実験ラットモデルにおける骨転移の早期発見のための機械学習アルゴリズム

このプロトコルは、初期臓器形成の段階で実験モデルにおける骨転移の成長を予測するための機械学習アルゴリズムの開発を促進する。この手法の主な利点は、複数のイメージング パラメータを機械学習アルゴリズムに組み合わせて、個々のパラメータの生産性を大幅に上回る点です。しかし、このプロトコルは骨内の転移の早期診断を目的としており、異なる器官やマルチモーダルおよびマルチパラメトリックイメージング研究の領域に適応することができる。

DCEプラグインを備えたDICOMビューアでの手術後10日間と注射。インポートを選択して DCE シーケンスを 4D モードでロードし、MRI イメージを含む DICOM フォルダを選択します。4 番目または 5 番目の MRI 画像内の右後ろ脚の近位脛骨シャフト骨髄に関心のある寸法領域に 1.5 平方ミリメートルの円を配置し、プロット タイプの相対的な強化を選択します。

時間ポイントのベースライン範囲を 1 ~ 5 個ずつ各フィールドに入力し、DCE raw dot TXT という名前のドット TXT ファイルとして分析をエクスポートします。RStudio を開き、提供された DCE スクリプトドット R ファイルを読み込みます。コードを選択し、領域を実行し、スクリプト全体を実行し、提供されたイメージング機能テンプレートファイルに出力をコピーするためにすべてを実行します。

DICOMビューアでは、動物の背筋内に関心のある第2領域を配置し、実証したようにDCE測定を繰り返します。イメージング機能スプレッドシートでは、それぞれの骨の測定値は、データの正規化のためにそれぞれの筋肉測定によって自動的に分割されます。PET/CT画像を解析するには、PET/CT解析ソフトウェアを開き、PET/CT画像をインポートします。

一般分析をクリックし、対象領域の定量を選択し、テンプレートから対象地域を作成および作成します。右後ろ足の近位脛骨シャフトの骨髄内の関心領域を4%6ミリメートル配置し、対象領域を1つのオーバーレイに選択する。ミリリットル当たりのベクレルの平均値、最小値、最大値に注意してください。

次に、注入された活性で最大値を割り、その結果にグラム単位で動物の体重を掛け、標準化された取り込み値を計算する。注射後脚における腫瘍増殖率を診断する。30日目の注射後にMRIおよびPET/CT画像を取得した後、実証された画像を分析し、画像化機能スプレッドシートに腫瘍列を追加します。

次に、転移を伴う動物または目に見える腫瘍の負担がない動物に対して、それぞれ1または0を入力します。今後の腫瘍の成長予測に最も関連性の高い機能を決定するには、スプレッドシートをオープン ソースのデータ視覚化機械学習およびデータ マイニング ツールキットにインポートします。データメニューからワークスペースにファイルサブルーチンをドラッグし、ファイルをダブルクリックします。

フォルダ アイコンをクリックしてスプレッドシートを読み込み、イメージング フィーチャ スプレッドシートを選択します。エクスポート・ワークシートを選択し、ターゲット属性を可変腫瘍に割り当てます。動物番号にスキップ機能を割り当てます。

ランク サブルーチンをワークスペースにドラッグし、ラインを描画してファイルに接続し、サブルーチンをランク付けします。次に、ダブルクリックしてランクサブルーチンを開き、情報ゲインアルゴリズムを選択します。機械学習分析の場合は、RStudio 3.4.1 を開き、提供されたトレイン モデル R スクリプトを読み込みます。

スクリプト内の 3 行目から 6 行目を選択して、必要なライブラリをロードします。選択したコードを実行するコードをクリックし、[選択した行を実行] をクリックして、選択した行を実行します。ニューラル ネットワーク アルゴリズムに対するモデル平均をトレーニングするには、train モデル R スクリプトから 8 行目から 39 行目を選択し、コードをクリックして選択したラインを実行します。

次に、診断精度の標準パラメータを評価するには、トレインモデルRスクリプトから41~50行目を選択し、コードをクリックして選択したラインを実行します。手術後10日目、がん細胞注射後、MRIやPET/CT画像を取得できます。DCE分析は、目的の筋肉および骨組織領域の測定を可能にする。

これらの値は、筋肉の測定値で骨の測定値を除算することによって正規化することができます。30日目の注射後に、すべての動物が、腫瘍の腫瘍負担を示す1つと、目に見える腫瘍のない健康な動物を示すゼロを持つ転移を発症したかどうかを判断するために評価される。トレインモデルRスクリプトを実行することで、最適なハイパーパラメータの組み合わせを決定し、最終的なモデルを最適なハイパーパラメータの組み合わせを使用して計算することができます。

これらのデータにより、一連の標準診断パラメータを計算し、モデルのレシーバ動作特性曲線をプロットすることができます。たとえば、28 サンプルのこの分析では、モデルは 3 つの構成要素のすべてに比べて大幅に優れたパフォーマンスを発揮します。いくつかの機械学習アルゴリズムは、入力データが正規化されると、より優れたパフォーマンスを発揮する傾向があります。

このプロトコルでは、Box Cox 関数を使用して正規化が行われます。このプロトコルは、機械学習アルゴリズムとしてネットワーク中のモデル平均を使用します。ただし、提供されたフレームワークは、ランダムフォレストやサポートベクターマシンなどの他のアルゴリズムに簡単に適応させることができます。

画像素材から数値情報を抽出することが必須となっている。このようなアルゴリズムは、患者の階層化を可能にするために大量のデータの統合を容易にする可能性があります。