חיזוי טיפול בתגובה תמונה מונחה טיפולים באמצעות למידה חישובית: דוגמא לטיפול קרצינומה Hepatocellular הטרנס-עורקים
Summary
טיפולים התוך עורקי הם סטנדרטי של טיפול בחולים עם קרצינומה hepatocellular, אשר לא ניתן לעבור כריתה כירורגית. שיטה לחיזוי התגובה לטיפולים אלה מוצע. הטכניקה משתמשת במידע קליני, דמוגרפי, הדמיה מראש פרוצדורלי לאמן מכונת למידה מודלים מסוגל לחזות את התגובה לפני הטיפול.
Abstract
טיפולים התוך עורקי הם סטנדרטי של טיפול בחולים עם קרצינומה hepatocellular, אשר לא ניתן לעבור כריתה כירורגית. מטרת מחקר זה היתה לפתח שיטה לחיזוי התגובה לטיפול התוך עורקי לפני התערבות.
השיטה מספקת מסגרת כללית לניבוי תוצאות לפני טיפול התוך עורקי. זה כרוך באגירת קליני, דמוגרפיים ונתוני ההדמיה על-פני קבוצה של חולים אלה נתונים ושימוש לאמן מודל למידה מכונה. המודל מיומן מוחל על חולים חדשים כדי לנבא את הסבירות לתגובה לטיפול התוך עורקי.
השיטה מצריכה רכישת ופרישה של נתונים קליניים, דמוגרפי, הדמיה N בחולים שעברו כבר טיפולים הטרנס-עורקים. נתונים אלה הינם מנותח אל תכונות דיסקרטית (גיל, מין, שחמת, דרגת הגידול שיפור, וכו ‘), binarized לתוך ערכי true/false (למשל, גיל מעל 60, המגדר הגברי, שיפור הגידול מעבר קביעת הסף, וכו ‘). תכונות נמוך-סטיה ותכונות עם עמותות univariate נמוך עם התוצאה יוסרו. כל מטופל שטופלו נקראת על פי אם הם הגיבו או לא הגיב לטיפול. כל מטופל הכשרה ובכך מיוצג על ידי קבוצה של תכונות בינארי ותווית התוצאה. מכונת למידה מודלים מאומנים באמצעות N – 1 חולים עם בדיקות על המטופל שמאל-אאוט. תהליך זה חוזר על עצמו עבור כל המטופלים N . חישוב הממוצע הדגמים N כדי להגיע למודל הסופי.
הטכניקה ניתנת להרחבה, ומאפשרת ההכללה של תכונות נוספות בעתיד. זה גם תהליך להכליל כי ניתן להחיל את שאלות המחקר הקליני מחוץ רדיולוגיה התערבותית. המגבלה העיקרית היא צורך נובעות תכונות באופן ידני כל מטופל. צורה מודרנית הפופולרי של מכונת למידה שנקרא עמוק למידה לא סובל מגבלה זו, אך דורשות datasets גדול יותר.
Introduction
בחולים עם קרצינומה hepatocellular שאינם כירורגיים מועמדים מוצעים טיפולים התוך עורקי1,2,3. אין שום מדד יחיד אשר קובע אם החולה יגיב טיפול אינטרה-עורקים לפני הטיפול נעשה. מטרת מחקר זה היתה להפגין שיטה אשר מנבאת את התגובה לטיפול על-ידי החלת שיטות של למידה חישובית. מודלים כאלה לספק הדרכה למטפלים ומטופלים בבואך לבחור אם להמשיך בטיפול.
הפרוטוקול מצריכה תהליך לשחזור עבור הדרכת ועדכון מודל החל מנתונים עיקריים החולה (הערות קליני, דמוגרפיה, נתוני מעבדה, הדמיה). הנתונים בתחילה מנותח לתכונות מסוימות, עם כל מטופל המיוצג על-ידי קבוצת תכונות בינארי, תווית היעד תוצאה בינארית. התווית התוצאה נקבעת באמצעות קריטריון הוקמה תגובה מבוססת-הדמיה של hepatocellular טיפול4,5,6,7. תכונות והתוויות היעד מועברים לתוכנה למידה מכונת לומד את המיפוי בין תכונות ותוצאות תחת ספציפי של למידה מודל (רגרסיה לוגיסטית או יער אקראי)8,9,10. טכניקות דומות הוחלו רדיולוגיה ובאזורים אחרים לחקר הסרטן עבור אבחון וטיפול חיזוי11,12,13.
השיטה מסתגל טכניקות של מדעי המחשב לשדה לרדיולוגיה התערבותית. המשמעות המסורתית הלימודים רדיולוגיה התערבותית, הרפואה באופן כללי, מסתמכים על מונו – או oligo-תכונה ניתוחים. לדוגמה, המודל עבור מחלת כבד סופנית משלבת חמישה מדדים קליניים כדי להעריך את היקף מחלת כבד. היתרון של השיטה המוצעת היא היכולת להוסיף תכונות בנדיבות; עשרים וחמש תכונות נחשבים בניתוח דוגמה. ניתן להוסיף תכונות נוספות לפי הצורך.
הטכניקה שיוחלו על התערבויות אחרות רדיוגרפי בו מראש, שלאחר ההתערבות נתונים הדמיה זמינים. לדוגמה, יכול להיות החזוי תוצאות בעקבות טיפולים percutaneous באופן דומה. המגבלה העיקרית של המחקר הוא הצורך לתכונות בדיוקסיה ידנית להכללה במודל. מיצוי נתונים curation וכוללים גוזלת זמן עבור המטפל, עשוי לעכב קליניים אימוץ כזה מכונת למידה מודלים.
Protocol
Representative Results
Discussion
בחולים עם קרצינומה hepatocellular שאינם מועמדים כריתה כירורגית מוצעים טיפולים התוך עורקי. כמה שיטות קיימות כדי לקבוע אם החולה יגיב קדם-טיפול. טכניקות הערכה שלאחר הטיפול מסתמכים על שינויים גודל הגידול או גידול ניגודיות ספיגת. אלה נקראים קריטריונים התגובה, עם הישות המדויקות ביותר האגודה האי?…
Disclosures
The authors have nothing to disclose.
Acknowledgements
א. א קיבל תמיכה במימון המשרד של תלמיד מחקר, בית הספר לרפואה של אוניברסיטת ייל.
L.J.S. מקבל מענקים של המכון הלאומי לבריאות (NIH/NCI R01CA206180), Leopoldina בתר, קרן Guenther וו רולף למדעים רדיולוגי (אאכן, גרמניה).
ג’יי מקבל מענקים של המכון הלאומי לבריאות (NIH/NCI R01CA206180), פיליפס בריאות, קרן גרמניה-ישראל למחקר מדעי ופיתוח (ירושלים, ישראל, Neuherberg, גרמניה); מלגות מטעם קרן רולף Guenther וו של מדעים רדיולוגי Charite ברלין המכון של בריאות מדען התוכנית הקלינית (ברלין, גרמניה).
הדוקטור שלו, מ. ל מקבלים מענקים במכון הלאומי לבריאות (NIH/NCI R01CA206180) ובריאות פיליפס (הכי טוב, הולנד).
ג מקבל מענקים מן המכון הלאומי לבריאות (NIH/NCI R01CA206180), פיליפס בריאות, BTG (לונדון, אנגליה), בוסטון סיינטיפיק (מרלבורו, מסצ’וסטס), Guerbet שירותי בריאות (Villepinte, צרפת)
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. |
References
- 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).
