Makine öğrenimi kullanarak görüntü destekli terapi tedavi öngörmede: hepatosellüler karsinom Trans-arter tedavisi için bir örnek

Özet

İntra arteryel terapiler standart tedavi cerrahi rezeksiyon tabi olamaz hepatosellüler karsinom olan hastalar için vardır. Bu terapiler öngörmede için bir yöntem önerdi. Teknik makine öğrenme modelleri tedavi öncesinde öngörmede yetenekli eğitmek için önceden yordam, demografik, klinik ve görüntüleme bilgileri kullanır.

Özet

İntra arteryel terapiler standart tedavi cerrahi rezeksiyon tabi olamaz hepatosellüler karsinom olan hastalar için vardır. Bu çalışmanın amacı müdahale öncesinde intra arteryel tedaviye yanıt tahmin etmek için bir yöntem geliştirmekti.

Yöntem intra arteryel terapi önce sonuçlar oluşabileceğini için genel bir çerçeve sağlar. Bu hastalar kohort arasında klinik, demografik ve görüntüleme veri havuzu ve bir makine öğrenme modeli eğitmek için bu verileri kullanarak içerir. Eğitimli modeli yeni hastalara intra arteryel tedaviye yanıt onların olasılığı tahmin etmek için uygulanır.

Yöntem alımı ve zaten trans-arter terapiler uğramıştır N hastalarda klinik, demografik ve görüntüleme veri ayrıştırma gerektirir. Bu veriler ayrı özellikleri (yaş, cinsiyet, siroz, derecesi tümör geliştirme, vb) ayrıştırılır ve doğru/yanlış değerleri (Örneğin, yaş üzerinde 60, erkek cinsiyet, tümör geliştirme ötesinde bir küme eşik, vb) içine binarized. Düşük-varyans özellikleri ve sonuç ile düşük tekdeğişirli ilişkilendirmeleriyle özellikleri kaldırılır. Her tedavi hasta olup yanıt verdiğinde veya tedaviye yanıt vermedi göre etiketlenir. Her eğitim hasta böylece ikili özellikleri ve bir sonuç etiket kümesi tarafından temsil edilir. Makine öğrenme modelleri N - sol-out hastaya test ile 1 hastalar kullanılarak eğitilmiştir. Bu işlem her N hastalar için yinelenir. N modelleri son model gelmesi ortalama.

Teknik genişletilebilir ve gelecekte eklenmesi ek özellikler sağlar. Bu da klinik araştırma soruları girişimsel radyoloji dışında uygulanabilir genelleştirilebilir bir süreçtir. Ana sınırlama özellikleri el ile her hastadan türetmek için ihtiyaç vardır. Makine öğrenimi derin denilen popüler bir modern formu bu sınırlama acı değil öğrenme ama daha büyük veri kümeleri gerektirir.

Giriş

Hepatosellüler karsinom cerrahi aday olmayan hastalarda intra arteryel terapiler^1,2,3sunulmaktadır. Bir hasta tedavi yönetilir önce bir intra arteryel terapiye yanıt olup olmadığını belirler yok tek ölçüsü vardır. Bu çalışmanın amacı tedaviye yanıt makine öğrenme yöntemleri uygulayarak öngörür bir yöntem göstermekti. Modelleri gibi uygulayıcıları ve hastalar için bir tedavi ile devam edip seçerken rehberlik.

Protokol eğitim ve birincil hasta veri (klinik notları, demografi, laboratuvar verileri ve görüntüleme) başlayan bir modeli güncelleştirmek için tekrarlanabilir bir süreç gerektirir. Verileri başlangıçta belirli özellikler için her hasta bir ikili özellik kümesi ve ikili sonucu hedef etiketi tarafından temsil ile ayrıştırılır. Sonuç etiket bir kurulan görüntüleme içinde yanıt kriteri hepatosellüler terapi^4,5,6,7için kullanılarak belirlenir. Özellikleri ve hedef etiket özellikleri ve belirli bir öğrenme modeli (logistic regresyon veya rasgele orman)^8,9,10altında sonuçlar arasındaki eşlemeyi öğrenir Makina öğrenme yazılımı için geçirilir. Benzer teknikler Radyoloji ve diğer alanlarda kanser araştırma tahmin^11,12,13tanı ve tedavisi uygulandı.

