Waiting
Login processing...

Trial ends in Request Full Access Tell Your Colleague About Jove
JoVE Journal Cancer Research
Click here for the English version

Cancer Research

एक प्रयोगात्मक चूहा मॉडल में बोन मेटास्टेस की शुरुआती पहचान के लिए मशीन लर्निंग एल्गोरिदम

Published: August 16, 2020 doi: 10.3791/61235
Automatic Translation
1, 1, 2, 1, 1, 3, 1, 1
1Department of Radiology, University Hospital Erlangen, Friedrich-Alexander Universität Erlangen-Nürnberg, 2Department of Medical Physics in Radiation Oncology, German Cancer Research Center, 3Department of Internal Medicine 3, University Hospital Erlangen, Friedrich-Alexander Universität Erlangen-Nürnberg

Summary

इस प्रोटोकॉल को एक मशीन लर्निंग एल्गोरिदम को प्रशिक्षित करने के लिए डिजाइन किया गया था ताकि चुंबकीय अनुनाद इमेजिंग इमेजिंग (एमआरआई) और पॉजिट्रॉन उत्सर्जन टोमोग्राफी/गणना टोमोग्राफी (पीईटी/सीटी) से प्राप्त इमेजिंग मापदंडों के संयोजन का उपयोग किया जा सके ताकि प्रारंभिक मेटास्टेटिक रोग का पता लगाया जा सके और मैक्रोमेटास्टेस के बाद की प्रगति की भविष्यवाणी की जा सके ।

Abstract

मशीन लर्निंग (एमएल) एल्गोरिदम अपने घटकों से अधिक सटीकता के साथ वर्गीकरण या प्रतिगमन कार्य करने के लिए एक मॉडल में विभिन्न सुविधाओं के एकीकरण की अनुमति देते हैं। यह प्रोटोकॉल मानक इमेजिंग विधियों के साथ किसी भी असामान्यताओं को नमूदार होने से पहले चूहे के मॉडल में स्तन कैंसर की हड्डी मैक्रोमेटास्टेस के विकास की भविष्यवाणी करने के लिए एमएल एल्गोरिदम के विकास का वर्णन करता है। इस तरह के एल्गोरिदम से प्रारंभिक मेटास्टैटिक रोग (यानी माइक्रोमेटास्टेसिस) का पता लगाने में सुविधा हो सकती है जो नियमित रूप से परीक्षाओं के दौरान छूट जाती है।

एप्लाइड मेटास्टेसिस मॉडल साइट-विशिष्ट है, जिसका अर्थ है कि चूहे विशेष रूप से अपने दाहिने हिंद पैर में मेटास्टेस विकसित करते हैं। मॉडल की ट्यूमर-ले दर 60%-८०% है, जिसमें मैक्रोमेटास्टेस चुंबकीय अनुनय इमेजिंग (एमआरआई) और पॉजिट्रॉन उत्सर्जन टोमोग्राफी/गणना टोमोग्राफी (पीईटी/सीटी) में प्रेरण के 30 दिन बाद जानवरों के सबसेट में दिखाई दे रही हैं, जबकि जानवरों का एक दूसरा सबसेट कोई ट्यूमर वृद्धि नहीं दर्शाता है ।

एक पहले समय बिंदु पर अधिग्रहीत छवि परीक्षाओं से शुरू, इस प्रोटोकॉल सुविधाओं है कि एमआरआई द्वारा पता चला ऊतक संवहनी, पीईटी द्वारा ग्लूकोज चयापचय द्वारा पता चला की निष्कर्षण का वर्णन/ इन सुविधाओं को तब दो समूहों में से एक में जानवरों को वर्गीकृत करने के लिए एक मॉडल-औसत तंत्रिका नेटवर्क (avNNet) में खिलाया जाता है: एक जो मेटास्टेस विकसित करेगा और दूसरा जो किसी भी ट्यूमर का विकास नहीं करेगा। प्रोटोकॉल भी इस तरह के समग्र सटीकता, संवेदनशीलता, विशिष्टता, नकारात्मक/सकारात्मक भविष्य कहनेवाला मूल्यों, संभावना अनुपात, और एक रिसीवर ऑपरेटिंग विशेषता के विकास के रूप में मानक नैदानिक मापदंडों की गणना का वर्णन करता है । प्रस्तावित प्रोटोकॉल का एक लाभ इसका लचीलापन है, क्योंकि इसे असीमित संख्या में सुविधाओं के समायोज्य संयोजनों के साथ विभिन्न एमएल एल्गोरिदम की अधिकता को प्रशिक्षित करने के लिए आसानी से अनुकूलित किया जा सकता है। इसके अलावा, इसका उपयोग ऑन्कोलॉजी, संक्रमण और सूजन में विभिन्न समस्याओं का विश्लेषण करने के लिए किया जा सकता है।

Introduction

इस प्रोटोकॉल का उद्देश्य एमआरआई और पीईटी/सीटी से कई कार्यात्मक इमेजिंग मापदंडों को एक मॉडल-औसत तंत्रिका नेटवर्क (avNNet) एमएल एल्गोरिदम में एकीकृत करना है । यह एल्गोरिदम प्रारंभिक समय बिंदु पर स्तन कैंसर बोन मेटास्टेस के चूहे मॉडल में मैक्रोमेटास्टेस के विकास की भविष्यवाणी करता है, जब हड्डी के भीतर स्थूल परिवर्तन अभी तक दिखाई नहीं देते हैं।

मैक्रोमेटास्टेस के विकास से पहले, प्रसारित ट्यूमर कोशिकाओं का बोन मैरो आक्रमण होता है, जिसे आमतौर पर माइक्रोमेटास्टैसिक रोग1, 2,के रूप में जानाजाताहै। इस प्रारंभिक आक्रमण को मेटास्टैटिक रोग में एक प्रारंभिक कदम माना जा सकता है, लेकिन आमतौर पर पारंपरिक मंचन परीक्षाओं3, 4,के दौरान याद कियाजाताहै। यद्यपि वर्तमान में उपलब्ध इमेजिंग तौर-तरीके अकेले उपयोग किए जाने पर बोन मैरो माइक्रोइनवेशन का पता नहीं लगा सकते हैं, लेकिन संवहनी और मेटाबोलिक गतिविधि के बारे में जानकारी देने वाले इमेजिंग मापदंडों का एक संयोजन बेहतर प्रदर्शन करने के लिए दिखाया गया है5। यह पूरक लाभ विभिन्न इमेजिंग मापदंडों को एवननेट में मिलाकर प्राप्त किया जाता है, जो एक एमएल एल्गोरिदम है। इस तरह के एक avNNet किसी भी दृश्य मेटास्टेस मौजूद होने से पहले हड्डी मैक्रोमेटास्टेस गठन की विश्वसनीय भविष्यवाणी के लिए अनुमति देता है। इसलिए, इमेजिंग बायोमार्कर को एक एवननेट में एकीकृत करना बोन मैरो माइक्रोइनवेशन और प्रारंभिक मेटास्टैटिक रोग के लिए एक किराए के पैरामीटर के रूप में काम कर सकता है।

