Этот метод может помочь предсказать реакцию на внутритерильную терапию. Применение машинного обучения в интервенционной онкологии изменит то, как мы лечим рак печени и другие заболевания с помощью методов лечения с помощью изображений. Этот метод может улучшить способ принятия двух важных решений.
Как правило, люди, новые для этого метода будет бороться из-за необходимости создания функций и для выполнения машинного обучения и кода. Визуальная демонстрация этого метода имеет решающее значение, поскольку шаги генерации объектов предполагают извлечение этих функций с помощью масок для визуализации. Для обучения модели необходим хорошо аннотированный и клинически репрезентативный набор данных.
Для дальнейшего совершенствования такого алгоритма машинного обучения потребуется больше данных о пациентах и больших когортах. После принятия решения, какие клинические особенности включить в модель, использовать соответствующий набор инструментов естественного языка, чтобы разобрать простой текст клиники отмечает в предложения, чтобы позволить поиск условий, представляющих интерес. Затем храните функции каждого пациента в файле с одной функцией на строку.
Для небинарных функций, получить среднее значение каждой функции для всех пациентов, и binarize каждой функции в качестве истинного или ложного значения на основе медианного значения. Чтобы вычислить среднее улучшение функции печени из медицинского изображения. После изоляции вокселей, содержащих печень, введите среднее увеличение печени команды.
Чтобы определить функцию объема печени, введите команды, как указано. Затем вычислите средние значения для каждой функции изображения и binarize функции, как попродемонстрировано. Для агрегирования и уменьшения функций сначала удалите функции низкой дисперсии из рассмотрения и прочитайте функции в двоичной матрице.
Далее используйте модель порога дисперсии для вычисления функций, появляющихся по крайней мере в 20% респондентов и неответчиков, подобно тому, что показано в таблице. Удалить любые функции с низкой ассоциацией univariate с результатом и фильтровать только те функции, которые проходят оригинальный низкий вариант скрининга сохраняя n особенности, где является число пациентов. Затем прочитайте в двоичной матрице для каждой функции, аналогичной тому, что показано в таблице.
После того, как функции были binarized и фильтруется, пришло время для обучения модели. Модель обучения является простым процессом, который соответствует особенностям результатов исследования и могут быть использованы для прогнозирования новых пациентов. В этом репрезентативном анализе 36 пациентов, которые прошли транс-артериальной терапии гепатоцеллюлярной карциномы, 25 особенностей были определены и binarized как попродемонстрировано с 5 функций, удовлетворяющих как варианты и унивариат ассоциации фильтров.
Каждый пациент был помечен как ответчик или неответчик в рамках количественной Европейской ассоциации по изучению критериев реакции печени. Как показано на примере, как логистическая регрессия, так и случайные лесные модели предсказывали реакцию лечения транстери артериализации с общей точностью 78%После этого метода, можно делать прогнозы на новых пациентов, применяя модель обучения. Этот метод машинного обучения может быть универсально применен к любой терапии, которая включает в себя предпрокусную, межпрокукуюсную и постпрокупоциальную визуализацию.