Yöntem bilgisayar bilimi teknikleri girişimsel radyoloji alanında uyum sağlar. Girişimsel Radyoloji ve tıp geleneksel önemi çalışmaları genel olarak, mono veya oligo özelliği analizler güveniyor. Örneğin, Model son aşama karaciğer hastalığı için karaciğer hastalığının ölçüde değerlendirmek için beş klinik ölçümleri içerir. Önerilen yöntem liberal özellikleri ekleme yeteneği şeydir; Yirmi beş özellikleri örnek analizde kabul edilir. Ek özellikler eklendi istediğiniz gibi.

Teknik burada öncesi ve sonrası müdahale görüntüleme veri kullanılabilir diğer radyografik müdahaleler uygulanabilir. Örneğin, benzer bir şekilde perkütan tedavi takip sonuçları tahmin edilebilir. Ana çalışma el ile papaz özelliklerine ihtiyaç model eklenmek kısıtlamasıdır. Veri küratörlüğü ve özellik çıkarma uygulayıcısı için zaman alır ve öğrenme modelleri böyle makine klinik kabulü engelleyebilir.

Access restricted. Please log in or start a trial to view this content.

Protokol

1. Makine öğrenimi için iş istasyonu kurulumu

1. Bir sistem ile şunu kullanın:
   Intel Core 2 Duo veya üzeri işlemci 2.0 GHz
   4 GB veya daha fazla sistem belleği
   POSIX uyumlu işletim sistemi (Linux veya Mac OS) ya da Microsoft Windows 7
   Yapma bilgisayar programı ve dosyaları kaydetmek için Kullanıcı izinleri
2. Aşağıdaki araçları yükleyin:
   Anakonda Python3: https://www.anaconda.com/download
   DICOM NIfTI Converter (dcm2niix) - https://github.com/rordenlab/dcm2niix
   Yüce Text Editor: https://www.sublimetext.com/
   ITK-ek (isteğe bağlı): http://www.itksnap.org
   1. Anaconda Python3, dcm2nii ve yüce metin yüklemek için işletim sisteminin belirli yükleme adımları için ilgili Web sitelerini ziyaret edin.
   2. Oluşturmak ve bir anakonda ortam etkinleştirin.
      Conda oluşturmak--adı mlenv
      Conda harekete geçirmek mlenv
   3. Makine öğrenimi için Anaconda paketleri yükleyin.
      Conda yüklemek numpy be scikit-nltk nibabel öğrenmek
      Not: Nltk paket nibabel paket medikal görüntü işleme için yararlı işlevler sağlarken düz metin klinik notları, ayrıştırmak için yararlıdır. ITK-ek organlar ve tümörlerin tıbbi görüntülerden segmentlere için yüklenebilir. Belirli bölgelere kısıtlayan özellikler için yararlıdır.

2. Düz metin klinik notları ve yapılandırılmış klinik veri özellik çıkarma

1. Proje için bir üst dizin oluşturun ve üst klasördeki her hasta için bir klasör oluşturun. Dizin yapısı benzemelidir:
   Proje /
   Proje/Patient_1 /
   Proje/Patient_2 /
   Proje/Patient_3 /
   ...
2. Düz metin elektronik tıbbi kayıt (EMR) klinik notlarını edinmek. Notları el ile EMR veya hastane bilgi teknolojisi (BT) office veri çöplük aracılığıyla yoluyla almak. Her hastanın notlar onların anılan sıraya göre klasörlerde depolar.
   Project/Patient_1/History_and_Physical.txt
   Project/Patient_1/Procedure_Note.txt
   1. Modele dahil edilecek klinik özellikleri karar verdi. Bu özellikler için düz metin klinik notları ayrıştırma. Python doğal dil Toolkit (nltk) kitaplığı belgeler cümle bölmek için yararlı komutlar sağlar. Her cümle sarılık gibi uygun terimleri için aranan. Her hastanın özellikleri her satırda bir özelliği ile bir dosyasında depolar.
      Project/Patient_1/Features.txt:
      67 yaşında
      seks erkek
      albümin 3.1
      sirozlu no
      hepatitis_c yok
      ...
   2. İkili olmayan özellikler için ortanca değer her özelliği karşıdan karşıya tüm hasta de. True(1) veya false(0) değer medyan değere bağlı olarak her özellik binarize.
      Project/Patient_1/Binary_Features.txt:
      age_over_60 0
      male_sex 1
      albumin_less_than_3.5 1
      presence_of_cirrhosis 0
      hepatitis_c 0
      ...