प्रोटोकॉल विकसित करने के लिए, नग्न चूहों में स्तन कैंसर बोन मेटास्टेस के पहले वर्णित मॉडल का उपयोग6,,7,,8किया गया था। इस मॉडल का लाभ इसकी साइट-विशिष्टता है, जिसका अर्थ है कि जानवर विशेष रूप से अपने दाहिने हिंद पैर में बोनी मेटास्टेस विकसित करते हैं। हालांकि, इस दृष्टिकोण का ट्यूमर-टेक दर 60%-80% है, इसलिए अध्ययन के दौरान जानवरों की काफी संख्या में कोई मेटास्टेस विकसित नहीं होती है। एमआरआई और पीईटी/सीटी जैसे इमेजिंग तौर-तरीकों का उपयोग करके मेटास्टेस की उपस्थिति 30 पोस्टइंजेक्शन (पीआई) के दिन से पता लगाने योग्य है । पहले के समय बिंदुओं पर (जैसे, 10 पीआई) इमेजिंग जानवरों के बीच अंतर नहीं करता है जो मेटास्टैटिक रोग विकसित करेंगे और वे नहीं होंगे(चित्र 1)।

10 पीआई के दिन अधिग्रहीत कार्यात्मक इमेजिंग मापदंडों पर प्रशिक्षित एक एवननेट, जैसा कि निम्नलिखित प्रोटोकॉल में वर्णित है, निम्नलिखित ~ 3 हफ्तों के भीतर मैक्रोमेटास्टेस के विकास की भविष्यवाणी या शामिल नहीं है। तंत्रिका नेटवर्क विभिन्न परतों के भीतर कृत्रिम नोड्स को जोड़ते हैं। अध्ययन प्रोटोकॉल में, बोन मैरो रक्त आपूर्ति और मेटाबोलिक गतिविधि के लिए कार्यात्मक इमेजिंग पैरामीटर नीचे की परत का प्रतिनिधित्व करते हैं, जबकि द्रोह की भविष्यवाणी शीर्ष परत का प्रतिनिधित्व करती है। एक अतिरिक्त मध्यवर्ती परत में छिपे हुए नोड्स होते हैं जो ऊपर और नीचे की परत दोनों से जुड़े होते हैं। विभिन्न नोड्स के बीच कनेक्शन की ताकत को नेटवर्क के प्रशिक्षण के दौरान उच्च सटीकता 9 के साथ संबंधित वर्गीकरण कार्य करने के लिए अपडेट कियाजाताहै। इस तरह के तंत्रिका नेटवर्क की सटीकता को कई मॉडलों के आउटपुट को औसत करके और बढ़ाया जा सकता है, जिसके परिणामस्वरूप एवननेट10होता है।

Subscription Required. Please recommend JoVE to your librarian.

Protocol

सभी देखभाल और प्रायोगिक प्रक्रियाओं को पशु संरक्षण पर राष्ट्रीय और क्षेत्रीय कानून के अनुसार किया गया था, और सभी पशु प्रक्रियाओं को जर्मनी के फ्रैंकोनिया राज्य सरकार (संदर्भ संख्या ५५.२ डीएमएस-2532-2-228) द्वारा अनुमोदित किया गया था ।

1. नग्न चूहों के दाहिने पिछले पैर में स्तन कैंसर की हड्डी मेटास्टेस का शामिल होना

नोट: नग्न चूहों में स्तन कैंसर की हड्डी मेटास्टेस के शामिल होने का एक विस्तृत विवरण6,,8कहीं और प्रकाशित किया गया है । सबसे प्रासंगिक कदम नीचे प्रस्तुत किए गए हैं।

  1. संस्कृति एमडीए-एमबी-231 आरपीएमआई-1640 में मानव स्तन कैंसर कोशिकाओं, 10% भ्रूण बछड़ा सीरम (FCS) के साथ पूरक। कोशिकाओं को मानक स्थितियों (37 डिग्री सेल्सियस, 5% सीओ2)के तहत रखें और कोशिकाओं को सप्ताह में 2-3 बार पारित करें।
  2. फॉस्फेट-बफर खारा (पीबीएस) में 2 एमएम ईडीटीए के साथ पास-कॉन्फ्लेंट एमडीए-एमबी-231 कोशिकाओं को धोएं, और फिर 0.25% ट्राइप्सिन के साथ कोशिकाओं को अलग करें। एक Neubauer के कक्ष के साथ सेल एकाग्रता का निर्धारण करें और उन्हें 1.5 x 105 कोशिकाओं/200 माइक्रोन की एकाग्रता पर आरपीएमआई-1640 के 200 माइक्रोन में पुनर्व्यवित करें।
  3. 6-8 सप्ताह पुराने नग्न चूहों का उपयोग करें और उन्हें रोगजनक मुक्त, नियंत्रित स्थितियों (2 डिग्री सेल्सियस ± 2 डिग्री सेल्सियस कमरे का तापमान, 60% आर्द्रता, और 12 एच हल्के-अंधेरे ताल) के तहत रखें। ऑटोक्लेव्ड फीड और वॉटर विज्ञापन लिबिटम ऑफर करें।
  4. सर्जरी करने से पहले, एक एनाल्जेसिक दवा (जैसे, Carprofen 4 मिलीग्राम/kg) चमड़े के नीचे इंजेक्ट करें । 2 एल/मिनट की प्रवाह दर पर आइसोफ्लोराइन (1-1.5 वॉल्यूम%)/ऑक्सीजन मिश्रण के साथ चूहों को एनेस्थेटाइज करें । तेरी अंगुली चुटकी द्वारा संवेदनाहारी गहराई की जांच करें ।
  5. सर्जरी के लिए, 16x आवर्धन के साथ एक ऑपरेटिंग माइक्रोस्कोप का उपयोग करें।
  6. चूहे के दाहिने क्षेत्र में 2-3 सेमी कट करें। सही इंजिनियल क्षेत्र में सभी धमनियों को विच्छेदन करें, जिसमें फेमोरल धमनी (एफए), सतही एपिगैस्ट्रिक धमनी (एसईए), उतरते जेनिकुलर धमनी (डीजीए), पॉपलाइटल धमनी (पीए), और सैफेनस धमनी (एसए) शामिल हैं। एफए पर दो हटाने योग्य क्लिप रखें: समुद्र की शुरुआत के लिए एक समीपस्थ, और एक और सीधे DGA की शुरुआत करने के लिए समीपस्थ ।
  7. समुद्र के डिस्टल हिस्से को लिगेट करें। समुद्र की दीवार का एक कट प्रदर्शन और समुद्र में एक 0.3 मिमी व्यास सुई डालें। स्टेप 1.2 से लेकर सुई तक सेल सस्पेंशन वाली सिरिंज को कनेक्ट करें। एफए से डिस्टल क्लिप निकालें और इसके बजाय एसए क्लिप करें ।
  8. धीरे-धीरे समुद्र में कदम 1.2 (1.5 x 105 कोशिकाओं/200 μL) से एमडीए-एमबी-231 सेल निलंबन इंजेक्ट करें। सुई निकालें, समुद्र लिगेट, और धमनी क्लिप को हटा दें। सर्जिकल क्लिप का उपयोग कर घाव बंद करो और संज्ञाहरण समाप्त। ट्यूमर के आकार और दर्द के किसी भी सबूत का आकलन करने के लिए दैनिक जानवरों की निगरानी करें।

2. चुंबकीय अनुलातन इमेजिंग (एमआरआई)

