Cette méthode peut aider à prédire la réponse aux thérapies intra-artérielles. Les applications d’apprentissage automatique en oncologie interventionnelle changeront la façon dont nous traitons le cancer du foie et d’autres maladies au moyen de thérapies guidées par l’image. Cette méthode a le potentiel d’améliorer la façon dont deux décisions importantes sont prises.
En général, les personnes nouvelles à cette méthode auront du mal en raison de la nécessité de générer les fonctionnalités et d’effectuer l’apprentissage automatique et le code. La démonstration visuelle de cette méthode est essentielle car les étapes de génération de fonctionnalités impliquent l’extraction de ces fonctionnalités à l’aide de masques d’imagerie. Un ensemble de données bien annoté et cliniquement représentatif est nécessaire pour former le modèle.
Davantage de données sur les patients et de grandes cohortes seront nécessaires pour améliorer davantage un tel algorithme d’apprentissage automatique. Après avoir décidé quelles caractéristiques cliniques inclure dans le modèle, utilisez une trousse d’outils en langage naturel appropriée pour parse les notes de la clinique en texte clair en phrases afin de permettre la recherche de conditions d’intérêt. Stockez ensuite les fonctionnalités de chaque patient dans un fichier avec une fonctionnalité par ligne.
Pour les fonctionnalités non binaires, obtenir la valeur médiane de chaque fonctionnalité à travers tous les patients, et binarize chaque fonctionnalité comme une valeur réelle ou fausse basée sur la valeur médiane. Pour calculer une fonction moyenne d’amélioration du foie à partir d’une image médicale. Après avoir isolé les voxels contenant le foie, entrez la commande moyenne d’amélioration du foie.
Pour déterminer la fonction de volume hépatique, entrez les commandes comme indiqué. Calculez ensuite les valeurs médianes pour chaque fonction d’imagerie et binariize les caractéristiques telles qu’démontrées. Pour l’agrégation et la réduction des fonctionnalités, supprimez d’abord les fonctionnalités de faible variance de la considération et lisez les fonctionnalités de la matrice binaire.
Ensuite, utilisez le modèle de seuil de variance pour calculer les caractéristiques apparaissant dans au moins 20 % des intervenants et des non-intervenants, ce qui est semblable à celui illustré dans le tableau. Supprimez toutes les fonctionnalités ayant une faible association univariate avec le résultat et filtrez uniquement les fonctionnalités qui passent la variante basse originale de criblage conservant n caractéristiques où n est le nombre de patients. Ensuite, lisez dans la matrice binaire pour chaque fonctionnalité, similaire à comme illustré dans le tableau.
Une fois que les fonctionnalités ont été binariées et filtrées, il est temps de former le modèle. La formation modèle est un processus simple qui s’adapte aux caractéristiques des résultats à l’étude et peut être utilisé pour faire des prédictions sur les nouveaux patients. Dans cette analyse représentative de 36 patients qui ont subi des thérapies artérielles trans pour le carcinome hépatocellulaire, 25 dispositifs ont été identifiés et binarized comme démontré avec 5 dispositifs satisfaisant les variantes et les filtres univariés d’association.
Chaque patient a été étiqueté comme un répondeur ou un non-répondeur dans le cadre de l’Association européenne quantitative pour l’étude des critères de réponse hépatique. Comme illustré, la régression logistique et les modèles aléatoires de forêt ont prédit une réponse trans artériale de traitement de chimioembolization avec une précision globale de 78%Suivant cette méthode, il est possible de faire des prédictions sur de nouveaux patients en appliquant le modèle de formation. Cette technique d’apprentissage automatique peut être universellement appliquée à toute thérapie qui implique une imagerie pré-procédurale, inter-procédurale et post-procédurale.
