Questo metodo può aiutare a prevedere la risposta alle terapie intra arteriosa. Le applicazioni di machine learning in oncologia interventica cambieranno il modo in cui trattiamo il cancro al fegato e altre malattie con terapie guidate dall'immagine. Questo metodo ha il potenziale per migliorare il modo in cui vengono prese due decisioni importanti.
In genere, le persone nuove a questo metodo avranno difficoltà a causa della necessità di generare le funzionalità e di eseguire l'apprendimento automatico e il codice. La dimostrazione visiva di questo metodo è fondamentale in quanto i passaggi di generazione delle funzionalità comportano l'estrazione di tali funzionalità utilizzando maschere di imaging. Per addestrare il modello è necessario un set di dati ben annotato e clinicamente rappresentativo.
Saranno necessari più dati sui pazienti e coorti di grandi dimensioni per migliorare ulteriormente tale algoritmo di machine learning. Dopo aver deciso quali caratteristiche cliniche includere nel modello, utilizzare un kit di strumenti in linguaggio naturale appropriato per analizzare le note della clinica in testo normale in frasi per consentire la ricerca di termini di interesse. Quindi memorizzare le funzionalità di ogni paziente in un file con una funzione per riga.
Per le feature non binarie, ottenere il valore mediano di ogni funzionalità in tutti i pazienti e binarizzare ogni funzionalità come valore vero o falso in base al valore mediano. Per calcolare una caratteristica media di miglioramento del fegato da un'immagine medica. Dopo aver isolato i voxel contenenti il fegato, inserire il comando medio di miglioramento del fegato.
Per determinare la funzione volume del fegato, immettere i comandi come indicato. Quindi calcolare i valori mediani per ogni feature di imaging e binarizzare le feature come illustrato. Per l'aggregazione e la riduzione delle feature, rimuovere innanzitutto le feature a bassa varianza dalla considerazione e leggere le feature nella matrice binaria.
Utilizzare quindi il modello di soglia di varianza per calcolare le feature visualizzate in almeno il 20% sia dei risponditori che dei non risponditori, in modo simile a quello illustrato nella tabella. Rimuovere tutte le funzionalità con una bassa associazione univariata con il risultato e filtrare solo quelle caratteristiche che superano lo screening originale a variante bassa mantenendo n caratteristiche in cui n è il numero di pazienti. Quindi leggere nella matrice binaria per ogni feature, simile a come illustrato nella tabella.
Dopo che le feature sono state binarizzate e filtrate, è il momento di addestrare il modello. Il training del modello è un processo semplice che si adatta alle funzionalità del risultato in esame e può essere utilizzato per fare previsioni sui nuovi pazienti. In questa analisi rappresentativa di 36 pazienti sottoposti a terapie trans arteriosa per carcinoma epatocellulare, sono state identificate e binarizzate 25 caratteristiche come dimostrato con 5 caratteristiche che soddisfano sia le varianti che i filtri di associazione univariati.
Ogni paziente è stato etichettato come rispondente o non rispondente nell'ambito dell'Associazione europea quantitativa per lo studio dei criteri di risposta al fegato. Come illustrato, sia la regressione logistica che i modelli forestali casuali hanno previsto una risposta al trattamento di chemioembolizzazione trans arteriosa con una precisione complessiva del 78%Seguendo questo metodo, è possibile fare previsioni sui nuovi pazienti applicando il modello di allenamento. Questa tecnica di machine learning può essere applicata universalmente a qualsiasi terapia che comporti immagini pre-procedurali, inter-procedurali e post-procedurali.