नोट: एमआरआई प्रक्रियाओं का एक विस्तृत विवरण के लिए, कृपया Bäuerle एट अल11देखें ।

  1. एक समर्पित प्रयोगात्मक स्कैनर (सामग्री की तालिकादेखें) या एक उपयुक्त पशु कुंडली के साथ एक मानव एमआर प्रणाली का उपयोग कर एमआरआई 10 दिन पीआई करें।
  2. ऊपर वर्णित आइसोफ्लुन (1-1.5 वॉल्यूम%)/ऑक्सीजन मिश्रण के साथ चूहे को एनेस्थेटाइज करें। चूहे की पूंछ की नस में कैथेटर रखें और इसे पूंछ पर टेप करें। कंट्रास्ट एजेंट (लगभग 0.5 मिलीएल में 0.1 mmol/kg GD-DTPA) युक्त सिरिंज कनेक्ट करें।
  3. एनेस्थेटाइज्ड चूहे को एमआर सिस्टम में रखें। एक शारीरिक अनुक्रम में सही हिंद पैर के डिस्टल फीमर और समीपस्थ टिबिया का पता लगाएं (उदाहरण के लिए, टी 2-भारित टर्बो स्पिन इको अनुक्रम; टीआर = 8,654 एमएस; TE = 37 एमएस; मैट्रिक्स 320 x 272; FOV = 65 मिमी x 55 मिमी; स्लाइस मोटाई = 1 मिमी; स्कैन समय 11:24 मिनट) ।
  4. सही पिछले पैर के डिस्टल फीमर और समीपस्थ टिबिया को कवर करने वाले स्लाइस निर्धारित करें और डीसीई-एमआरआई अनुक्रम (जैसे, तेजी से कम कोण शॉट अनुक्रम) शुरू करें; टीआर = 3.9 एमएस; TE = 0.88 एमएस; मैट्रिक्स = 256 x 216; FOV = 65 x 54मिमी 2; स्लाइस मोटाई = 1 मिमी; 8 स्लाइस; 100 समय अंक; स्कैन समय = 8:25 मिनट) । 30 एस के बाद, 10 एस की समय अवधि में कंट्रास्ट एजेंट को इंजेक्शन ़ देना शुरू करें।
    नोट: एमआरआई परीक्षा करने का कुल समय प्रति पशु लगभग 20 मिनट है।

3. पॉजिट्रॉन उत्सर्जन टोमोग्राफी/गणना टोमोग्राफी (पीईटी/सीटी)

नोट: पीईटी प्रक्रियाओं के विस्तृत विवरण के लिए, कृपया चेंग को अल12पर देखें ।

  1. एक समर्पित प्रयोगात्मक स्कैनर का उपयोग कर 10 दिन पीईटी/सीटी इमेजिंग 10 दिन PI प्रदर्शन (सामग्री की तालिकादेखें) ।
  2. इमेजिंग से पहले जानवरों को उपवास रखें। चरण 2.2 में वर्णित चूहे को एनेस्थेटाइज करें और ऊपर वर्णित पूंछ नस में कैथेटर डालें।
  3. 18 एफ-फ्लोरोडेऑक्सीग्लूकोज (18एफ-एफडीजी) के6एमबीक्यू को पूंछ की नस में इंजेक्ट करें और ट्रेसर को ठीक से वितरित करने की अनुमति देने के लिए ~ 30 मिनट का इंतजार करें।
  4. सीटी अधिग्रहण (ट्यूब वोल्टेज = 80 केवी, ट्यूब वर्तमान = 500 μA, आइसोट्रोपिक रिज़ॉल्यूशन = 48.9 माइक्रोन, अवधि = 10 मिनट)।
  5. एक स्थिर पीईटी अधिग्रहण (लोअर/अपर भेदभावपूर्ण स्तर = 350/650 केवी; टाइमिंग विंडो = 3.438 एनएस; अवधि = 15 मिनट) करें।

4. वैकल्पिक इमेजिंग रणनीतियों

  1. हिंद पैर में एमडीए-एमबी-231 कोशिकाओं के शीघ्र मूल्यांकन के लिए, बायोल्यूमिनेसेंस के लिए 1.5 x10 5 लेबल वाली कोशिकाएं /200 माइक्रोन (यानी, लूसिफ़ेरिन व्यक्त करने वाली कोशिकाएं, एमडीए-एमबी-231-ल्यूक13)या फ्लोरेसेंस इमेजिंग (यानी, हरे या लाल फ्लोरोसेंट प्रोटीन को व्यक्त करने वाली कोशिकाएं, एमडीए-एमबी-231-जीएफपी/एफएफपी13)। ट्यूमर सेल टीका14के बाद इंट्राओसियस एमडीए-एमबी-231 कोशिकाओं का पता लगाने के लिए प्रीक्लिनिकल ऑप्टिकल इमेजिंग के लिए सिस्टम का उपयोग करें।
  2. एमआरआई7के बराबर संवहनी के रूपात्मक और कार्यात्मक मापदंडों को प्राप्त करने के लिए माइक्रोबबल्स के नसों में इंजेक्शन के बाद एक समर्पित स्कैनर का उपयोग करके प्रयोगात्मक अल्ट्रासाउंड करें ।

5. एमआरआई विश्लेषण

  1. डीसीई प्लगइन16 के साथ एक DICOM व्यूअर15 का उपयोग करें और शीर्ष मेनू में"आयात"बटन पर क्लिक करके 4D-मोड में डीसीई अनुक्रम लोड करें, चरण 2.4 से एमआर छवियों वाले DICOM फ़ोल्डर का चयन करें, और शीर्ष मेनू में"4D व्यूअर"पर क्लिक करें।
  2. 1.5मिमी2 के लक्ष्य आकार के साथ एक परिपत्र 2-आयामी क्षेत्र रखें, दाएं हिंद पैर के समीपस्थ टिबियल शाफ्ट के बोन मैरो में, अधिमानतः 8 छवियों से मिलकर अनुक्रम से छवि संख्या 4 या 5 का उपयोग करना, क्योंकि ये केंद्र छवियां अधिक स्थिर परिणाम प्रदान करती हैं।
  3. शीर्ष मेनू से डीसीई प्लगइन शुरू करें,"प्लॉट टाइप"क्षेत्र में"सापेक्ष वृद्धि"का चयन करें, और इन नंबरों को संबंधित क्षेत्रों में टाइप करके समय बिंदु 1 से 5 तक बेसलाइन रेंज को परिभाषित करें। विश्लेषण को संबंधित बटन के साथ .txt फ़ाइल के रूप में निर्यात करें और फ़ाइल नाम के रूप में "DCEraw.txt" चुनें।
  4. 17 खोलें और"ओपनफाइल" का चयन करके"फ़ाइल"मेनू के माध्यम से प्रदान की गई DCE-Script.R फ़ाइल लोड करें। 'कोड',फिर भागो क्षेत्र और फिर मेन्यू से'भागोसभी'का चयन कर पूरी स्क्रिप्ट चलाएं। "इमेजिंगफीचर्स.xlsx"(चित्रा 2)नाम की प्रदान की गई टेम्पलेट फ़ाइल को आउटपुट कॉपी करें।
  5. DICOM दर्शक में, जानवर की पिछली मांसपेशियों के भीतर एक दूसरा आरओआई रखें और सामान्यीकरण उद्देश्यों के लिए मांसपेशी डीसीई माप प्राप्त करने के लिए चरण 5.2-5.4 दोहराएं। स्प्रेडशीट "इमेजिंगफीचर्स.xlsx" के भीतर, संबंधित हड्डी माप स्वचालित रूप से सामान्यीकरण उद्देश्यों के लिए संबंधित मांसपेशियों के माप से विभाजित होते हैं।
  6. सभी जानवरों के लिए चरण 5.1-5.5 दोहराएं और स्प्रेडशीट को पूरा करें।

