Name: predicting treatment response to image-guided therapies using machine learning: an example for trans-arterial treatment of hepatocellular carcinoma
Uploaded: 2018-10-10T15:00:00
Description: Watch this Scientific Journal Video about Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma at JoVE.co

A.A. modtog finansiering støtte fra Office Student forskning, Yale School of Medicine.
L.J.S. modtager tilskud fra National Institutes of Health (NIH/NCI R01CA206180), Leopoldina postdoc stipendium, og Rolf W. Guenther Foundation i radiologisk videnskab (Aachen, Tyskland).
J.C. modtager tilskud fra National Institutes of Health (NIH/NCI R01CA206180), Philips Healthcare og det tysk-israelske Institut for videnskabelig forskning og udvikling (Jerusalem, Israel og Neuherberg, Tyskland); og stipendier fra Rolf W. Guenther Foundation radiologiske Naturvidenskabernes og de Charite Berlin Institute of sundhed kliniske videnskabsmand Program (Berlin, Tyskland).
J.S.D. og M.L. modtager tilskud fra National Institutes of Health (NIH/NCI R01CA206180) og Philips Healthcare (bedste, Nederlandene).
J.F.G. modtager tilskud fra National Institutes of Health (NIH/NCI R01CA206180), Philips Healthcare, BTG (London, Storbritannien), Boston Scientific (Marlborough, Massachusetts), og Guerbet Healthcare (Villepinte, Frankrig)

1. Arbejdsstation installation til maskinen læring
<ol><li>Bruge et system med følgende: Intel Core 2 Duo eller højere CPU på 2,0 GHz 4 GB eller mere systemhukommelse POSIX-kompatible driftssystem (Linux eller Mac OS) eller Microsoft Windows 7 Brugertilladelser for udførelse af programmer og gemme filer</li>
	<li>Installere følgende værktøjer: Anaconda Python3: https://www.anaconda.com/download DICOM til NIfTI converter (dcm2niix) - https://github.com/rordenlab/dcm2niix Sublime tekst Editor...

<ol>
	<li>Benson, A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=NCCN+clinical+practice+guidelines+in+oncology:+hepatobiliary+cancers.">NCCN clinical practice guidelines in oncology: hepatobiliary cancers.</a> J National Comprehensive Cancer Network. 7 (4), 350-391 (2009).</li><li>Siegel, R., Miller, K., Jemal, A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Cancer+statistics,+2016.">Cancer statistics, 2016.</a> CA Cancer J Clin. 66 (1), 7-30 (2016).</li><li>Bruix, J., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Clinical+management+of+hepatocellular+carcinoma.+Conclusions+of+the+Barcelona-2000+European+Association+for+the+Study+of+the+Liver+conference.">Clinical management of hepatocellular carcinoma. Conclusions of the Barcelona-2000 European Association for the Study of the Liver conference.</a> Journal of Hepatology. 35 (3), 421-430 (2001).</li><li>Eisenhauer, E., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=New+response+evaluation+criteria+in+solid+tumours:+revised+RECIST+guideline+(version+1.1).">New response evaluation criteria in solid tumours: revised RECIST guideline (version 1.1).</a> European Journal of Cancer. 45 (2), 228-247 (2009).</li><li>Gillmore, R., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=EASL+and+mRECIST+responses+are+independent+prognostic+factors+for+survival+in+hepatocellular+cancer+patients+treated+with+transarterial+embolization.">EASL and mRECIST responses are independent prognostic factors for survival in hepatocellular cancer patients treated with transarterial embolization.</a> Journal of Hepatology. 55 (6), 1309-1316 (2011).</li><li>Lin, M., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Quantitative+and+volumetric+European+Association+for+the+Study+of+the+Liver+and+Response+Evaluation+Criteria+in+Solid+Tumors+measurements:+feasibility+of+a+semiautomated+software+method+to+assess+tumor+response+after+transcatheter+arterial+chemoembolization.">Quantitative and volumetric European Association for the Study of the Liver and Response Evaluation Criteria in Solid Tumors measurements: feasibility of a semiautomated software method to assess tumor response after transcatheter arterial chemoembolization.</a> Journal of Vascular and Interventional Radiology. 23 (12), 1629-1637 (2012).</li><li>Tacher, V., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Comparison+of+Existing+Response+Criteria+in+Patients+with+Hepatocellular+Carcinoma+Treated+with+Transarterial+Chemoembolization+Using+a+3D+Quantitative+Approach.">Comparison of Existing Response Criteria in Patients with Hepatocellular Carcinoma Treated with Transarterial Chemoembolization Using a 3D Quantitative Approach.</a> Radiology. 278 (1), 275-284 (2016).</li><li>Pedregosa, F., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Scikit-learn:+Machine+Learning+in+Python.">Scikit-learn: Machine Learning in Python.</a> Journal of Machine Learning Research. 12, 2825-2830 (2011).</li><li>Bishop, C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=.">.</a> Pattern recognition and machine learning. , 738 (2006).</li><li>Alpaydin, E. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=.">.</a> Introduction to machine learning. Third edition. , 613 (2014).</li><li>Kim, S., Cho, K., Oh, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Development+of+machine+learning+models+for+diagnosis+of+glaucoma.">Development of machine learning models for diagnosis of glaucoma.</a> PLoS One. 12 (5), (2017).</li><li>Son, Y., Kim, H., Kim, E., Choi, S., Lee, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Application+of+support+vector+machine+for+prediction+of+medication+adherence+in+heart+failure+patients.">Application of support vector machine for prediction of medication adherence in heart failure patients.</a> Healthcare Informatics Research. 16 (4), 253-259 (2010).</li><li>Wang, S., Summers, R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Machine+learning+and+radiology.">Machine learning and radiology.</a> Medical Image Analysis. 16 (5), 933-951 (2012).</li><li>Abajian, A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Predicting+Treatment+Response+to+Intra-arterial+Therapies+for+Hepatocellular+Carcinoma+with+the+Use+of+Supervised+Machine+Learning-An+Artificial+Intelligence+Concept.">Predicting Treatment Response to Intra-arterial Therapies for Hepatocellular Carcinoma with the Use of Supervised Machine Learning-An Artificial Intelligence Concept.</a> Journal of Vascular and Interventional Radiology. , (2018).</li></ol>