3. Tıbbi görüntüleri çıkarma özelliği

Not: Adım 3 ek materyalleri kod örnekleri için bkz.

1. Öncesi ve sonrası terapi manyetik rezonans DICOM görüntüleri hastaneden PACS indirin. Görüntüler karşılık gelen hasta klasörlerde saklar.
   Proje /
   Project/Patient_1/Pre_TACE_MRI_Pre-Contrast.dcm
   Project/Patient_1/Pre_TACE_MRI_Arterial.dcm
   Project/Patient_1/Post_TACE_MRI_Pre-Constrast.dcm
   Project/Patient_1/Post_TACE_MRI_Arterial.dcm
2. DICOM görüntüleri dcm2niix programını kullanarak NIfTI biçimine dönüştürme. Aşağıdaki komutlar belirtilen klasördeki tüm .dcm görüntüleri dönüştürür. Tüm hastalar için yineleyin.
   dcm2niix proje/Patient_1 /
   dcm2niix proje/Patient_2 /
3. Her NIfTI dosya Python yükleyin.
   alma nibabel
   görüntü nibabel.load('Project/Patient_1/Pre_TACE_MRI_Pre-Contrast.dcm') =
   1. Her görüntü yönünü döndürür. Bu x, y ve z eksenlerinde aynı görüntüleri elde etmek için kullanılan makine bakılmaksızın sağlar.
      cImage nibabel.as_closest_canonical(image) =
4. ITK-ek (veya eşdeğer yazılım paketi) ikili karaciğer ve tümör maskeleri her resim için bölümlere ayırmak için kullanın.
   Project/Patient_1/Pre_TACE_MRI_Pre-Contrast_Liver_Mask.bin
   Project/Patient_1/Pre_TACE_MRI_Pre-Contrast_Tumor_Mask.bin
5. Karaciğer ve tümör maskeleri Python okuyun. Aşağıdaki kod, Bay görüntü olarak aynı kanonik eksen boyunca maskeleri yönlendirmek için yönlendirme sorunları düzeltmek gösterilmiştir.
   NumPy np alma
   f: olarak açık (liver_mask_file, 'rb')
   liver_mask f.read() =
   liver_mask np.fromstring = (liver_mask, dtype 'uint8' =)
   liver_mask np.reshape = (liver_mask, diff.shape, sipariş 'F' =)
   liver_mask liver_mask = [:,:: -1,:]
   liver_mask [liver_mask > 0] 1 =
   1. Karaciğer ve tümör içeren voxels yalıtmak için karaciğer ve tümör maskeleri kullanın.
      karaciğer np.copy(cImage) =
      karaciğer [liver_mask < = 0] = 0
6. Kötü karaciğer geliştirme özelliği hesaplayın.
   mean_liver_enhancement mean(liver) =
   1. Karaciğer birim özelliği hesaplayın.
      pixdim cImage.header['pixdim =']
      birimler pre.header['xyzt_units' =]
      DX, dy, dz = pre_pixdim [1:4]
      liver_volume length(liver) = * dx * dx * dz
   2. (İsteğe bağlı) İstediğiniz gibi ek özellikler hesaplamak.
7. Hastaya özgü özellikler dosya görüntü özellikleri ile güncelleştirin.
   Project/Patient_1/Features.txt:
   67 yaşında
   seks erkek
   albümin 3.1
   sirozlu no
   hepatitis_c yok
   pre_tace_mean_liver_enhancement 78
   pre_tace_liver_volume 10000
   1. Görüntüleme her özellik için medyan değerleri hesaplamak ve adım 2.2.2 olduğu gibi binarize.
      Project/Patient_1/Binary_Features.txt:
      age_over_60 0
      male_sex 1
      albumin_less_than_3.5 1
      presence_of_cirrhosis 0
      hepatitis_c 0
      pre_tace_mean_liver_enhancement 1
      pre_tace_liver_volume 0

4. toplama ve azaltma özelliği

Not: Adım 4 ek materyalleri kod örnekleri için bkz.