6. पीईटी/सीटी विश्लेषण

  1. पीईटी/सीटी विश्लेषण सॉफ्टवेयर खोलें और"फाइल"पर क्लिक करके चरण 3 में प्राप्त डेटा आयात करें, इसके बाद"मैनुअल आयात"। ct.img.hd और pet.img.hdr फ़ाइलों को चिह्नित करें। क्लिक करें'ओपन'और'इम्पोर्ट ऑल'चुनें।
  2. "सामान्यविश्लेषण"का चयन करके डेटासेट खोलें, इसके बाद"ओके"करें।
  3. "आरओआई क्वांटिफिकेशन"का चयन करें, इसके बाद"बनाएं",और फिर"एक टेम्पलेट से एक आरओआई बनाएं"। दाहिने हिंद पैर के समीपस्थ टिबियल शाफ्ट के अस्थि मज्जा में 2-आयामी आरओआई लगभग 4 मिमी x 6 मिमी रखें।
  4. "ROIs (लक्ष्य 1 ओवरले)का चयन करें" और Bq/mL में मतलब, न्यूनतम और अधिकतम मूल्यों को लिखें ।
  5. अधिकतम मानकीकृत तेज मूल्य (एसयूवीमैक्स)की गणना करें: इंजेक्शन गतिविधि द्वारा अधिकतम मूल्य (बीक्यू/एमएल) विभाजित करें और परिणाम को ग्राम में जानवर के वजन से गुणा करें। स्प्रेडशीट(चित्रा 2)में परिणाम दर्ज करें ।

7. ट्यूमर लेने की दर का निर्धारण

  1. सही हिंद पैर में ट्यूमर वृद्धि का निदान करने के लिए, 30 पीआई दिन पर एमआर और पीईटी/सीटी इमेजिंग दोहराएं, जैसा कि ऊपर वर्णित है ।
    नोट: ट्यूमर 30 पीआई दिन पर स्पष्ट रूप से दिखाई देगा और एमआरआई में T2w-हाइपरइंटेंस घावों और स्पष्ट विपरीत वृद्धि की सुविधा, पीईटी/सीटी में एक स्पष्ट रूप से ऊंचा एसयूवीअधिकतम के साथ । पिछले प्रयोगों के अनुसार, 60%-80% जानवर अपने दाहिने हिंद पैर में मेटास्टेस विकसित करेंगे।
  2. एक अतिरिक्त "ट्यूमर" कॉलम जोड़कर स्प्रेडशीट को पूरा करें और मेटास्टेस प्रस्तुत करने वाले हर जानवर के लिए "1" दर्ज करें, और दिखाई देने वाले ट्यूमर बोझ(चित्रा 2)के बिना हर जानवर के लिए "0")। डाउनलोड फ़ोल्डर के भीतर "इमेजिंगफीचर्स.xlsx" के रूप में स्प्रेडशीट को सहेजें।

8. फ़ीचर चयन

  1. भविष्य के ट्यूमर के विकास की भविष्यवाणी के लिए सबसे प्रासंगिक सुविधाओं का निर्धारण करने के लिए, स्प्रेडशीट को ओपन-सोर्स डेटा विज़ुअलाइज़ेशन, मशीन लर्निंग और डेटा माइनिंग टूलकिट18में आयात करें।
  2. डेटा मेनू से फ़ाइल-सब्रूटिन को दाईं ओर कार्यक्षेत्र में ड्रा करें और इसे डबल-क्लिक करें। "फ़ोल्डर"आइकन पर क्लिक करके और फ़ाइल "इमेजिंगफीचर्स.xlsx" का चयन करके स्प्रेडशीट लोड करें। "निर्यात"वर्कशीट का चयन करें और वेरिएबल"ट्यूमर"को लक्ष्य-विशेषता प्रदान करें। "छोड़ें"समारोह को पशु संख्या(चित्र 3)को असाइन करें।
  3. डेटा मेनू से'रैंक'सबरूटीन को कार्यक्षेत्र में ड्रा करें और उनके बीच एक रेखा खींचकर'फाइल'और'रैंक'सबरूटीन को कनेक्ट करें।
  4. अपने आइकन पर डबल क्लिक करके'रैंक'सबरूटीन खोलें, और'सूचना लाभ'एल्गोरिदम19का चयन करें।
  5. पांच अधिग्रहीत मापदंडों से, आगे के विश्लेषण (एसयूवीमैक्स,पीई, और एयूसी) के लिए शीर्ष तीन का उपयोग करें।
    नोट: ये पैरामीटर मेटाबोलिक गतिविधि (एसयूवीमैक्स)और ऊतक संवहनी (पीई और एयूसी) को दर्शाते हैं।

9. एमएल विश्लेषण

  1. ओपन RStudio 3.4.117 और"फ़ाइल"मेनू के माध्यम से प्रदान की TrainModel.R-स्क्रिप्ट लोड ।
  2. टाइप करके आवश्यक पुस्तकालयों को स्थापित करें (यह केवल एक बार किया जाना है): इंस्टॉल करें.पैकेज (सी ("कैरट", "रीडक्सल", "PROC", "RcmdrPlugin.EZR", "ggplot2"))
  3. आवश्यक पुस्तकालयों को लोड करने और डाउनलोड फ़ोल्डर को कार्य निर्देशिका के रूप में सेट करने के लिए, TrainModel.R स्क्रिप्ट के भीतर लाइनों 3-5 का चयन करें।
  4. मेनू के भीतर"कोड"पर क्लिक करके चयनित कोड चलाएं, और फिर"चयनित रेखा (ओं) चलाएं।.

10. एक एवननेट एमएल एल्गोरिदम का प्रशिक्षण

  1. एक avNNet एल्गोरिथ्म को प्रशिक्षित करने के लिए, TrainModel.R-Script से 8-39 लाइनों का चयन करें (चरण 9.1 देखें)।
  2. मेनू के भीतर"कोड"पर क्लिक करके चयनित कोड चलाएं, और फिर"चयनित रेखा (ओं) चलाएं।.

11. एमएल एल्गोरिदम के परिणामों का विश्लेषण

  1. नैदानिक सटीकता (संवेदनशीलता, विशिष्टता, सकारात्मक और नकारात्मक भविष्य कहनेवाला मूल्य, और संभावना अनुपात) के मानक मापदंडों का आकलन करने के लिए, TrainModel.R-Script से 41-50 लाइनों का चयन करें।
  2. मेनू के भीतर"कोड"पर क्लिक करके चयनित कोड चलाएं, और फिर"चयनित रेखा (ओं) चलाएं।.

12. अपने घटक मापदंडों के आरओसी घटता के साथ अंतिम मॉडल के रिसीवर ऑपरेटिंग विशेषता (ROC) वक्र की तुलना

  1. अपने घटक मापदंडों के आरओसी वक्र के साथ मॉडल के आरओसी वक्र की तुलना करने के लिए DeLong के परीक्षणों को करने के लिए, TrainModel.R-Script से 52-62 लाइनों का चयन करें (चरण 9.1 देखें)।
  2. मेनू के भीतर"कोड"पर क्लिक करके चयनित कोड चलाएं, और फिर"चयनित रेखा (ओं) चलाएं।.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

चूहों एमडीए-एमबी-२३१ स्तन कैंसर कोशिकाओं की सर्जरी और इंजेक्शन से जल्दी बरामद किया और फिर 10 और 30 पीआई(चित्रा 1)पर एमआर और पीईटी/सीटी इमेजिंग के अधीन थे । एक चूहे के दाहिने समीपस्थ टिबिया का एक प्रतिनिधि डीसीई विश्लेषण चित्र 2 एमें प्रस्तुत किया गया है । DCE कच्चे माप"निर्यात"बटन का चयन और फ़ाइल नाम के रूप में "DCEraw.txt" चुनने के द्वारा बचाया गया ।

