חיזוי טיפול בתגובה תמונה מונחה טיפולים באמצעות למידה חישובית: דוגמא לטיפול קרצינומה Hepatocellular הטרנס-עורקים

שיטה זו יכולה לעזור לחזות תגובה לטיפולים תוך עורקיים. יישומי למידת מכונה באונקולוגיה התערבותית ישנו את האופן שבו אנו מטפלים בסרטן הכבד ומחלות אחרות עם טיפולים מונחי תמונה. לשיטה זו יש פוטנציאל לשפר את האופן שבו מתקבלות שתי החלטות חשובות.

בדרך כלל, אנשים חדשים בשיטה זו יתקשו בגלל הצורך ליצור את התכונות ולבצע למידת מכונה וקוד. הדגמה חזותית של שיטה זו היא קריטית מכיוון שלבי יצירת התכונות כרוכים בחילוץ תכונות אלה באמצעות מסיכות הדמיה. ערכת נתונים מבואר היטב ומייצג קלינית יש צורך לאמן את המודל.

יהיה צורך בנתונים סבלניים נוספים ובקבוצה גדולה כדי לשפר עוד יותר את האלגוריתם של למידת מכונה. לאחר שתחליט אילו תכונות קליניות לכלול במודל, השתמש בערכת כלי שפה טבעית מתאימה כדי לנתח את הערות המרפאה בטקסט רגיל למשפטים כדי לאפשר חיפוש אחר תנאי עניין. לאחר מכן אחסן את התכונות של כל מטופל בקובץ עם תכונה אחת בכל שורה.

עבור תכונות שאינן בינאריות, השג את הערך החציוני של כל תכונה בכל המטופלים והפוך כל תכונה לערך אמת או כערך כוזב בהתבסס על הערך החציוני. כדי לחשב תכונה ממוצעת של שיפור בכבד מתמונה רפואית. לאחר בידוד הווקסלים המכילים את הכבד, הזן את הפקודה הממוצעת לשיפור הכבד.

כדי לקבוע את תכונת נפח הכבד, הזן את הפקודות כמצוין. לאחר מכן חשב ערכים חציוניים עבור כל תכונת דימות והפוך את התכונות למחסנים כפי שהוכח. עבור צבירה וצמצום של התכונות, הסר תחילה את התכונות בעלות השונות הנמוכה מהתחשבות וקרא את התכונות במטריצה הבינארית.

לאחר מכן, השתמש במודל סף השונות כדי לחשב את התכונות המופיעות ב- 20% לפחות הן של המגיבים והן של המגיבים שאינם מגיבים, בדומה למודל המוצג בטבלה. הסר את כל התכונות עם שיוך univariate נמוך עם התוצאה ולסנן רק את התכונות שעוברות את ההקרנה המקורית גרסה נמוכה שמירה על n תכונות שבו n הוא מספר החולים. לאחר מכן קרא במטריצה הבינארית עבור כל תכונה, בדומה למהויר בטבלה.

לאחר שהתכונות עברו סינון וסינון, הגיע הזמן לאמן את הדגם. אימון מודל הוא תהליך פשוט שמתאים את התכונות לתוצאה תחת מחקר והוא יכול לשמש כדי להפוך תחזיות על חולים חדשים. בניתוח מייצג זה של 36 חולים שעברו טיפולים עורקיים טרנס עבור קרצינומה hepatocellular, 25 תכונות זוהו binarized כפי שהוכח עם 5 תכונות לספק הן את הגרסאות ואת מסנני האגודה univariate.

כל מטופל תויג כמגיב או כגיב תחת האגודה האירופית הכמותית לחקר הקריטריונים לתגובת הכבד. כפי שמודגם, הן הרגרסיה הלוגיסטית והן מודל היער האקראי חזו תגובה טיפולית כימומבוליזציה חוצת עורקים בדיוק כולל של 78% בעקבות שיטה זו, ניתן לבצע תחזיות על חולים חדשים על ידי יישום מודל האימון. טכניקה זו של למידת מכונה יכולה להיות מיושמת באופן אוניברסלי על כל טיפול הכרוך בהדמיה טרום-פרוצדורלית, בין-פרוצדורלית ופוסט-פרוצדורלית.