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

Bu yöntem intra arteriyel tedavilere yanıtı tahmin yardımcı olabilir. Girişimsel onkolojide makine öğrenimi uygulamaları, karaciğer kanseri ve diğer hastalıkları imaj rehberliğinde tedavi yöntemleriyle tedavi şeklimizi değiştirecek. Bu yöntem, iki önemli kararın veriş biçimini iyileştirme potansiyeline sahiptir.

Genel olarak, bu yönteme yeni bireyler özellikleri oluşturmak ve makine öğrenme ve kod gerçekleştirmek için ihtiyaç nedeniyle mücadele edecek. Özellik oluşturma adımları görüntüleme maskeleri kullanarak bu özelliklerin ayıklenmesini gerektirdiğinden, bu yöntemin görsel gösterimi çok önemlidir. Modeli eğitmek için iyi açıklamalı ve klinik olarak temsil ilerlemiş bir veri seti gereklidir.

Daha fazla hasta veri ve büyük kohortlar daha da böyle bir makine öğrenme algoritması geliştirmek için gerekli olacaktır. Modele hangi klinik özelliklerin eklendiğine karar verildikten sonra, düz metin klinik notlarını cümleler halinde ayrıştırmak için uygun bir doğal dil araç kiti kullanın. Ardından her hastanın özelliklerini satır başına bir özelliğe sahip bir dosyada saklayın.

İkili olmayan özellikler için, tüm hastalarda her özelliğin ortanca değerini elde edin ve her özelliği ortanca değere dayalı olarak doğru veya yanlış bir değer olarak ölçün. Tıbbi bir görüntüden ortalama bir karaciğer geliştirme özelliği hesaplamak için. Karaciğer içeren voxels izole sonra, ortalama karaciğer geliştirme komutu girin.

Karaciğer hacmi özelliğini belirlemek için, belirtildiği gibi komutları girin. Daha sonra her görüntüleme özelliği için ortanca değerleri hesaplayın ve gösterildiği gibi özellikleri binarize. Özelliklerin toplanması ve azaltılması için, önce düşük varyans özelliklerini dikkate alın ve ikili matristeki özellikleri okuyun.

Ardından, tabloda gösterildiği gibi hem yanıtlayıcıların hem de yanıt vermeyenlerin en az %20'sinde görünen özellikleri hesaplamak için varyans eşiği modelini kullanın. Sonuç ile düşük tek değişkenli ilişki ile herhangi bir özelliği kaldırın ve n hasta sayısı dır orijinal düşük varyant tarama istinat n özellikleri sadece bu özellikleri filtre. Daha sonra her özellik için ikili matris, tabloda gösterildiği gibi benzer okuyun.

Özellikler binarized ve filtrelendi sonra, modeli eğitmek zamanı. Model eğitimi, çalışma altındaki sonuca özellikleri uygun ve yeni hastalar hakkında tahminlerde bulunmak için kullanılabilecek basit bir süreçtir. Hepatosellüler karsinom için trans arteriyel tedavi gören 36 hastanın bu temsili analizinde, hem varyantları hem de tek değişkenli ilişki filtrelerini tatmin eden 5 özellik tesbibe edildiği gibi 25 özellik saptandı ve binarize edildi.

Her hasta karaciğer yanıt kriterlerinin incelenmesi için kantitatif Avrupa Birliği altında bir yanıtlayıcı veya yanıt vermeyen olarak etiketlendi. Görüldüğü gibi hem lojistik regresyon hem de rastgele orman modelleri trans arteriyel kemoembolizasyon tedavisi yanıtını genel doğruluk oranı %78 olarak öngörmüştür Bu yöntemden sonra, eğitim modelini uygulayarak yeni hastalar hakkında tahminlerde bulunmak mümkündür. Bu makine öğrenme tekniği evrensel olarak usul öncesi, usuller arası ve post-prosedür görüntüleme içeren herhangi bir tedavi uygulanabilir.