गतिशील मापदंडों, एयूसी, पीई और वॉशआउट की बाद की गणना संबंधित स्क्रिप्ट के साथ RStudio में की गई थी। डीसीई मापों के आउटपुट को "डाउनलोड" फ़ोल्डर के भीतर "DCEraw.txt" के रूप में सहेजा जाना था, ताकि स्क्रिप्ट को डेटा टेबल प्रदान करने के लिए अतिरिक्त विन्यास के बिना सीधे चलाया जा सके, जैसा कि चित्र 2 बीमें दर्शाया गया है। इन आंकड़ों को प्रदान की गई स्प्रेडशीट(चित्रा 2C)में कॉपी किया गया था। इसी तरह, मस्कुलर टिश्यू के लिए डीसीई पैरामीटर निर्धारित किए गए थे और उन्हें स्प्रेडशीट(चित्रा 2डी,ई)में स्थानांतरित कर दिया गया था। मांसपेशियों के माप द्वारा हड्डी माप को विभाजित करके इन मूल्यों को सामान्य बनाया गया था; यह स्प्रेडशीट के भीतर स्वचालित रूप से किया गया था। पीईटी/सीटी से, गणना एसयूवीअधिकतम मूल्यों को बाद में तालिका(चित्रा 2F)में स्थानांतरित कर दिया गया ।

30 पीआई के दिन, सभी जानवरों का मूल्यांकन यह निर्धारित करने के लिए किया गया था कि उन्होंने मेटास्टेस विकसित किया है या नहीं, और तालिका को स्प्रेडशीट(चित्रा 2C)के सबसे सही कॉलम के भीतर "1" और स्वस्थ जानवरों के रूप में सकारात्मक ट्यूमर बोझ को कोडिंग करके पूरा किया गया था।

स्प्रेडशीट को ओपन-सोर्स डेटा विज़ुअलाइज़ेशन, मशीन लर्निंग और डेटा माइनिंग टूलकिट में आयात किया गया था, और फीचर रैंकिंग ने मेटास्टैटिक रोग(चित्र 3)की भविष्यवाणी के लिए शीर्ष तीन सुविधाओं के रूप में एसयूवीमैक्स,पीई और एयूसी का खुलासा किया। ये पैरामीटर मेटाबोलिक एक्टिविटी (एसयूवीमैक्स)और टिश्यू वैस्कुलराइजेशन (पीई और एयूसी) को दर्शाते हैं ।

TrainModel.R स्क्रिप्ट चलाने स्वचालित रूप से स्प्रेडशीट आयात और एक avNNet की गणना की । इष्टतम हाइपरपैरामीटर संयोजन(चित्रा 4A)निर्धारित किया गया था और अंतिम मॉडल की गणना तब इष्टतम हाइपरपैरामीटर संयोजन(चित्रा 4B)का उपयोग करके की गई थी। इसके बाद, मानक नैदानिक मापदंडों का एक सेट(चित्रा 4C)की गणना की गई और मॉडल के एक आरओसी वक्र(चित्रा 4D)की साजिश रची गई।

सकारात्मक परिणाम चित्रा 4B- D में दिखाया गयाहै। अपने तीन घटकों (यानी, AUC, पीई, और एसयूवीमैक्स)के आरओसी वक्र के साथ मॉडल के आरओसी वक्र की तुलना से पता चला कि मॉडल ने अपने तीन घटकों (पी = 0.01 AUC के लिए, पी = 0.003 पीई के लिए, और एसयूवीमैक्सके लिए पी = 0.007) से काफी बेहतर प्रदर्शन किया। एक avNNet के लिए तीन चयनित मापदंडों का संयोजन अधिक संवेदनशील था, इस प्रकार 85.7% की समग्र सटीकता के साथ स्थूल रोग की भविष्यवाणी की अनुमति (95% विश्वास अंतराल = 67.3%-96.0%)। ये परिणाम 28 नमूनों के विश्लेषण से प्राप्त किए गए थे । जानवरों की संख्या बढ़ाकर आत्मविश्वास अंतराल को और संकुचित किया जा सकता है ।

नकारात्मक परिणाम प्राप्त किया जा सकता है के रूप में यहां वर्णित है । सटीकता के उपाय विशिष्ट प्रकार के मशीन लर्निंग एल्गोरिदम और डेटा प्रीप्रोसेसिंग के चरणों के प्रति अत्यधिक संवेदनशील थे। विशेष रूप से तंत्रिका नेटवर्क, इनपुट डेटा को सामान्य बनाने पर बेहतर प्रदर्शन करने के लिए प्रवृत्त हुए। यह प्रोटोकॉल की धारा 10 में "BoxCox" समारोह (प्रदान की गई TrainModel.R-Script के भीतर लाइनें 22 और 36) द्वारा हासिल किया गया था। सामान्यीकरण से परहेज करना और एक अलग एल्गोरिदम का उपयोग करना (उदाहरण के लिए, एक तंत्रिका नेटवर्क औसत नहीं है), विधि को बदलकर "एननेट" (प्रदान की गई TrainModel.R-Script के भीतर लाइनें 21 और 35), इसके परिणामस्वरूप आरओसी वक्र(अनुपूरक चित्रा 1)के तहत 0.594 का क्षेत्र हुआ। इस तरह के एक मॉडल अपने तीन घटकों को काफी मात देने में विफल रहा (सभी पी और जीटी; ०.१५) ।

क्योंकि स्क्रिप्ट RStudio 3.4.1 और कैरट पैकेज संस्करण 6.0-84 के लिए अनुकूलित किया गया था, विभिन्न सॉफ्टवेयर संस्करणों का उपयोग कर अलग परिणाम निकल सकता है। इस पांडुलिपि में उपयोग किए गए सॉफ्टवेयर संस्करणों के साथ प्रदान की गई लिपियों को चलाने से समान परिणाम मिलेंगे। हालांकि, यदि पाठकों का उद्देश्य स्क्रिप्ट को संशोधित करना है, अतिरिक्त चर जोड़ना, दस्तावेज़ फ़ोल्डर्स या फ़ाइल नाम बदलना है, या मशीन लर्निंग एल्गोरिदम को अधिक विस्तार से संशोधित करना है, तो कोड के संबंधित समायोजन आवश्यक होंगे। इन मामलों के लिए, कैरट-पैकेज का मैनुअल20में गहराई से स्पष्टीकरण प्रदान करता है।

Figure 1
चित्रा 1: प्रतिनिधि एमआर और पीईटी/सीटी छवियां । एक जानवर के दाहिने हिंद पैर की एमआर और पीईटी/सीटी छवियां जो अध्ययन के दौरान मेटास्टेस विकसित नहीं करती थीं (दो वामपंथी कॉलम, दिन 10 और दिन 30 पीआई से छवियों के साथ), और एक जानवर जिसने दिन 10 और दिन 30 पीआई (दो सही कॉलम, मेटास्टेस तीर के साथ चिह्नित) के बीच मेटास्टेस विकसित किए। T2w छवियों (ऊपरी पंक्ति) में मेटास्टेस की उच्च संकेत तीव्रता, वक्र (AUC; दूसरी पंक्ति) के तहत वृद्धि हुई क्षेत्र द्वारा चित्रित विपरीत वृद्धि, और पीईटी/सीटी (एसयूवीअधिकतम;तीसरी पंक्ति) में बढ़ी हुई अधिकतम मानकीकृत तेज मूल्य पर ध्यान दें । ध्यान दें कि दिन 30 पीआई और जानवर जो कोई हड्डी मेटास्टेस विकसित नहीं करते हैं, उस दिन 10 पीआई (पहला और तीसरा कॉलम) पर अधिग्रहीत छवियों में कोई अंतर नहीं है। यह आंकड़ा Ellmann एट अल5से संशोधित किया गया था । कृपया इस आंकड़े का एक बड़ा संस्करण देखने के लिए यहां क्लिक करें ।