1. Binary_Features.txt dosyalarını her hasta için hasta y ekseni üzerinde ve x ekseni üzerinde özellikleri ile bir elektronik tabloya birleştirin.

   Hasta	> 60 yaş	Erkek cinsiyet	Albümin < 3.5	Siroz varlığı	Hepatit C mevcut	karaciğer geliştirme > 50 demek	karaciğer birim > 20000
   1	0	1	1	0	0	1	0
   2	1	1	1	0	0	0	0
   3	0	1	1	0	1	0	0

   1. QEASL sonuç yanıt etiketleri son sütun olarak ekleyin;

      Hasta	> 60 yaş	Erkek cinsiyet	Albümin < 3.5	Siroz varlığı	Hepatit C mevcut	karaciğer geliştirme > 50 demek	karaciğer birim > 20000	qEASL Yanıtlayıcı
      1	0	1	1	0	0	1	0	1
      2	1	1	1	0	0	0	0	1
      3	0	1	1	0	1	0	0	0

   2. Elektronik sekmeyle ayrılmış bir dosya dışa aktarın.
      Project/ML_Matrix.tsv:
      PatientAge > 60 erkek seks albümin < 3.5 varlığı siroz Hepatit C mevcut ortalama karaciğer geliştirme > 50 karaciğer birim > 20000 qEASL Yanıtlayıcı
      1 0 1 1 0 0 1 0 1
      2 1 1 1 0 0 0 0 1
      3 0 1 1 0 1 0 0 0
2. Düşük-varyans özellikleri dikkate kaldırın.
   NumPy np alma
   sklearn.feature_selection al VarianceThreshold
   
   # İkili matrisinde okuyun.
   özellikleri =]
   Etiketler =]
   Ben enumerate(sys.stdin) L:
   Eğer ben == 0
   devam
   n_fs_L L.strip().split('\t') =
   Features.Append([float(_) _ n_fs_L[1:-1]]) için
   Labels.Append(n_fs_L[-1])
   X np.array(features) =
   y = np.array(labels)
   
   # Yardım ekipleri ve sigara respnders, en az % 20'görünen özellikler hesaplamak.
   Model VarianceThreshold = (eşik 0.8 = * (1 - 0.8))
   X_new model.fit_transform (X, y) =
   Erkek cinsiyet, albümin < 3.5, siroz ve karaciğer cilt > 2000 özellikleri kaldırıldı.

   Hasta	> 60 yaş	Hepatit C mevcut	karaciğer geliştirme > 50 demek	qEASL Yanıtlayıcı
   1	0	0	1	1
   2	1	0	0	1
   3	0	1	0	0

3. Sonuç ile düşük tekdeğişirli Derneği ile özellikleri kaldırın. Sadece 4.2 geçti özellikleri filtre. Korumak (günlük₂(N)) özellikleri, N sayı hastaların nerede ceil. Ceil (günlük₂(3)) = 2.
   
   alma matematik
   sklearn.feature_selection al SelectKBest
   sklearn.feature_selection alma chi2
   
   # 4.2.1 olduğu gibi ikili matris okuyun
   ...
   
   # En iyi ceil(log2(N)) özellikleri tekdeğişirli Derneği tarafından hesaplaması.
   k math.ceil(log2(length(y))) =
   Model SelectKBest = (chi2, k = k)
   X_new model.fit_transform (X, y) =
   
   4.2.1 kalan özelliklerinden erkek cinsiyet yaş > 60 özelliği kaldırıldı.

