التنبؤ بالاستجابة للمعالجة للعلاجات الموجهة بصورة باستخدام آلة التعلم: مثال لمعاملة ترانس-الشرياني سرطانه الخلية الكبدية

Summary

العلاج داخل الشرايين هي معيار الرعاية للمرضى المصابين بسرطانه الخلية الكبدية الذين لا يمكن الخضوع للاستئصال الجراحي. ويقترح طريقة للتنبؤ بالاستجابة لهذه العلاجات. يستخدم التقنية المعلومات الإجرائية قبل السريرية والديموغرافية، والتصوير لتدريب نماذج التعلم آلة قادرة على التنبؤ باستجابة قبل المعالجة.

Abstract

العلاج داخل الشرايين هي معيار الرعاية للمرضى المصابين بسرطانه الخلية الكبدية الذين لا يمكن الخضوع للاستئصال الجراحي. وكان الهدف من هذه الدراسة لتطوير طريقة للتنبؤ باستجابة للعلاج داخل الشرايين قبل التدخل.

الأسلوب الذي يوفر إطارا عاماً للتنبؤ بنتائج قبل العلاج داخل الشرايين. أنها تنطوي على تجميع البيانات السريرية والديموغرافية والتصوير عبر مجموعة مرضى واستخدام هذه البيانات لتدريب نموذج تعلم آلة. يتم تطبيق نموذج تدريب للمرضى الجدد بغية التنبؤ باحتمال استجابة للعلاج داخل الشرايين.

الأسلوب الذي ينطوي على اقتناء وتحليل البيانات السريرية والديموغرافية والتصوير من ن المرضى الذين خضعوا للعلاج الشرياني عبر الفعل. هذه البيانات يتم تحليل السمات المنفصلة (العمر، الجنس، تليف الكبد، ودرجة تعزيز الورم، و ما إلى ذلك) وبيناريزيد إلى القيم true/false (مثلاً العمر على مدى 60، الجنس، تعزيز الورم يتجاوز عتبة مجموعة، إلخ). تتم إزالة الميزات منخفضة-الفرق والميزات مع رابطات وحيد المتغير المنخفض مع النتائج. تتم تسمية كل مريض المعالجة وفقا لما إذا كانت استجابت أو لم تستجب للعلاج. وهكذا يمثل كل مريض التدريب مجموعة من ميزات ثنائي وتسمية نتائج. ويتم تدريب نماذج التعلم آلة استخدام N -1 المرضى المصابين بالفحص على المريض من اليسار. يتم تكرار هذه العملية لكل من المرضى N . يتم حساب متوسط نماذج ن التوصل إلى نموذج نهائي.

التقنية قابلة للتوسعة، ويمكن إدراج ميزات إضافية في المستقبل. كما أنها عملية التعميم التي يمكن تطبيقها على أسئلة البحث السريري خارج الأشعة التداخلية. القيد الرئيسي هو الحاجة إلى استخلاص السمات يدوياً من كل مريض. نموذج شعبية حديثة للتعلم آلة تسمى العميق التعلم لا يعانون من هذا القيد، لكنها تتطلب مجموعات البيانات الكبيرة.

Introduction

وتقدم المرضى المصابين بسرطانه الخلية الكبدية الذين ليسوا مرشحين الجراحية العلاج داخل الشرياني^1،،من²³. لا يوجد أي متري واحد أن يحدد ما إذا كان مريض سيستجيب لعلاج داخل الشرايين قبل أن تتولى العلاج. وكان الهدف من هذه الدراسة لبيان أسلوب الذي تتوقع الاستجابة للمعالجة بتطبيق أساليب من آلة التعلم. هذه النماذج توفر التوجيه للممارسين والمرضى عند اختيار ما إذا كنت تريد المتابعة مع علاج.