Figure 2
चित्रा 2: इमेजिंग सुविधाओं और एक स्प्रेडशीट में संकलन का आकलन। (क)समीपस्थ टिबिया के बोन मैरो के गतिशील विपरीत वृद्धि का विश्लेषण डीसीई प्लगइन16 का उपयोग करके फ्रीवेयर डिकॉम दर्शक15के साथ किया गया था । संबंधित माप ों को सहेजा गया, और(ख)ने आगे RStudio17में प्रदान की गई DCE-Script.R-फ़ाइल के साथ विश्लेषण किया । (ग)आउटपुट को स्प्रेडशीट में कॉपी किया गया था (टेम्पलेट के लिए पूरक सामग्री देखें)। (घ)इसी तरह, डीसीई माप आसन्न मांसपेशियों के ऊतकों के लिए किया गया था, RStudio(ई)का उपयोग कर विश्लेषण किया, और फिर स्प्रेडशीट के लिए नकल की । मांसपेशियों के माप(सी,सामन-छायांकित कोशिकाओं) के परिणामों द्वारा हड्डी माप के परिणामों को विभाजित करके डेटा को सामान्य बनाया गया था। (च)पीईटी/सीटी माप विक्रेता के सॉफ्टवेयर के साथ किया गया । अधिकतम मानकीकृत तेज मूल्य की गणना इंजेक्शन गतिविधि द्वारा संबंधित माप को विभाजित करके और जानवर के शरीर के वजन से गुणा करके की गई थी। बाद में रिजल्ट को स्प्रेडशीट में कॉपी किया गया । कृपया इस आंकड़े का एक बड़ा संस्करण देखने के लिए यहां क्लिक करें ।

Figure 3
चित्रा 3: फीचर रैंकिंग। अधिग्रहीत इमेजिंग सुविधाओं की रैंकिंग "फ़ाइल"-सबरूटीन के माध्यम से स्प्रेडशीट आयात करके एक ओपन-सोर्स डेटा विज़ुअलाइज़ेशन, मशीन लर्निंग और डेटा माइनिंग टूलकिट18 के भीतर की गई थी, और "रैंक"-सबरूटीन के माध्यम से इसका विश्लेषण किया गया था। कृपया इस आंकड़े का एक बड़ा संस्करण देखने के लिए यहां क्लिक करें ।

Figure 4
चित्रा 4: प्रतिनिधि RStudio उत्पादन। मशीन लर्निंग एल्गोरिदम को प्रदान किए गए TrainModel.R-स्क्रिप्ट फ़ाइल के साथ RStudio17 का उपयोग करके विकसित किया गया था। (क)मॉडल-औसत तंत्रिका नेटवर्क के लिए विभिन्न हाइपरपैरामीटर संयोजनों के बीच एक ग्रिड खोज से तीन न्यूरॉन्स का आकार और इष्टतम के रूप में ०.०००५ का क्षय हुआ । (ख)इस हाइपरपैरामीटर संयोजन का उपयोग करते हुए, एक पूर्ण नेटवर्क को प्रशिक्षित और क्रॉस-मान्य किया गया था, जो 85.7% की समग्र सटीकता तक पहुंच गया था। (ग)नैदानिक सटीकता के मानक मापदंडों, संवेदनशीलता, विशिष्टता, सकारात्मक और नकारात्मक भविष्य कहनेवाला मूल्यों, और संभावना अनुपात सहित, एक भ्रम मैट्रिक्स से गणना की गई । (घ)क्रॉस-मान्य मॉडल के एक प्रतिनिधि आरओसी प्लॉट ने 0.917 के वक्र (एयूसी) के तहत एक क्षेत्र का खुलासा किया। कृपया इस आंकड़े का एक बड़ा संस्करण देखने के लिए यहां क्लिक करें ।

अनुपूरक चित्र 1: नकारात्मक परिणाम। इनपुट मापदंडों के सामान्यीकरण से औसत और परहेज किए बिना एमएल एल्गोरिदम को एक तंत्रिका नेटवर्क में बदलने से आरओसी वक्र के वक्र के तहत क्षेत्र की एक बूंद 0.917(चित्रा 4D)से 0.594 हो गई। इस फाइल को डाउनलोड करने के लिए यहां क्लिक करें।

अनुपूरक चित्रा 2: वैकल्पिक सुविधा रैंकिंग। चित्र 3में चित्रित मानक विधि के विपरीत, रैंकिंग में शामिल इसके महत्व के साथ एक यादृच्छिक चर भी ("रैंडम"; नीले रंग में हाइलाइट किया गया था) भी पेश किया गया था। इस दृष्टिकोण ने वेरिएबल्स एसयूवीमैक्स,पीई और एयूसी के लागू चयन की पुष्टि की। इस फाइल को डाउनलोड करने के लिए यहां क्लिक करें।

Subscription Required. Please recommend JoVE to your librarian.

Discussion

एमएल एल्गोरिदम एक संयुक्त मॉडल में कई भविष्य कहनेवाला सुविधाओं को एकीकृत करने और एक सटीकता प्राप्त करने के लिए उपयोग किए जाने वाले शक्तिशाली उपकरण हैं जो अकेले उपयोग किए जाने पर इसके अलग-अलग घटकों से अधिक होते हैं। बहरहाल, वास्तविक परिणाम कई महत्वपूर्ण चरणों पर निर्भर करता है । सबसे पहले, एमएल एल्गोरिदम का उपयोग किया जाता है, एक महत्वपूर्ण कारक है, क्योंकि विभिन्न एमएल एल्गोरिदम अलग-अलग परिणाम देते हैं। इस प्रोटोकॉल में उपयोग किया जाने वाला एल्गोरिदम एक एवननेट है, लेकिन अन्य होनहार एल्गोरिदम में एक्सट्रीम रेडिएंट बूस्टिंग21 या रैंडम वन शामिल हैं। RStudio के लिए कैरट पैकेज20 विभिन्न एल्गोरिदम (वर्तमान में >175) की अधिकता प्रदान करता है, और प्रस्तावित प्रोटोकॉल कोड की एकल लाइनों को बदलकर एक एल्गोरिदम से दूसरे में स्विच करने के मामले में अत्यधिक लचीला है (उदाहरण के लिए, विधि = "एवननेट" विधि = "आरएफ" में बदलना) और क्रमशः एमवीटी एल्गोरिदम के लिए ट्यून्डग्रिड-सेटिंग्स को अनुकूलित करना। विवरण के लिए, कैरट गिथब भंडार22देखें । विभिन्न एल्गोरिदम का एक उत्कृष्ट सिंहावलोकन और विभिन्न वर्गीकरण समस्याओं के संबंध में उनके प्रदर्शन को फर्नांडीज-डेलगाडो एट अलद्वारा प्रकाशित किया गया था और यह अन्य प्रयोगों के लिए एक प्रारंभिक बिंदु के रूप में काम कर सकता है।

