实验鼠模型中骨代谢的早期检测机器学习算法

该协议有助于开发机器学习算法，用于在早期器官殖民化阶段在实验模型中预测骨转移的生长。该技术的主要优点是，它将多个成像参数组合到机器学习算法中，该算法显著优于每个参数的生产能力。虽然，该协议旨在早期诊断骨质转移，它可以适应不同的器官或多联运和多参数成像研究领域。

手术后 10 天，使用 DCE 插件在 DICOM 查看器中注射。选择导入以在 4D 模式下加载 DCE 序列，然后选择包含 MRI 图像的 DICOM 文件夹。在第四或第五个 MRI 图像中，将圆形 1.5 平方毫米的圆形到右后腿近侧三轴骨髓的尺寸区域，并选择图型的相对增强。

输入时间点、1 到 5 的基线范围到相应的字段，然后导出分析作为名为 DCE 原始点 TXT 的点 TXT 文件。打开 RStudio 并加载提供的 DCE 脚本点 R 文件。选择代码、运行区域并运行所有代码以运行整个脚本，然后将输出复制到提供的映像功能模板文件。

在 DICOM 查看器中，在动物的后肌肉中放置第二个感兴趣区域，并重复 DCE 测量，如所证明的。在成像功能电子表格中，各自的骨骼测量将自动除以相应的肌肉测量数据规范化。要分析 PET/CT 图像，请打开 PET/CT 分析软件并导入 PET/CT 图像。

单击常规分析并选择兴趣量化区域，从模板创建和创建感兴趣区域。将四分之六毫米，放在右后腿近端轴的骨髓内，并选择感兴趣的区域目标一个叠加。请注意平均值、最小值和最大值（以每毫升 becquerels 为单位）。

然后，将最大值除以注入活性，将结果乘以动物重量（以克为单位）以计算标准化的吸收值。诊断注射后腿的肿瘤生长速率。在注射后第 30 天获取 MRI 和 PET/CT 图像后，分析演示的图像，并将肿瘤列添加到成像功能电子表格中。

然后分别为有转移或无可见肿瘤负担的动物输入一或零。要确定预测未来肿瘤生长的最相关功能，请将电子表格导入开源数据可视化机器学习和数据挖掘工具包。将数据菜单中的文件子例程拖入工作区，然后双击文件。

单击文件夹图标以加载电子表格并选择成像功能电子表格。选择导出工作表并将目标属性分配给可变肿瘤。将跳过函数分配给动物编号。

将排名子例程拖入工作区并绘制一条线以连接到文件和排名子例程。然后，双击打开排名子例程并选择信息增益算法。对于机器学习分析，打开 RStudio 3.4.1 并加载提供的训练模型 R 脚本。

在脚本中选择第三行到第六行以加载所需的库。单击代码以运行所选代码，然后单击运行所选行以运行所选行。要训练模型平均值到神经网络算法，请从训练模型 R 脚本中选择第 8 行到第 39 行，然后单击代码并运行所选行。

然后，要评估诊断准确性的标准参数，请从列车型号 R 脚本中选择行 41 到 50，然后单击代码并运行所选行。在手术后的第10天和癌细胞注射，可以获得MRI和PET/CT图像。DCE 分析允许测量感兴趣的肌肉和骨组织区域。

这些值可以通过将骨骼测量值除以肌肉测量值来规范化。注射后的第30天，所有动物都进行评估，以确定它们是否已经发展成一种指示阳性肿瘤负担的分形，一个指示没有可见肿瘤的健康动物为零。运行列车模型 R 脚本可以确定最佳超参数组合，并使用最佳超参数组合计算最终模型。

这些数据允许计算一组标准诊断参数，并绘制模型的接收器操作特性曲线。例如，在 28 个样本的分析中，模型的性能明显优于所有三个成分。当输入数据规范化时，几种机器学习算法往往性能更好。

在该协议中，使用 Box Cox 函数实现规范化。该协议使用网络期间的平均模型作为机器学习算法。但是，提供的框架可以很容易地适应其他算法，如随机林或支持向量机。

从图像材料中提取数字信息已变得至关重要。此类算法可能有助于整合大量数据，从而允许患者分层。