Este método pode ajudar a prever a resposta às terapias intra-arterials. Aplicações de aprendizado de máquina na oncologia intervencionista mudarão a forma como tratamos o câncer de fígado e outras doenças com terapias guiadas pela imagem. Este método tem o potencial de melhorar a forma como duas decisões importantes são tomadas.
Geralmente, indivíduos novos nesse método lutarão por causa da necessidade de gerar os recursos e de realizar aprendizado de máquina e código. A demonstração visual deste método é fundamental, pois as etapas de geração de recursos implicam a extração desses recursos usando máscaras de imagem. Um conjunto de dados bem anotado e clinicamente representativo é necessário para treinar o modelo.
Mais dados de pacientes e grandes coortes serão necessários para melhorar ainda mais esse algoritmo de aprendizagem de máquina. Depois de decidir quais características clínicas incluir no modelo, use um kit de ferramentas de linguagem natural apropriada para analisar as notas da clínica de texto simples em frases para permitir a busca de termos de interesse. Em seguida, armazene as características de cada paciente em um arquivo com um recurso por linha.
Para características não binárias, obtenha o valor médio de cada característica em todos os pacientes e binarize cada recurso como um valor verdadeiro ou falso com base no valor mediano. Para calcular um recurso médio de aumento do fígado a partir de uma imagem médica. Depois de isolar os voxels contendo o fígado, entre no comando médio de aumento do fígado.
Para determinar o recurso de volume do fígado, digite os comandos conforme indicado. Em seguida, calcule os valores medianos para cada recurso de imagem e binarize os recursos conforme demonstrado. Para agregação e redução dos recursos, primeiro remova os recursos de baixa variância da consideração e leia os recursos na matriz binária.
Em seguida, use o modelo de limiar de variância para calcular os recursos que aparecem em pelo menos 20% dos respondentes e não respondentes, semelhante ao ilustrado na tabela. Remova quaisquer características com uma baixa associação univariada com o resultado e filtre apenas os recursos que passam pela triagem original de baixa variante retendo n características onde n é o número de pacientes. Em seguida, leia na matriz binária para cada característica, semelhante ao ilustrado na tabela.
Depois que os recursos foram binarizados e filtrados, é hora de treinar o modelo. O treinamento de modelos é um processo simples que se encaixa nas características do resultado em estudo e pode ser usado para fazer previsões sobre novos pacientes. Nesta análise representativa de 36 pacientes submetidos a terapias trans arteriais para carcinoma hepatocelular, foram identificadas 25 características e binarizadas, como demonstrados com 5 características que satisfazem tanto as variantes quanto os filtros de associação univariada.
Cada paciente foi rotulado como respondente ou não-responder sob a Associação Europeia quantitativa para o estudo dos critérios de resposta hepática. Como ilustrado, tanto a regressão logística quanto os modelos florestais aleatórios previram uma resposta de tratamento de quimioterapia trans arterial com uma precisão geral de 78%Seguindo esse método, é possível fazer previsões sobre novos pacientes aplicando o modelo de treinamento. Esta técnica de aprendizagem de máquina pode ser universalmente aplicada a qualquer terapia que envolva imagens pré-processuais, inter-processuais e pós-processuais.