एक अन्य महत्वपूर्ण कारक एमएल एल्गोरिदम में शामिल करने के लिए प्रासंगिक सुविधाओं का विकल्प है। इस प्रोटोकॉल में अवनीनेट को प्रशिक्षित करने के लिए उपलब्ध सुविधाओं को रैंक करने और सबसे प्रासंगिक लोगों का उपयोग करने के लिए फिल्टर विधि, "सूचना लाभ"19के उपयोग का प्रस्ताव है। फ़िल्टर विधियां केवल सामान्य मान्यताओं पर आधारित होती हैं, जैसे कि भविष्यवाणी करने के लिए चर के साथ सहसंबंध, इसलिए शोधकर्ताओं को24,,25उपयोग किए गए क्लासिफायर से स्वतंत्र रूप से सुविधाओं का चयन करना चाहिए। इस तरह के तरीके गणना समय में विशेष रूप से प्रभावी होते हैं और ओवरफिटिंग के लिए मजबूत होते हैं। हालांकि, अप्रासंगिक सुविधाओं से प्रासंगिक को अलग करने वाली कटऑफ को उपयोगकर्ता द्वारा परिभाषित किया गया है, जिससे यह कुछ हद तक मनमाना हो जाता है। प्रस्तावित प्रोटोकॉल के लिए, शीर्ष 75% जानकारी लाभ वाले सुविधाओं का उपयोग एसयूवीमैक्स,पीई और एयूसी के अनुरूप किया गया था। हालांकि, इस चयन को व्यवस्थित रूप से एक यादृच्छिक चर को शामिल करके मजबूत किया जा सकता है जिसका लक्ष्य से कोई संबंध नहीं है, इसकी जानकारी लाभ की गणना की जाती है, और फिर इसकी तुलना वास्तविक विशेषताओं(अनुपूरक चित्रा 2)के जानकारी लाभ से की जाती है। यह थोड़ा अधिक परिष्कृत दृष्टिकोण इसके अतिरिक्त सबसे प्रासंगिक होने के रूप में तीन उपरोक्त सुविधाओं की पसंद की पुष्टि की। फिर भी, कई अलग-अलग फ़िल्टर विधियां मौजूद हैं, साथ ही अन्य दृष्टिकोण जो एक विशेष क्लासिफायर एल्गोरिदम के संबंध में सुविधाओं का चयन करते हैं, जैसे सुविधा निष्कर्षण और रैपर विधियां। विभिन्न सुविधा चयन दृष्टिकोण अलग-अलग परिणाम दे सकते हैं।

एमएल एल्गोरिदम की सामान्यता सुनिश्चित करने और ओवरफिटिंग को आगे रोकने के लिए, प्रस्तावित प्रोटोकॉल लीव-वन-आउट क्रॉस-वैलिडेशन (LOOCV) लागू करता है। हालांकि, सबसे अच्छा तरीका यह होगा कि पूरे डेटा सेट से एक सबसेट को बेतरतीब ढंग से हटा दिया जाए, और इसे परीक्षण सेट के रूप में माना जाए। एमएल एल्गोरिदम को बाद में परीक्षण सेट के परिणाम की भविष्यवाणी करने के लिए शेष डेटा (यानी, प्रशिक्षण सेट) पर प्रशिक्षित किया जाता है। हालांकि, इस दृष्टिकोण को पर्याप्त रूप से बड़े डेटा सेट की आवश्यकता है। छोटे नमूना आकारों के लिए, LOOCV का आवेदन आम है क्योंकि यह एक मॉडल की सच्ची सामान्यीकरण क्षमता26का लगभग निष्पक्ष अनुमान प्रदान करता है। LOOCV में, डेटा सेट से पहला डेटा बिंदु हटा दिया जाता है, और एवननेट को बनाए गए डेटा के साथ प्रशिक्षित किया जाता है। फिर, पूर्व में रोके गए डेटा बिंदु के परिणाम की भविष्यवाणी की जाती है और सहेजी जाती है। यह प्रक्रिया सभी डेटा बिंदुओं के लिए दोहराई जाती है, ताकि अंत में प्रत्येक परिणाम को उन डेटा के साथ भविष्यवाणी की जा सके जिनका उपयोग एल्गोरिदम को प्रशिक्षित करने के लिए नहीं किया गया था। अन्य सत्यापन दृष्टिकोणों में एक्स-फोल्ड क्रॉस-वैलिडेशन (सबसे अधिक 10 गुना) शामिल हैं और कोड के भीतर संबंधित ट्रेनकंट्रोल पैरामीटर को विधि = "सीवी" में बदलकर आसानी से लागू किया जा सकता है।

मात्रात्मक दृष्टिकोण से, चिकित्सा छवियों का आम तौर पर एक बहुत ही बुनियादी तरीके से मूल्यांकन किया जाता है, जो मुख्यतः संभावित संदिग्ध घावों या क्षेत्रों27, 28,के आकार और आकार के माप पर निर्भरहोताहै। हालांकि, मेडिसिन में डिजिटल इमेजिंग एंड कम्युनिकेशंस (DICOM) मानक का लाभ यह है कि यह कई सुविधाओं को निकालने की अनुमति देता है, जिसे रेडियोमिक्स के रूप में जाना जाता है। "रेडियोमिक्स" शब्द को शुरू में29की बड़ी मात्रा में छवि सुविधाओं के उच्च थ्रूपुट निष्कर्षण के रूप में परिभाषित किया गया था, लेकिन बाद में छवियों को उच्च आयामी डेटा30में बदलने को शामिल करने के लिए बढ़ाया गया था। हालांकि, उच्च आयामी डेटा का उपयोग मुख्य रूप से30कारणों के बजाय सहसंबंधों की पहचान करने के लिए किया जाता है। इस प्रोटोकॉल में वर्णित विशेषताएं क्लासिक रेडियोलॉजिकल सुविधाओं, जैसे आकार और आकार और रेडियोमिक्स के बीच में आती हैं, क्योंकि वे सामान्य रूप से संवहनी और मेटाबोलिक गतिविधि के स्वीकृत मापदंडों के समान होती हैं। यह प्रसारित ट्यूमर कोशिकाओं के माइक्रोइनवेशन के लिए एक संभावित कारण संबंध प्रदान करता है। यदि उपयोगकर्ता द्वारा वांछित है, तो रेडियोमिक सुविधाओं का निष्कर्षण विभिन्न सॉफ्टवेयर पैकेज31के साथ किया जा सकता है।

प्रदान किया गया प्रोटोकॉल सुविधाओं की एक सीमित संख्या तक ही सीमित नहीं है। इस प्रकार, इसका उपयोग बड़े रेडियोमिक्स डेटा सेट के साथ किया जा सकता है। हालांकि, बढ़ते डेटा सेट के साथ सुविधा चयन का उपर्युक्त मुद्दा तेजी से महत्वपूर्ण हो जाता है। प्रस्तुत प्रोटोकॉल को ऑन्कोलॉजी, संक्रमण या सूजन32के क्षेत्रों से विभिन्न अध्ययन सेटिंग्स में भी स्थानांतरित किया जा सकता है।

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

लेखक हितों के टकराव की घोषणा नहीं करते हैं । अध्ययन के डिजाइन में फंडर्स की कोई भूमिका नहीं थी; डेटा के संग्रह, विश्लेषण या व्याख्या में; पांडुलिपि के लेखन में, या परिणाम प्रकाशित करने के निर्णय में।

Acknowledgments

इस काम को जर्मन रिसर्च फाउंडेशन (डीएफजी, सहयोगी अनुसंधान केंद्र सीआरसी 1181, उपपरियोजना Z02 द्वारा समर्थित किया गया था; प्राथमिकता कार्यक्रम μBone, परियोजनाओं बीए 4027/10-1 और बीओ ३८११), स्कैनिंग उपकरणों के लिए अतिरिक्त सहायता सहित (INST 410/77-1 FUGG और INST 410/93-1 FUGG), और उभरते फील्ड्स पहल (EFI) द्वारा "बिग Thera" फ्रेडरिक-अलेक्जेंडर-विश्वविद्यालय Erlangen-Nübergrn ।