البروتوكول يستلزم عملية استنساخه لتدريب وتحديث نموذج بدءاً من بيانات المريض الأساسية (الملاحظات السريرية والديموغرافية والبيانات المختبرية والتصوير). في البداية يتم تحليل البيانات لميزات معينة، مع كل مريض ممثلة بمجموعة من الميزات ثنائي وتسمية هدف نتائج ثنائي. تحدد التسمية نتائج باستخدام معيار استجابة المنشأة على أساس تصوير كبدية العلاج^4،5،،من⁶⁷. الميزات والتسميات الهدف يتم تمريرها إلى برامج تعلم آلة أن يتعلم التعيين بين الميزات ونتائج في إطار محدد التعلم نموذج (الانحدار اللوجستي أو الغابات العشوائية)^8،،من⁹¹⁰. جرى تطبيق تقنيات مماثلة في الأشعة ومجالات أخرى لأبحاث السرطان للتشخيص والعلاج التنبؤ^11،،من¹²¹³.

الطريقة تكيف التقنيات من علوم الكمبيوتر إلى مجال الأشعة التداخلية. الدراسات أهمية التقليدية في الأشعة التداخلية، والطب بشكل عام، تعتمد على تحليلات ميزة أحادية أو اليغو. على سبيل المثال، يتضمن نموذجا لنهاية مرحلة "مرض الكبد" خمسة مقاييس السريرية لتقييم مدى انتشار مرض الكبد. الاستفادة الطريقة المقترحة هو القدرة على إضافة ميزات تحرر؛ وتعتبر ميزات خمسة وعشرون في تحليل المثال. ويمكن إضافة ميزات إضافية حسب المطلوب.

يمكن تطبيق التقنية للتدخلات الشعاعية الأخرى التي تتوفر فيها بيانات التصوير قبل وبعد التدخل. على سبيل المثال، يمكن التنبؤ بالنتائج بعد العلاج عن طريق الجلد بطريقة مماثلة. القيد الرئيسي من الدراسة هو الحاجة إلى ميزات كاهن اليدوي لإدراجها في النموذج. استخراج البيانات curation وميزة تستغرق وقتاً طويلاً للممارسين وقد تعوق اعتماد السريرية للجهاز مثل نماذج التعلم.

Protocol

1. إعداد محطة العمل للتعلم آلة

1. استخدام نظام بما يلي:
   إنتل كور 2 ديو أو أعلى وحدة المعالجة المركزية سرعة 2.0 جيجاهرتز
   4 غيغابايت أو أكثر من ذاكرة النظام
   متوافقة مع POSIX نظام التشغيل (لينكس أو نظام التشغيل Mac OS) أو Microsoft Windows 7
   أذونات المستخدم من أجل تنفيذ البرامج وحفظ الملفات
2. تثبيت الأدوات التالية:
   Python3 أناكوندا: https://www.anaconda.com/download
   DICOM لتحويل نيفتي (dcm2niix)-https://github.com/rordenlab/dcm2niix
   محرر نصوص سامية: https://www.sublimetext.com/
   itk-الأدوات الإضافية (اختيارية): http://www.itksnap.org
   1. تثبيت Python3 أناكوندا، dcm2nii ونص سامية، قم بزيارة مواقعها على شبكة الإنترنت الخاصة بكل منها لخطوات التثبيت المحددة في نظام التشغيل.
   2. إنشاء وتفعيل بيئة أناكوندا.
      إنشاء كوندا-ملينف الاسم
      تنشيط ملينف من كندا
   3. قم بتثبيت حزم أناكوندا لالة التعلم.
      تثبيت كوندا نومبي سسيبي سسيكيت-تعلم نيبابيل نلتك
      ملاحظة: الحزمة نلتك مفيد لتحليل الملاحظات السريرية نص عادي، بينما حزمة نيبابيل يوفر وظائف مفيدة لمعالجة الصور الطبية. قد تكون مثبتة itk-المفاجئة لتجزئة الأجهزة والأورام من الصور الطبية. أنها مفيدة للسمات المعوقة لمناطق محددة.