Patienter med hepatocellulært carcinom, der ikke er kandidater til kirurgisk resektion tilbydes intraarteriel behandlingsformer. Få metoder eksisterer for at bestemme, hvis en patient vil reagere pre-behandling. Efterbehandling evalueringsteknikker afhængige af ændringer i tumorstørrelse eller tumor kontrast optagelse. Disse kaldes svar kriterier, med de mest præcise er kvantitative European Association for studiet af leveren (qEASL) kriterium. qEASL er afhængig af både volumetrisk og ekstraudstyr ændri...

Patienter med hepatocellulært carcinom, som ikke er kirurgiske kandidater tilbydes intraarteriel terapier1,2,3. Der er ingen enkelt metrikværdi, der afgør om en patient vil reagere på en intraarteriel terapi før behandling administreres. Formålet med denne undersøgelse var at vise en metode, der forudsiger behandlingsrespons ved at anvende metoder fra maskinen læring. Sådanne modeller give vejledning til praktiserende læger og patienter ved at vælge, om at gå videre med en behandling.
Protokollen indebærer en reproducerbar proces for erhvervsuddannelse og opdaterer en model fra primære patientdata (kliniske noter, demografi, laboratoriedata og billedbehandling). Dataene er i første omgang parset for bestemte funktioner, med hver patient, repræsenteret ved et sæt af binære funktioner og en binære resultat mål etiket. Resultatet etiketten bestemmes ved hjælp en etablerede imaging-baserede svar kriterium for hepatocellulært terapi4,5,6,7. Funktioner og mål etiketterne videregives til maskinen læring software, der lærer tilknytningen mellem funktioner og resultater under en bestemt læring model (logistisk regression eller tilfældige skov)8,9,10. Lignende teknikker har været anvendt i radiologi og andre områder af kræftforskning for diagnose og behandling forudsigelse11,12,13.
Metoden, der tilpasser teknikker fra datalogi til inden for interventionel radiologi. Traditionelle betydning undersøgelser i interventionel radiologi og medicin i almindelighed, afhængige af mono - eller oligo-funktionen analyser. For eksempel, omfatter Model for slutstadiet leveren sygdom fem kliniske målinger for at vurdere omfanget af leversygdom. Fordelen ved den foreslåede metode er muligheden for at tilføje funktioner rigeligt; tyve-fem funktioner betragtes i eksempel analyse. Ekstra funktioner kan tilføjes som ønsket.
Teknikken kan anvendes på øvrige radiografiske interventioner hvor før og efter intervention billeddiagnostiske data er tilgængelige. For eksempel kunne resultater efter perkutan behandlinger forudsiges på samme måde. Den største begrænsning af undersøgelsen er nødvendigheden af at manuel kapellan funktioner til optagelse i modellen. Dataudtræk datasikring og funktion er tidskrævende for den praktiserende læge og kan hæmme kliniske vedtagelsen af sådanne maskinen læring modeller.

