Este método puede ayudar a predecir la respuesta a las terapias intra arteriales. Las aplicaciones de aprendizaje automático en oncología intervencionista cambiarán la forma en que tratamos el cáncer de hígado y otras enfermedades con terapias guiadas por imágenes. Este método tiene el potencial de mejorar la forma en que se toman dos decisiones importantes.
Por lo general, los individuos nuevos en este método tendrán problemas debido a la necesidad de generar las características y realizar el aprendizaje automático y el código. La demostración visual de este método es fundamental, ya que los pasos de generación de características implican la extracción de esas características mediante máscaras de imagen. Se necesitan un conjunto de datos bien anotado y clínicamente representativo para entrenar el modelo.
Se necesitarán más datos de pacientes y grandes cohortes para mejorar aún más este algoritmo de aprendizaje automático. Después de decidir qué características clínicas incluir en el modelo, utilice un kit de herramientas de lenguaje natural adecuado para analizar las notas de la clínica de texto sin formato en oraciones para permitir la búsqueda de términos de interés. A continuación, almacene las características de cada paciente en un archivo con una característica por línea.
Para las entidades no binarias, obtenga el valor medio de cada entidad en todos los pacientes y binarice cada entidad como un valor verdadero o falso basado en el valor mediano. Para calcular una función de mejora hepática media a partir de una imagen médica. Después de aislar los vóxeles que contienen el hígado, ingrese el comando de mejora hepática media.
Para determinar la función de volumen hepático, introduzca los comandos como se indica. A continuación, calcule los valores medios para cada entidad de imagen y binarice las entidades como se ha demostrado. Para la agregación y reducción de las entidades, primero elimine las características de baja varianza de la consideración y lea las entidades de la matriz binaria.
A continuación, utilice el modelo de umbral de varianza para calcular las entidades que aparecen en al menos el 20 % de los respondedores y los no respondedores, de forma similar a la que se ilustra en la tabla. Elimine cualquier característica con una asociación univariada baja con el resultado y filtre solo aquellas características que pasen el cribado de variante baja original conservando n características donde n es el número de pacientes. A continuación, lea en la matriz binaria para cada entidad, similar a como se ilustra en la tabla.
Después de que las entidades se han binarizado y filtrado, es el momento de entrenar el modelo. La formación de modelos es un proceso sencillo que se adapta a las características del resultado en estudio y se puede utilizar para hacer predicciones sobre nuevos pacientes. En este análisis representativo de 36 pacientes que se sometieron a terapias arteriales trans para el carcinoma hepatocelular, se identificaron y binarizaron 25 características como se demostró con 5 características que satisfacen tanto las variantes como los filtros de asociación univariados.
Cada paciente fue etiquetado como respondedor o no respondedor bajo la Asociación Europea cuantitativa para el estudio de los criterios de respuesta hepática. Como se ha demostrado, tanto la regresión logística como los modelos forestales aleatorios predijó una respuesta de tratamiento de quimioembolización arterial trans con una precisión global del 78%Después de este método, es posible hacer predicciones sobre nuevos pacientes aplicando el modelo de entrenamiento. Esta técnica de aprendizaje automático se puede aplicar universalmente a cualquier terapia que implique imágenes preprocesal, interprocesal y postprocesal.