2. استخراج ميزة من نص عادي السريرية الملاحظات والبيانات السريرية المنظمة

1. قم بإنشاء دليل أصل للمشروع وقم بإنشاء مجلد لكل مريض داخل المجلد الأصل. يجب أن تشبه بنية الدليل:
   المشروع/
   المشروع/Patient_1/
   المشروع/Patient_2/
   المشروع/Patient_3/
   ...
2. الحصول على نص عادي الملاحظات السريرية من السجل الطبي الإلكتروني (إقليم شرق المتوسط). استرداد الملاحظات يدوياً عن طريق في إقليم شرق المتوسط، أو عن طريق مكتب مستشفى لتكنولوجيا المعلومات عن طريق تفريغ بيانات. تخزين الملاحظات كل مريض في المجلدات الخاصة بكل منها.
   Project/Patient_1/History_and_Physical.txt
   Project/Patient_1/Procedure_Note.txt
   1. وقرر فيه المظاهر السريرية تضمينها في النموذج. تحليل نص عادي وتلاحظ عيادة لهذه الميزات. توفر مكتبة "بيثون اللغة الطبيعية مجموعة الأدوات" (نلتك) أوامر مفيدة لتقسيم الوثائق في الجمل. قد بحثت كل جملة لشروط مناسبة مثل اليرقان. تخزين ميزات كل مريض في ملف مع ميزة واحدة في كل سطر.
      Project/Patient_1/Features.txt:
      العمر 67
      الجنس أنثى
      ألبومين 3.1
      لا cirrhotic
      hepatitis_c لا
      ...
   2. ميزات غير ثنائي، تأخذ القيمة الوسطية لكل ميزة عبر جميع المرضى. بيناريزي كل ميزة كقيمة true(1) أو false(0) على أساس القيمة الوسطية.
      Project/Patient_1/Binary_Features.txt:
      age_over_60 0
      male_sex 1
      albumin_less_than_3.5 1
      presence_of_cirrhosis 0
      hepatitis_c 0
      ...

3. استخراج ميزة من الصور الطبية

ملاحظة: راجع الخطوة 3 مواد تكميلية للحصول على أمثلة التعليمات البرمجية.

1. تحميل صور DICOM الرنين المغناطيسي قبل وبعد العلاج من المستشفى الدوريات. تخزين الصور في المجلدات المريض المقابلة.
   المشروع/
   Project/Patient_1/Pre_TACE_MRI_Pre-Contrast.dcm
   Project/Patient_1/Pre_TACE_MRI_Arterial.dcm
   Project/Patient_1/Post_TACE_MRI_Pre-Constrast.dcm
   Project/Patient_1/Post_TACE_MRI_Arterial.dcm
2. تحويل صور DICOM الشكل نيفتي باستخدام برنامج dcm2niix. الأوامر التالية تحويل جميع.dcm الصور في المجلد المحدد. تكرار لجميع المرضى.
   dcm2niix المشروع/Patient_1/
   dcm2niix المشروع/Patient_2/
3. تحميل كل ملف نيفتي في بيثون.
   استيراد نيبابيل
   الصورة = nibabel.load('Project/Patient_1/Pre_TACE_MRI_Pre-Contrast.dcm')
   1. كانونيكاليزي التوجه لكل صورة. وهذا ما يضمن أن محاور x و y، و z متطابقة، بغض النظر عن الإله المستخدمة للحصول على الصور.
      cImage = nibabel.as_closest_canonical(image)
4. استخدام itk-الأداة (أو حزمة برامج مماثلة) لتجزئة أقنعة الكبد وورم ثنائي لكل صورة.
   Project/Patient_1/Pre_TACE_MRI_Pre-Contrast_Liver_Mask.bin
   Project/Patient_1/Pre_TACE_MRI_Pre-Contrast_Tumor_Mask.bin
5. قراءة أقنعة الكبد وورم في بيثون. رمز أدناه يوضح كيفية تصحيح اتجاه القضايا بغية توجيه الأقنعة على طول محاور الكنسي نفسه كصور السيد.
   استيراد نومبي كالتي أرستها
   مع فتح (liver_mask_file، 'العادية') كواو:
   liver_mask = f.read()
   liver_mask = np.fromstring (liver_mask، دتيبي = 'uint8')
   liver_mask = np.reshape (liver_mask، diff.shape، وترتيب = 'و')
   liver_mask = liver_mask [:،::-1،:]
   liver_mask [liver_mask > 0] = 1
   1. استخدام الأقنعة الكبد وورم لعزل فوكسيلس التي تحتوي على الكبد والأورام.
      كبد = np.copy(cImage)
      الكبد [liver_mask < = 0] = 0
6. حساب ميزة يعني تعزيز الكبد.
   mean_liver_enhancement = mean(liver)
   1. حساب ميزة حجم الكبد.
      بيكسديم = cImage.header['pixdim ']
      وحدات = pre.header['xyzt_units ']
      dx, dy, dz = pre_pixdim [1:4]
      liver_volume = length(liver) * dx * dx * dz
   2. (اختياري) حساب ميزات إضافية كما هو مطلوب.
7. تحديث ملف السمات الخاصة بالمريض مع ملامح الصورة.
   Project/Patient_1/Features.txt:
   العمر 67
   الجنس أنثى
   ألبومين 3.1
   لا cirrhotic
   hepatitis_c لا
   pre_tace_mean_liver_enhancement 78
   pre_tace_liver_volume 10000
   1. حساب متوسط القيم لكل ميزة التصوير وبيناريزي كما هو الحال في الخطوة 2.2.2.
      Project/Patient_1/Binary_Features.txt:
      age_over_60 0
      male_sex 1
      albumin_less_than_3.5 1
      presence_of_cirrhosis 0
      hepatitis_c 0
      pre_tace_mean_liver_enhancement 1
      pre_tace_liver_volume 0