<table border="0" cellpadding="0" cellspacing="0" style="width:851px;" width="850">
	<colgroup>
		<col />
		<col />
		<col />
		<col />
	</colgroup>
	<tbody>
		<tr height="105">
			<td height="105" style="height:105px;width:216px;">Computer workstation</td>
			<td style="width:123px;">N/A</td>
			<td style="width:169px;">N/A</td>
			<td style="width:343px;">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</td>
		</tr>
		<tr height="40">
			<td height="40" style="height:40px;width:216px;">Anaconda Python 3</td>
			<td style="width:123px;">Anaconda, Inc.</td>
			<td style="width:169px;">Version 3.6</td>
			<td style="width:343px;">Python 3 system and libraries packaged for scientists and researchers</td>
		</tr>
		<tr height="40">
			<td height="40" style="height:40px;width:216px;">DICOM to NIfTI</td>
			<td style="width:123px;">NeuroImaging Tools &#38; Resources Collaboratory</td>
			<td style="width:169px;">Version 1.0 (4/4/2018 release)</td>
			<td style="width:343px;">Standalone program for converting DICOM imaging files to NIfTI format</td>
		</tr>
		<tr height="33">
			<td height="33" style="height:33px;width:216px;">Sublime Text Editor</td>
			<td style="width:123px;">Sublime HQ Pty Ltd</td>
			<td style="width:169px;">Version 3 (Build 3143)</td>
			<td style="width:343px;">Text-editor for writing Python code</td>
		</tr>
		<tr height="45">
			<td height="45" style="height:45px;width:216px;">Required Python Libraries</td>
			<td style="width:123px;">N/A</td>
			<td style="width:169px;">Version 3.2.25 (nltk) 
			Version 0.19.1 (scikit-learn)</td>
			<td style="width:343px;">Natural Language Toolkit (nltk) 
			Scikit-learn</td>
		</tr>
		<tr height="40">
			<td height="40" style="height:40px;width:216px;">ITK-SNAP</td>
			<td style="width:123px;">N/A</td>
			<td style="width:169px;">Version 3.6.0</td>
			<td style="width:343px;">Optional toolkit for performing segmentation of organ systems in medical images.</td>
		</tr>
	</tbody>
</table>

predicting treatment response to image-guided therapies using machine learning: an example for trans-arterial treatment of hepatocellular carcinoma

Intraarteriel behandlingsformer er standard for pleje til patienter med hepatocellulært carcinom, der ikke kan gennemgå kirurgisk resektion. Formålet med denne undersøgelse var at udvikle en metode til at forudsige svar på intraarteriel behandling inden intervention.
Metoden giver en generel ramme for at forudsige resultater før intraarteriel terapi. Det drejer sig om sammenlægning kliniske, demografiske og billeddiagnostiske data på tværs af en kohorte af patienter og bruger disse data til at træne en machine learning model. Den uddannede model anvendes på nye patienter for at forudsige sandsynligheden af svar til intraarteriel terapi.
Metoden indebærer erhvervelse og parsing af kliniske, demografiske og billeddiagnostiske data fra N patienter, der allerede har gennemgået trans-arteriel behandlingsformer. Disse data er analyseret i diskrete funktioner (alder, køn, skrumpelever, graden af tumor ekstraudstyr, osv.) og binarized til sand/falsk værdier (f.eks. alder over 60, mandlige køn, tumor ekstraudstyr ud over et sæt tærskel, osv.). Lav varians funktioner og funktioner med lav inputområdet foreninger med resultatet er fjernet. Hver behandlede patienten er mærket efter om de har reageret eller ikke reagerer på behandling. Hver uddannelse patienten er således repræsenteret ved et sæt af binære funktioner og en resultatet etiket. Maskinen læringsmodeller er uddannet ved hjælp af N - 1 patienter med test på venstre-out patient. Denne proces gentages for hver af N patienterne. N -modellerne er gennemsnit for at nå frem til en endelig model.
Teknikken kan udvides og giver mulighed for optagelse af yderligere funktioner i fremtiden. Det er også et generaliserbart proces, der kan anvendes til klinisk forskningsspørgsmål uden for interventionel radiologi. Den største begrænsning er behovet for at udlede funktioner manuelt fra hver patient. En populær moderne form af maskinen læring kaldes dyb kræver læring ikke lider af denne begrænsning, men større datasæt.

