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. a reçu un soutien financier de l’Office de la recherche des étudiants, Yale School of Medicine.
L.J.S. reçoit des subventions de la National Institutes of Health (NIH/NCI R01CA206180), bourse de recherche postdoctorale Leopoldina et le Rolf W. Guenther Foundation des Sciences radiologiques (Aachen, Allemagne).
J.C. reçoit des subventions de la National Institutes of Health (NIH/NCI R01CA206180), Philips Healthcare et la Fondation allemande-israélien pour la recherche scientifique et le développement (Jérusalem, Israël et Neuherberg, Allemagne) ; et bourses d’études de la Foundation de Guenther Rolf W. des Sciences radiologiques et la charité Berlin Institut de santé clinique scientifique programme (Berlin, Allemagne).
J.S.D. et M.L. reçoivent des subventions du National Institutes of Health (NIH/NCI R01CA206180) et Philips Healthcare (Best, Pays-Bas).
J.F.G. reçoit des subventions du National Institutes of Health (NIH/NCI R01CA206180), Philips Healthcare, BTG (Londres, Royaume-Uni), Boston Scientific (Marlborough, Massachusetts) et soins de santé de Guerbet (Villepinte, France)

1. Installation de station de travail pour l’apprentissage de la Machine
<ol><li>Utilisez un système avec ce qui suit : Intel Core 2 Duo ou supérieur à 2,0 GHz 4 Go ou plus de mémoire système Des système d’exploitation compatible POSIX (Linux ou Mac OS) ou Microsoft Windows 7 Autorisations de l’utilisateur pour l’exécution de programmes et d’enregistrer des fichiers</li>
	<li>Installez les outils suivants : Python3 Anaconda : https://www.anaconda.com/download DICOM NIfTI convertiss...

<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>

Patients atteints de carcinome hépatocellulaire qui ne sont pas candidats à la résection chirurgicale sont offerts des thérapies intra-artérielle. Peu de méthodes existe pour déterminer si un patient répondra pre-traitement. Techniques d’évaluation de post-traitement s’appuient sur les changements dans la taille de la tumeur ou tumeur contraste absorption. Ce sont les critères de réponse, dont la plus précise est l’Association européenne Quantitative pour l’étude du critère du foie (qEASL)...

Patients atteints de carcinome hépatocellulaire qui ne sont pas candidats à la chirurgie sont offerts des thérapies intra-artérielle1,2,3. Il n’y a aucune métrique unique qui détermine si un patient répondra à une thérapie intra-artérielle avant le traitement est administré. L’objectif de cette étude était de démontrer une méthode qui prédit la réponse au traitement par des méthodes d’apprentissage automatique. Ces modèles des conseils aux praticiens et les patients au moment de choisir s’il faut procéder à un traitement.
Le protocole suppose un processus reproductible pour la formation et la mise à jour d’un modèle à partir de données primaires du patient (notes cliniques, données démographiques, données de laboratoire et d’imagerie). Les données sont initialement analysées pour des fonctionnalités spécifiques, avec chaque patient représenté par un ensemble de fonctions binaires et une étiquette cible de résultat binaire. L’étiquette de résultats est déterminée selon un critère établi réponse axée sur l’imagerie pour hépatocellulaire thérapie4,5,6,7. Les caractéristiques et les étiquettes de la cible sont passés à des logiciels d’apprentissage machine qui apprend le mappage entre les caractéristiques et les résultats sous un particulier apprentissage modèle (régression logistique ou forêts aléatoires)8,9,10. Des techniques similaires ont été appliquées en radiologie et autres domaines de la recherche sur le cancer pour le diagnostic et le traitement prédiction11,12,13.
La méthode s’adapte les techniques de l’informatique dans le domaine de la radiologie interventionnelle. Études d’importance traditionnelle en radiologie interventionnelle et de la médecine dépendent en règle générale, analyses mono - ou oligo-fonctionnalité. Par exemple, le modèle pour End-Stage Liver Disease comprend cinq paramètres cliniques pour évaluer l’étendue de la maladie du foie. L’avantage de la méthode proposée est la possibilité d’ajouter des fonctionnalités de façon libérale ; vingt-cinq caractéristiques sont considérés dans l’analyse de l’exemple. Des fonctions supplémentaires peuvent être ajoutées comme vous le souhaitez.
La technique peut être appliquée aux autres interventions radiologiques où les données d’imagerie pré et post intervention sont disponibles. Par exemple, issue de traitements percutanés pouvait prédire de manière similaire. La principale limite de l’étude est la nécessité de fonctions de vicaire manuelle pour inclusion dans le modèle. Extraction de curation et fonctionnalité de données prend du temps pour le praticien et peut faire obstacle à l’adoption clinique de ce modèles à apprentissage machine.

