюдать стандартными методами визуализации. Такой алгоритм может способствовать выявлению ранних метастатических заболеваний (т.е. микрометастаза), которые регулярно пропускаются во время постановочных обследований.
Прикладная модель метастазов специфична для сайта, что означает, что у крыс метастазы развиваются исключительно в правой задней ноге. Скорость опухоли модели составляет 60%-80%, при этом макрометастасы становятся видимыми в магнитно-резонансной томографии (МРТ) и позитронно-эмиссионной томографии/компьютерной томографии (ПЭТ/КТ) в подмножестве животных через 30 дней после индукции, в то время как второй подмножество животных не имеет роста опухоли.
Начиная с изображений, полученных в более ранний момент времени, этот протокол описывает экстракции особенностей, которые указывают на васкуляризацию тканей обнаружены МРТ, метаболизм глюкозы ПЭТ / КТ, и последующее определение наиболее актуальных особенностей для прогнозирования макрометастатического заболевания. Эти функции затем подается в модели усредненные нейронной сети (avNNet), чтобы классифицировать животных в одну из двух групп: одна, которая будет развиваться метастазы, а другой, который не будет развиваться каких-либо опухолей. Протокол также описывает расчет стандартных диагностических параметров, таких как общая точность, чувствительность, специфичность, отрицательные/позитивные прогностический значения, коэффициенты вероятности и развитие операционной характеристики приемника. Преимуществом предлагаемого протокола является его гибкость, поскольку он может быть легко адаптирован для обучения множеству различных алгоритмов ML с регулируемыми комбинациями неограниченного числа функций. Кроме того, он может быть использован для анализа различных проблем в онкологии, инфекции и воспаления.
Целью данного протокола является интеграция нескольких функциональных параметров визуализации из МРТ и ПЭТ/КТ в алгоритм M МЛ, усредненные по модели нейронной сети (avNNet). Этот алгоритм предсказывает рост макрометастазы в крысиной модели метастазов костей рака молочной железы в раннее время, когда макроскопические изменения внутри кости еще не видны.
До роста макрометастазы происходит вторжение костного мозга в рассеянные опухолевые клетки, обычно называемые микрометастатическимзаболеванием 1,,2. Это первоначальное вторжение можно считать ранним шагом в метастатических заболеваний, но, как правило, пропустили во время обычныхпостановочных обследований 3,4. Хотя имеющиеся в настоящее время методы визуализации не могут обнаружить микроинвазивность костного мозга при использовании в одиночку, было показано, что сочетание параметров изображения, дать информацию о васкуляризации и метаболическойактивности, былопоказано, что работает лучше 5 . Это дополнительное преимущество достигается путем объединения различных параметров изображения в avNNet, который является алгоритмом ML. Такой avNNet позволяет надежно прогнозировать образование макрометастазы костей до того, как побудут видны метастазы. Таким образом, интеграция биомаркеров изображений в avNNet может служить в качестве суррогатного параметра микроинвазивности костного мозга и ранних метастатических заболеваний.
Для разработки протокола была использована ранее описанная модель метастазов костей рака молочной железы уобнаженных крыс 6,,7,,8. Преимуществом этой модели является ее специфичность сайта, а это означает, что животные развивают костлявые метастазы исключительно в правой задней ноге. Тем не менее, уровень опухоли принять этот подход составляет 60%-80%, так что значительное число животных не развиваются какие-либо метастазы во время исследования. Используя такие методы визуализации, как МРТ и ПЭТ/КТ, наличие метастазов обнаруживается с 30-го дня после внравия (PI). В более ранние моменты времени (например, 10 PI) визуализация не проводит различия между животными, которые будут развиваться метастатические заболевания и те не будут (Рисунок 1).
AvNNet, обученный функциональным параметрам изображения, приобретенным на 10-й день PI, как описано в следующем протоколе, надежно предсказывает или исключает рост макрометастазы в течение следующих 3 недель. Нейронные сети объединяют искусственные узлы в разных слоях. В протоколе исследования функциональные параметры визуализации кровоснабжения костного мозга и метаболической активности представляют нижний слой, в то время как предсказание злокачественности представляет верхний слой. Дополнительный промежуточный слой содержит скрытые узлы, которые соединены как с верхним, так и с нижним слоем. Сила соединений между различными узлами обновляется во время тренировки сети для выполнения соответствующей задачи классификации с высокой точностью9. Точность такой нейронной сети может быть дополнительно увеличена за счет усреднения выходов нескольких моделей, в результате чего avNNet10.
Алгоритмы ML являются мощными инструментами, используемыми для интеграции нескольких прогностический элемент в комбинированную модель и получения точности, превышающей точность отдельных компонентов при использовании в одиночку. Тем не менее, фактический результат зависит от нескол…
The authors have nothing to disclose.
Эта работа была поддержана Немецким исследовательским фондом (DFG, Центр совместных исследований CRC 1181, подпроект No02; Приоритетная программа «Бон», проекты BA 4027/10-1 и BO 3811), включая дополнительную поддержку сканирующих устройств (INST 410/77-1 FUGG и INST 410/93-1 FUGG), а также Инициативу по развивающимся полям (EFI) «Большая Тера» Фридриха-Александра-Университета Эрланген-Нюрнберга.
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 |