Den foreslåede metode blev anvendt til 36 patienter, der havde gennemgået trans-arteriel behandlingsmetoder for hepatocellulært carcinom. Tyve-fem funktioner blev identificeret og binarized ved hjælp af trin 1-5. Fem funktioner opfyldt både varians og inputområdet association filtre (Se trin 5.1 og 5.2) og blev brugt til model uddannelse. Hver patient var mærket som enten en responder eller ikke-responder under qEASL svar kriterier. Matrixen funktioner var således en 36 x 5 matrix...

Watch this Scientific Journal Video about Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma at JoVE.co

Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma

Forudsige behandlingsrespons til billede guidet behandlinger ved hjælp af maskinen læring: et eksempel for Trans-arteriel behandling af hepatocellulært karcinom

Intraarteriel behandlingsformer er standard for pleje til patienter med hepatocellulært carcinom, der ikke kan gennemgå kirurgisk resektion. En metode til at forudsige svar til disse behandlinger er foreslået. Teknikken bruger pre proceduremæssige kliniske, demografiske og billeddiagnostiske oplysninger for at træne maskinen læringsmodeller i stand til at forudsige svar inden behandling.

Intra-arterial therapies are the standard of care for patients with hepatocellular carcinoma who cannot undergo surgical resection. The objective of this ...

Denne metode kan hjælpe med at forudsige respons på intra arteriel behandling. Maskinlæringsapplikationer i interventionel onkologi vil ændre den måde, vi behandler leverkræft og andre sygdomme med billedstyrede behandlinger. Denne metode har potentiale til at forbedre den måde, hvorpå to vigtige beslutninger træffes.Generelt vil personer, der er nye på denne metode, kæmpe på grund af behovet for at generere funktionerne og udføre maskinlæring og kode. Visuel demonstration af denne metode er afgørende, da trinnene til generering af funktioner indebærer, at disse funktioner udtrækkes ved hjælp af billedmasker. Et godt kommenteret og klinisk repræsentativt datasæt er nødvendigt for at træne modellen.Der vil være behov for flere patientdata og store kohorter for yderligere at forbedre en sådan maskinlæringsalgoritme. Efter at have besluttet, hvilke kliniske funktioner der skal indgå i modellen, skal du bruge en passende naturligt sprog værktøjskasse til at analysere almindelig tekst klinik noter i sætninger for at tillade søgning efter interessevilkår. Gem derefter hver enkelt patients funktioner i en fil med én funktion pr. linje.For ikke-binære funktioner skal du opnå medianværdien af hver funktion på tværs af alle patienterne og binarisere hver funktion som en sand eller falsk værdi baseret på medianværdien. At beregne en gennemsnitlig lever ekstraudstyr funktion fra et medicinsk billede. Efter isolering af voxels indeholder leveren, indtaste den gennemsnitlige lever ekstraudstyr kommando.Hvis du vil bestemme levervolumenfunktionen, skal du indtaste kommandoerne som angivet. Beregn derefter medianværdier for hver billedfunktion, og binarize funktionerne som vist. For sammenlægning og reduktion af funktionerne skal du først fjerne lavvariansfunktionerne fra overvejelse og læse funktionerne i den binære matrix.Brug derefter varianstærskelmodellen til at beregne de funktioner, der vises i mindst 20 % af både respondenter og ikke-responderende, svarende til dem, der er illustreret i tabellen. Fjern alle funktioner med en lav univariate forbindelse med resultatet og filtrere kun de funktioner, der passerer den oprindelige lav variant screening bevare n funktioner, hvor n er antallet af patienter. Læs derefter i den binære matrix for hver funktion, svarende til som vist i tabellen.Når funktionerne er blevet binarized og filtreret, er det tid til at træne modellen. Model uddannelse er en enkel proces, der passer til de funktioner til det resultat, der undersøges, og kan bruges til at gøre forudsigelser om nye patienter. I denne repræsentative analyse af 36 patienter, der gennemgik transarteriebehandlinger for hepatocellulær karcinom, blev 25 funktioner identificeret og binarized som påvist med 5 funktioner, der opfylder både varianter og univariate forening filtre.Hver patient blev mærket som enten responder eller ikke-responder under den kvantitative europæiske sammenslutning til undersøgelse af kriterierne for leverrespons. Som illustreret forudsagde både logistik regression og tilfældige skovmodeller et transarterielt kemoemboliseringsbehandlingsrespons med en samlet nøjagtighed på 78% Efter denne metode er det muligt at komme med forudsigelser om nye patienter ved at anvende træningsmodellen. Denne maskinlæringsteknik kan anvendes universelt på enhver behandling, der involverer præ-proceduremæssige, inter-proceduremæssige og post-proceduremæssige billedbehandling.