<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

Intra-artérielle thérapies sont la norme de soins pour les patients atteints de carcinome hépatocellulaire qui ne peuvent pas subir une résection chirurgicale. L’objectif de cette étude était de développer une méthode pour prédire la réponse au traitement intra-artérielle avant l’intervention.
La méthode fournit un cadre général pour la prédiction des résultats avant la thérapie intra-artérielle. Elle implique la mise en commun des données cliniques, démographiques et d’imagerie à travers une cohorte de patients et d’utiliser ces données pour former un modèle d’apprentissage machine. Le modèle formé est appliqué à de nouveaux patients afin de prédire la probabilité de réponse au traitement intra-artérielle.
La méthode implique l’acquisition et l’analyse des données cliniques, démographiques et d’imagerie de N les patients qui ont déjà subi des thérapies de trans-artériel. Ces données sont analysées dans des caractéristiques distinctes (âge, sexe, cirrhose, degré d’amélioration de la tumeur, etc.) et binarisées en valeurs true/false (p. ex., âge 60, sexe masculin, amélioration de tumeur au-delà d’un seuil fixé, etc.). Fonctionnalités de faible variance et avec les associations univariée faible avec les résultats sont supprimés. Chaque patient traité est étiqueté selon qu’ils ont répondu ou n’a pas répondu au traitement. Chaque patient de formation est donc représentée par un ensemble de fonctionnalités binaires et une étiquette de résultat. Modèles à apprentissage machine sont formés à l’aide de N - 1 les patients des tests sur le patient à gauche. Ce processus est répété pour chacun des patients N . Les modèles de N sont en moyenne pour arriver à un modèle final.
La technique est extensible et permet d’inclure des fonctionnalités supplémentaires à l’avenir. C’est également un processus généralisable qui peuvent s’appliquer aux questions de la recherche clinique en dehors de la radiologie interventionnelle. La principale limitation est la nécessité de dériver des fonctionnalités manuellement de chaque patient. Une forme populaire moderne de l’apprentissage machine appelée profonde apprentissage ne souffre pas de cette limitation, mais nécessite de plus grands ensembles de données.

La méthode proposée a été appliquée aux 36 patients ayant subissent des traitements trans-artériel pour carcinome hépatocellulaire. Vingt-cinq caractéristiques ont été identifiés et binarisées en utilisant les étapes 1-5. Cinq fonctionnalités satisfait la variance et filtres d’association univariée (voir étapes 5.1 et 5.2) et ont été utilisées pour la formation de modèle. Chaque patient a été étiqueté comme un répondeur ou non-répondeur selon les critères de r...

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

Prédire la réponse au traitement aux thérapies guidées par l’Image à l’aide de Machine Learning : un exemple pour le Trans-artériel traitement du carcinome hépatocellulaire

Intra-artérielle thérapies sont la norme de soins pour les patients atteints de carcinome hépatocellulaire qui ne peuvent pas subir une résection chirurgicale. On propose une méthode pour prédire la réponse à ces thérapies. La technique utilise des informations démographiques, cliniques et d’imagerie préalable procédurales pour former les modèles à apprentissage machine capables de prédire la réponse avant le traitement.

