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

يمكن أن تساعد هذه الطريقة في التنبؤ بالاستجابة للعلاجات الشريانية. سوف تغير تطبيقات التعلم الآلي في علم الأورام التدخلي الطريقة التي نتعامل بها مع سرطان الكبد وغيره من الأمراض مع العلاجات الموجهة بالصور. هذه الطريقة لديها القدرة على تحسين الطريقة التي يتم بها اتخاذ قرارين مهمين.

عموما ، سوف الأفراد الجدد لهذه الطريقة النضال بسبب الحاجة إلى توليد الميزات وأداء آلة التعلم والتعليم. العرض التوضيحي المرئي لهذا الأسلوب أمر بالغ الأهمية حيث تتضمن خطوات إنشاء الميزة استخراج هذه الميزات باستخدام أقنعة التصوير. ومن الضروري وجود مجموعة بيانات مشروحة جيداً وممثلة سريرياً لتدريب النموذج.

سيكون من الضروري توفير المزيد من البيانات عن المرضى والأتراب الكبيرة لزيادة تحسين مثل هذه الخوارزمية للتعلم الآلي. بعد تحديد الميزات السريرية التي يجب تضمينها في النموذج ، استخدم مجموعة أدوات اللغة الطبيعية المناسبة لتحليل ملاحظات العيادة بالنص العادي في جمل للسماح بالبحث عن شروط الاهتمام. ثم قم بتخزين ميزات كل مريض في ملف مع ميزة واحدة لكل سطر.

بالنسبة للميزات غير الثنائية، احصل على القيمة الوسيطة لكل ميزة عبر جميع المرضى، و بينتريز كل ميزة كقيمة صحيحة أو خاطئة استنادًا إلى القيمة الوسيطة. لحساب ميزة تحسين الكبد المتوسط من صورة طبية. بعد عزل voxels التي تحتوي على الكبد، أدخل متوسط تعزيز الكبد الأمر.

لتحديد ميزة وحدة تخزين الكبد، أدخل الأوامر كما هو مبين. ثم حساب القيم الوسيطة لكل ميزة تصوير وbinarize الميزات كما هو موضح. لتجميع وتقليل الميزات، أولاً إزالة ميزات التباين المنخفض من النظر وقراءة الميزات في المصفوفة الثنائية.

بعد ذلك، استخدم نموذج عتبة التباين لحساب الميزات التي تظهر في 20٪ على الأقل من المستجيبين وغير المستجيبين، على غرار تلك الموضحة في الجدول. إزالة أي ميزات مع اقتران أحادي المتغيرات منخفضة مع النتيجة وتصفية فقط تلك الميزات التي تمر الأصلي الفرز المتغير المنخفض الاحتفاظ الميزات ن حيث ن هو عدد المرضى. ثم قراءة في مصفوفة ثنائية لكل ميزة، على غرار ما هو موضح في الجدول.

بعد أن تم binarized الميزات وتصفيتها، حان الوقت لتدريب النموذج. التدريب النموذجي هو عملية مباشرة تناسب ميزات النتائج قيد الدراسة ويمكن استخدامها لجعل التنبؤات حول المرضى الجدد. في هذا التحليل التمثيلي لـ 36 مريضًا خضعوا لعلاجات الشرايين عبرة لـ سرطان الخلايا الكبدية ، تم تحديد 25 ميزات وbinarized كما هو موضح مع 5 ميزات ترضي كلاً من المتغيرات ومرشحات الرابطة أحادي المتغيرات.

وقد وصفت كل مريض على أنه إما المستجيب أو غير المستجيب في إطار الرابطة الأوروبية الكمية لدراسة معايير استجابة الكبد. كما يتضح، كل من الانحدار اللوجستي ونماذج الغابات العشوائية توقع استجابة العلاج الكيميائي عبر الشرايين مع دقة إجمالية من 78٪ بعد هذه الطريقة، فمن الممكن لجعل التنبؤات على المرضى الجدد من خلال تطبيق نموذج التدريب. يمكن تطبيق تقنية التعلم الآلي هذه بشكل عام على أي علاج يتضمن التصوير قبل الإجرائية، والتصوير بين الإجرائية، وما بعد الإجراءات.