4-ميزة التجميع والحد

ملاحظة: راجع الخطوة 4 مواد تكميلية للحصول على أمثلة التعليمات البرمجية.

1. دمج ملفات Binary_Features.txt لكل مريض في جدول بيانات مع ميزات على المحور السيني والمرضى على المحور ص.

   المريض	العمر > 60	جنس الذكور	ألبومين < 3.5	وجود تليف الكبد	التهاب الكبد الوبائي الحالي	يعني تعزيز الكبد > 50	حجم الكبد > 20000
   1	0	1	1	0	0	1	0
   2	1	1	1	0	0	0	0
   3	0	1	1	0	1	0	0

   1. إضافة تسميات استجابة نتائج قياسل كالعمود الأخير.

      المريض	العمر > 60	جنس الذكور	ألبومين < 3.5	وجود تليف الكبد	التهاب الكبد الوبائي الحالي	يعني تعزيز الكبد > 50	حجم الكبد > 20000	قياسل المستجيب
      1	0	1	1	0	0	1	0	1
      2	1	1	1	0	0	0	0	1
      3	0	1	1	0	1	0	0	0

   2. تصدير جدول البيانات كملف المفصول.
      Project/ML_Matrix.tsv:
      باتينتاجي > 60 "الذكور الجنس الزلال" < 3.5 "وجود لتليف الكبد التهاب الكبد الوبائي هذا" يعني تعزيز الكبد > 50 حجم الكبد > 20000 قياسل المستجيب
      1 0 1 1 0 0 1 0 1
      2 1 1 1 0 0 0 0 1
      3 0 1 1 0 1 0 0 0
2. إزالة ميزات التباين المنخفض من النظر فيها.
   استيراد نومبي كالتي أرستها
   استيراد من sklearn.feature_selection فاريانسيثريشولد
   
   # قراءة في مصفوفة ثنائية.
   ميزات =]
   تسميات =]
   للأول ول في enumerate(sys.stdin):
   إذا أنا = = 0
   مواصلة
   n_fs_L = L.strip().split('\t')
   features.append([float(_) لمدة _ في n_fs_L[1:-1]])
   labels.append(n_fs_L[-1])
   X = np.array(features)
   y = np.array(labels)
   
   # حساب السمات التي تظهر في مالا يقل عن 20 في المائة من المستجيبين وغير ريسبنديرس.
   نموذج = فاريانسيثريشولد (عتبة = 0.8 * (1-0.8))
   X_new = model.fit_transform (X, y)
   قد أزيلت الذكور، والزلال < 3.5، وجود تليف الكبد، وحجم الكبد > 2000 الميزات.