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

Cette méthode peut aider à prédire la réponse aux thérapies intra-artérielles. Les applications d’apprentissage automatique en oncologie interventionnelle changeront la façon dont nous traitons le cancer du foie et d’autres maladies au moyen de thérapies guidées par l’image. Cette méthode a le potentiel d’améliorer la façon dont deux décisions importantes sont prises.En général, les personnes nouvelles à cette méthode auront du mal en raison de la nécessité de générer les fonctionnalités et d’effectuer l’apprentissage automatique et le code. La démonstration visuelle de cette méthode est essentielle car les étapes de génération de fonctionnalités impliquent l’extraction de ces fonctionnalités à l’aide de masques d’imagerie. Un ensemble de données bien annoté et cliniquement représentatif est nécessaire pour former le modèle.Davantage de données sur les patients et de grandes cohortes seront nécessaires pour améliorer davantage un tel algorithme d’apprentissage automatique. Après avoir décidé quelles caractéristiques cliniques inclure dans le modèle, utilisez une trousse d’outils en langage naturel appropriée pour parse les notes de la clinique en texte clair en phrases afin de permettre la recherche de conditions d’intérêt. Stockez ensuite les fonctionnalités de chaque patient dans un fichier avec une fonctionnalité par ligne.Pour les fonctionnalités non binaires, obtenir la valeur médiane de chaque fonctionnalité à travers tous les patients, et binarize chaque fonctionnalité comme une valeur réelle ou fausse basée sur la valeur médiane. Pour calculer une fonction moyenne d’amélioration du foie à partir d’une image médicale. Après avoir isolé les voxels contenant le foie, entrez la commande moyenne d’amélioration du foie.Pour déterminer la fonction de volume hépatique, entrez les commandes comme indiqué. Calculez ensuite les valeurs médianes pour chaque fonction d’imagerie et binariize les caractéristiques telles qu’démontrées. Pour l’agrégation et la réduction des fonctionnalités, supprimez d’abord les fonctionnalités de faible variance de la considération et lisez les fonctionnalités de la matrice binaire.Ensuite, utilisez le modèle de seuil de variance pour calculer les caractéristiques apparaissant dans au moins 20 % des intervenants et des non-intervenants, ce qui est semblable à celui illustré dans le tableau. Supprimez toutes les fonctionnalités ayant une faible association univariate avec le résultat et filtrez uniquement les fonctionnalités qui passent la variante basse originale de criblage conservant n caractéristiques où n est le nombre de patients. Ensuite, lisez dans la matrice binaire pour chaque fonctionnalité, similaire à comme illustré dans le tableau.Une fois que les fonctionnalités ont été binariées et filtrées, il est temps de former le modèle. La formation modèle est un processus simple qui s’adapte aux caractéristiques des résultats à l’étude et peut être utilisé pour faire des prédictions sur les nouveaux patients. Dans cette analyse représentative de 36 patients qui ont subi des thérapies artérielles trans pour le carcinome hépatocellulaire, 25 dispositifs ont été identifiés et binarized comme démontré avec 5 dispositifs satisfaisant les variantes et les filtres univariés d’association.Chaque patient a été étiqueté comme un répondeur ou un non-répondeur dans le cadre de l’Association européenne quantitative pour l’étude des critères de réponse hépatique. Comme illustré, la régression logistique et les modèles aléatoires de forêt ont prédit une réponse trans artériale de traitement de chimioembolization avec une précision globale de 78%Suivant cette méthode, il est possible de faire des prédictions sur de nouveaux patients en appliquant le modèle de formation. Cette technique d’apprentissage automatique peut être universellement appliquée à toute thérapie qui implique une imagerie pré-procédurale, inter-procédurale et post-procédurale.

Research

JoVE Journal

Medicine

The Measurement and Treatment of Suppression in Amblyopia

La mesure et le traitement de répression dans l&#39;amblyopie

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

Recherche

Médecine

The Goeckerman Regimen for the Treatment of Moderate to Severe Psoriasis

Le régime Goeckerman pour le traitement du psoriasis modéré à sévère

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

La réponse au traitement ex vivo de tumeurs primaires et / ou métastases associées préclinique et développement clinique de la thérapeutique

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

La<em&gt; En Ovo</em&gt; Chick chorioallantoïque membrane (CAM) Assay comme un modèle de xénogreffe efficace de carcinome hépatocellulaire

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

Évaluation de l&#39;efficacité de la<em&gt; H. pylori</em&gt; Protéines HP-NAP comme outil thérapeutique pour le traitement du cancer de la vessie dans un modèle murin orthotopique

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

Un «Patient-Like&quot; Orthotopique Syngénique modèle de souris de carcinome hépatocellulaire Métastases

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

Guidée par IRM dmPFC-SMTr comme un traitement pour trouble dépressif majeur résistant au traitement

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

Utilisation de la tomographie par Micro-calculé pour l&#39;évaluation des tumeurs du développement et de suivi de la réponse au traitement dans un modèle murin de cancer du poumon

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