Research

JoVE Journal

Medicine

The Measurement and Treatment of Suppression in Amblyopia

Måling og behandling af Suppression i Amblyopi

Amblyopia, a developmental disorder of the visual cortex, is one of the leading causes of visual dysfunction in the working age population. Current ...

The Goeckerman Regimen for the Treatment of Moderate to Severe Psoriasis

Den Goeckerman regime til behandling af moderat til svær psoriasis

Psoriasis is a  chronic, immune-mediated inflammatory skin disease affecting approximately 2-3%  of the population. The Goeckerman regimen consists of ...

Ex Vivo Treatment Response of Primary Tumors and/or Associated Metastases for Preclinical and Clinical Development of Therapeutics

Ex Vivo Treatment Response of Primary Tumors and/or Associated Metastases for Preclinical and Clinical Development of Therapeutics

Ex vivo-behandling Reaktion fra primære tumorer og / eller associerede Metastaser til præklinisk og klinisk udvikling af Therapeutics

The molecular analysis of established cancer cell lines has been the mainstay of cancer research for the past several decades. Cell culture provides both ...

The In Ovo Chick Chorioallantoic Membrane (CAM) Assay as an Efficient Xenograft Model of Hepatocellular Carcinoma

The In Ovo Chick Chorioallantoic Membrane CAM Assay as an Efficient Xenograft Model of Hepatocellular Carcinoma

Den<em&gt; I Ovo</em&gt; Kyllingechorioallantoinmembranen (CAM) Indhold som en effektiv xenograftmodel af hepatocellulært carcinom

The chick chorioallantoic membrane (CAM) begins to develop by day 7 after fertilization and matures by day 12. The CAM is naturally immunodeficient and ...

Evaluation of the Efficacy of the H. pylori Protein HP-NAP as a Therapeutic Tool for Treatment of Bladder Cancer in an Orthotopic Murine Model

Evaluation of the Efficacy of the H. pylori Protein HP-NAP as a Therapeutic Tool for Treatment of Bladder Cancer in an Orthotopic Murine Model

Evaluering af effekten af<em&gt; H. pylori</em&gt; Protein HP-NAP som et terapeutisk værktøj til behandling af blærekræft i en ortotopisk murin model

Bladder cancer is one of the most common malignancies of the urogenital tract. Intravesical injection of Bacillus Calmette-Gu&#233;rin (BCG) is the gold ...

A "Patient-Like" Orthotopic Syngeneic Mouse Model of Hepatocellular Carcinoma Metastasis

En &quot;Patient-Like&quot; ortotopisk Syngene musemodel af hepatocellulært carcinom Metastase

The majority of cancer-related deaths are caused by the metastasis of the cancer rather than the primary tumor itself. Yet, the underlying mechanisms of ...

MRI-guided dmPFC-rTMS as a Treatment for Treatment-resistant Major Depressive Disorder

MR-guided dmPFC-rTMS som en behandling for behandling-resistent depression

Here we outline the protocol for magnetic resonance imaging (MRI) guided repetitive transcranial magnetic stimulation (rTMS) to the dorsal medial ...

Using Micro-computed Tomography for the Assessment of Tumor Development and Follow-up of Response to Treatment in a Mouse Model of Lung Cancer

Brug Micro-computertomografi for Vurdering af Tumor Udvikling og opfølgning af respons på behandling i en musemodel for lungekræft

Lung cancer is the most lethal cancer in the world. Intensive research is ongoing worldwide to identify new therapies for lung cancer. Several mouse ...