   المريض	العمر > 60	التهاب الكبد الوبائي الحالي	يعني تعزيز الكبد > 50	قياسل المستجيب
   1	0	0	1	1
   2	1	0	0	1
   3	0	1	0	0

3. إزالة ميزات مع رابطة وحيد المتغير المنخفض مع النتائج. تصفية فقط تلك الميزات التي تم تمريرها 4.2. الاحتفاظ بسيل ميزات (سجل₂(ن))، حيث أن N هو عدد المرضى. سيل (سجل₂(3)) = 2.
   
   استيراد الرياضيات
   استيراد من sklearn.feature_selection سيليكتكبيست
   استيراد من sklearn.feature_selection chi2
   
   # قراءة في المصفوفة الثنائية كما هو الحال في 4.2.1
   ...
   
   # حساب ميزات ceil(log2(N)) العلوي برابطة وحيد المتغير.
   k = math.ceil(log2(length(y)))
   نموذج = سيليكتكبيست (chi2, k = k)
   X_new = model.fit_transform (X, y)
   
   تمت إزالة ميزة > 60 سن الذكور من الميزات الباقية من 4.2.1.

المريض	التهاب الكبد الوبائي الحالي	يعني تعزيز الكبد > 50	قياسل المستجيب
1	0	1	1
2	0	0	1
3	1	0	0

5. نموذج التدريب والاختبار

راجع الخطوة 5 مواد تكميلية للحصول على أمثلة التعليمات البرمجية

1. تدريب نموذج انحدار اللوجستي باستخدام مصفوفة الميزات ثنائي من 4.3.
   استيراد الرياضيات
   استيراد من sklearn.linear_model لوجيستيكريجريشن
   
   # قراءة في المصفوفة الثنائية كما هو الحال في 4.2 و 4.3.
   ...
   
   # لكل مريض، تدريب نموذجا على جميع المرضى الآخرين.
   نقاط = 0.0
   نماذج =]
   للمريض في len(X):
   # تدريب نموذجية في جميع ولكن أحد المرضى.
   train_x = np.array ([_ لانا _ في enumerate(X) إذا كان i! = المريض])
   train_y = np.array ([_ لانا _ في enumerate(y) إذا كان i! = المريض])
   نموذج = LogisticRegression(C=1e15)
   model.fit (train_x، train_y)
   
   # اختبار على المريض من اليسار.
   y_prediction = model.predict(X[patient])
   إذا كان y_prediction = = y [المريض]:
   نقاط + = 1
   models.append(model)
2. تدريب نموذج عشوائي للغابات باستخدام المصفوفة ميزات ثنائي من 4-2-2. الخطوات مطابقة ل 5.2.1، إلا ينبغي استكمال إنشاء مثيل النموذج كما يلي:
   استيراد من sklearn.ensemble راندومفوريستكلاسيفير
   ...
   نموذج = RandomForestClassifier(n_estimators=100)
   ...
3. طباعة نقاط/len (X) ل 5.1 و 5.2. وهذا يمثل متوسط دقة جميع نماذج الانحدار اللوجستي وجميع نماذج عشوائية للغابات، على التوالي. ينبغي أن يطبق جميع ن نماذج للمرضى الجدد مع تصنيف متوسط المتخذة كنتيجة للتنبؤ

النتائج

تم تطبيق الأسلوب المقترح إلى 36 من المرضى الذين تلقوا العلاج ترانس-الشرياني سرطانه الخلية الكبدية. تم تحديد السمات الخمس والعشرين، وبيناريزيد باستخدام الخطوات 1-5. خمس ميزات استيفاء كل الفرق ومرشحات رابطة وحيد المتغير (انظر الخطوات 5.1 و 5-2)، وكانت تستخدم للتدريب النموذجي. و...

Discussion

وتقدم المرضى المصابين بسرطانه الخلية الكبدية الذين ليسوا مرشحين للاستئصال الجراحي العلاج داخل الشرايين. توجد أساليب عدة لتحديد إذا كان مريض سيستجيب قبل-العلاج. تقنيات التقييم بعد العلاج تعتمد على التغييرات في حجم الورم أو الإقبال على النقيض الورم. وتسمى هذه المعايير الاستجابة، مع ك...

Materials

Name	Company	Catalog Number	Comments
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.