Hasta	Hepatit C mevcut	karaciğer geliştirme > 50 demek	qEASL Yanıtlayıcı
1	0	1	1
2	0	0	1
3	1	0	0

5. Modeli eğitim ve sınama

Adım 5 ek materyalleri kod örnekleri için bkz:

1. Bir logistic regresyon modeli 4,3 ikili özellikleri matris kullanarak yetiştirmek.
   alma matematik
   sklearn.linear_model al LogisticRegression
   
   # 4.2 ve 4.3 olduğu gibi ikili matris okuyun.
   ...
   
   # Her bir hasta için tüm diğer hastalar modelinde eğitmek.
   skor 0.0 =
   modelleri =]
   len(X) hastada için:
   # Tüm hastalardan ama modelinde eğitmek.
   train_x np.array = ([ı, enumerate(X) _ _ eğer i! hasta =])
   train_y np.array = ([ı, enumerate(y) _ _ eğer i! hasta =])
   Model LogisticRegression(C=1e15) =
   model.fit (train_x, train_y)
   
   # Sol-out hastaya test.
   y_prediction model.predict(X[patient]) =
   Eğer y_prediction y [hasta] ==:
   Skor += 1
   Models.Append(model)
2. 4.2.2 ikili özellikleri matris kullanarak bir rasgele orman modeli geliştirmek. Model oluşturmada aşağıdaki gibi güncelleştirilmesi gerektiğini dışında 5.2.1 için aynı adımlardır:
   sklearn.Ensemble al RandomForestClassifier
   ...
   Model RandomForestClassifier(n_estimators=100) =
   ...
3. Basılı çıktılarında puanı / len (X) 5.1 ve 5.2 için. Bu sırasıyla tüm logistic regresyon modelleri ve tüm rasgele orman modeller, ortalama doğruluğunu temsil eder. Tüm N modelleri tahmin sonucu olarak alınan ortalama sınıflandırma ile yeni hastalara uygulanması gereken

Access restricted. Please log in or start a trial to view this content.

Sonuçlar

Önerilen yöntem hepatosellüler karsinom için trans-arter terapiler geçirmiş 36 hastalara uygulandı. Yirmi beş özellikleri tespit edilmiştir ve binarized kullanarak 1-5 adımlar. Beş özellikleri varyans ve tekdeğişirli Derneği filtreler (5.1 ve 5.2 adımlara bakın) memnun ve modeli eğitim için kullanıldı. Her hasta Yanıtlayıcı veya qEASL yanıt ölçütü altında Yanıtlayıcı olarak etiketli oldu. Hedef etiketler vektör 36 x 1 iken özellikleri matris böylece 36...

Access restricted. Please log in or start a trial to view this content.

Tartışmalar

Cerrahi rezeksiyon için aday olmayan hastalar hepatosellüler karsinom ile içi arteryel terapiler sunulmaktadır. Bir hasta öncesiyanıt vereceğini belirler için birkaç yöntem vardır-tedavi. Tümör boyutu veya tümör kontrast alımı değişiklikleri üzerine tedavi sonrası değerlendirme teknikleri kullanır. Bunlara yanıt kriterleri, nicel Avrupa Birliği'ne karaciğer (qEASL) ölçüt incelenmesi için en doğru olmak denir. qEASL hem hacimsel ve terapi yanıt olasılığı tahmin etmek için aşa...

Access restricted. Please log in or start a trial to view this content.

Malzemeler

Name	Company	Catalog Number	Comments
Computer workstation	N/A	N/A	Intel Core 2 Duo or higher CPU at 2.0 GHz; 4 GB or more system memory; POSIX-compliant operating system (Linux or Mac OS) or Microsoft Windows 7; User permissions for executing programs and saving files
Anaconda Python 3	Anaconda, Inc.	Version 3.6	Python 3 system and libraries packaged for scientists and researchers
DICOM to NIfTI	NeuroImaging Tools & Resources Collaboratory	Version 1.0 (4/4/2018 release)	Standalone program for converting DICOM imaging files to NIfTI format
Sublime Text Editor	Sublime HQ Pty Ltd	Version 3 (Build 3143)	Text-editor for writing Python code
Required Python Libraries	N/A	Version 3.2.25 (nltk) Version 0.19.1 (scikit-learn)	Natural Language Toolkit (nltk) Scikit-learn
ITK-SNAP	N/A	Version 3.6.0	Optional toolkit for performing segmentation of organ systems in medical images.