Materials

Name Company Catalog Number Comments
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

DOWNLOAD MATERIALS LIST

References

  1. D'Oronzo, S., Brown, J., Coleman, R. The role of biomarkers in the management of bone-homing malignancies. Journal of Bone Oncology. 9, 1-9 (2017).
  2. Ellmann, S., Beck, M., Kuwert, T., Uder, M., Bäuerle, T. Multimodal imaging of bone metastases: From preclinical to clinical applications. Journal of Orthopaedic Translation. 3 (4), 166-177 (2015).
  3. Braun, S., Pantel, K. Clinical significance of occult metastatic cells in bone marrow of breast cancer patients. The Oncologist. 6 (2), 125-132 (2001).
  4. Braun, S., Rosenberg, R., Thorban, S., Harbeck, N. Implications of occult metastatic cells for systemic cancer treatment in patients with breast or gastrointestinal cancer. Seminars in surgical oncology. 20 (4), 334-346 (2001).
  5. Ellmann, S., et al. Prediction of early metastatic disease in experimental breast cancer bone metastasis by combining PET/CT and MRI parameters to a Model-Averaged Neural Network. Bone. 120, 254-261 (2018).
  6. Bäuerle, T., Komljenovic, D., Berger, M. R., Semmler, W. Multi-modal imaging of angiogenesis in a nude rat model of breast cancer bone metastasis using magnetic resonance imaging, volumetric computed tomography and ultrasound. Journal of Visualized Experiments. (66), e4178 (2012).
  7. Merz, M., Komljenovic, D., Semmler, W., Bäuerle, T. Quantitative contrast-enhanced ultrasound for imaging antiangiogenic treatment response in experimental osteolytic breast cancer bone metastases. Investigative Radiology. 47 (7), 422-429 (2012).
  8. Bäuerle, T., et al. Characterization of a rat model with site-specific bone metastasis induced by MDA-MB-231 breast cancer cells and its application to the effects of an antibody against bone sialoprotein. International Journal of Cancer. 115 (2), 177-186 (2005).
  9. Patel, J., Goyal, R. Applications of Artificial Neural Networks in Medical Science. Current Clinical Pharmacology. 2 (3), 217-226 (2008).
  10. Naftaly, U., Intrator, N., Horn, D. Optimal ensemble averaging of neural networks. Network: Computation in Neural Systems. 8 (3), 283-296 (1997).
  11. Bäuerle, T., Merz, M., Komljenovic, D., Zwick, S., Semmler, W. Drug-induced vessel remodeling in bone metastases as assessed by dynamic contrast enhanced magnetic resonance imaging and vessel size imaging: A longitudinal in vivo study. Clinical Cancer Research. 16 (12), 3215-3225 (2010).
  12. Cheng, C., et al. Evaluation of treatment response of cilengitide in an experimental model of breast cancer bone metastasis using dynamic PET with 18F-FDG. Hellenic Journal of Nuclear Medicine. 14 (1), 15-20 (2011).
  13. Marturano-Kruik, A., et al. Human bone perivascular niche-on-a-chip for studying metastatic colonization. Proceedings of the National Academy of Sciences of the United States of America. 115 (6), 1256-1261 (2018).
  14. Sonntag, E., et al. In vivo proof-of-concept for two experimental antiviral drugs, both directed to cellular targets, using a murine cytomegalovirus model. Antiviral Research. 161, 63-69 (2019).
  15. Horos - Free DICOM Medical Image Viewer | Open-Source. , Available from: https://www.horosproject.org/ (2015).
  16. DCE Tool Plugin. , Available from: http://kyungs.bol.ucla.edu/software/DCE_tool/DCE_tool.html (2020).
  17. RStudio Team RStudio: Inteegrated Development for R. , Available from: https://rstudio.com (2015).
  18. Demšar, J., et al. Orange: Data Mining Toolbox in Python. Journal of Machine Learning Research. 14, 2349-2353 (2013).
  19. Saeys, Y., Inza, I., Larrañaga, P. A review of feature selection techniques in bioinformatics. Bioinformatics. 23 (19), 2507-2517 (2007).
  20. Kuhn, M. CRAN - Package caret. , Available from: https://cran.r-project.org/web/packages/caret/index.html (2016).
  21. Chen, T., et al. CRAN: Package xgboost - Extreme Gradient Boosting. , Available from: https://cran.r-project.org/web/packages/xgboost/ (2019).
  22. Available Models | The caret Package. , Available from: http://topepo.github.io/caret/available-models.html (2020).
  23. Fernández-Delgado, M., Cernadas, E., Barro, S., Amorim, D., Fernández-Delgado, A. Do we Need Hundreds of Classifiers to Solve Real World Classification Problems. Journal of Machine Learning Research. 15, 3133-3181 (2014).
  24. Hira, Z. M., Gillies, D. F. A Review of Feature Selection and Feature Extraction Methods Applied on Microarray Data. Advances in Bioinformatics. 2015, 198363 (2015).
  25. Sánchez-Maroño, N., Alonso-Betanzos, A., Tombilla-Sanromán, M. Filter methods for feature selection - A comparative study. Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics). 4881, 178-187 (2007).
  26. Cawley, G. C., Talbot, N. L. C. C. Fast exact leave-one-out cross-validation of sparse least-squares support vector machines. Neural Network. 17 (10), 1467-1475 (2004).
  27. Forghani, R., et al. Radiomics and Artificial Intelligence for Biomarker and Prediction Model Development in Oncology. Computational and Structural Biotechnology Journal. 17, 995-1008 (2019).
  28. Jaffe, C. C. Measures of response: RECIST, WHO, and new alternatives. Journal of Clinical Oncology Official Journal of the American Society of Clinical Oncology. 24 (20), 3245-3251 (2006).
  29. Lambin, P., et al. Radiomics: Extracting more information from medical images using advanced feature analysis. European Journal of Cancer. 48 (4), 441-446 (2012).
  30. Gillies, R. J., Kinahan, P. E., Hricak, H. Radiomics: Images are more than pictures, they are data. Radiology. 278 (2), 563-577 (2016).
  31. Nioche, C., et al. Lifex: A freeware for radiomic feature calculation in multimodality imaging to accelerate advances in the characterization of tumor heterogeneity. Cancer Research. 78 (16), 4786-4789 (2018).
  32. Ellmann, S., et al. Application of machine learning algorithms for multiparametric MRI-based evaluation of murine colitis. PLOS ONE. 13 (10), 0206576 (2018).

Tags

कैंसर रिसर्च अंक 162 मशीन लर्निंग न्यूरल नेटवर्क बोन मेटास्टेस प्रसारित ट्यूमर कोशिकाएं स्तन नियोप्लाज्म्स मल्टीपैरामेट्रिक इमेजिंग
एक प्रयोगात्मक चूहा मॉडल में बोन मेटास्टेस की शुरुआती पहचान के लिए मशीन लर्निंग एल्गोरिदम
Play Video
PDF DOI DOWNLOAD MATERIALS LIST

Cite this Article

Ellmann, S., Seyler, L., Gillmann,… More

Ellmann, S., Seyler, L., Gillmann, C., Popp, V., Treutlein, C., Bozec, A., Uder, M., Bäuerle, T. Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model. J. Vis. Exp. (162), e61235, doi:10.3791/61235 (2020).

Less
Copy Citation Download Citation Reprints and Permissions
View Video

Get cutting-edge science videos from JoVE sent straight to your inbox every month.

Waiting X
Simple Hit Counter