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 erhielt finanzielle Unterstützung von der Office of Student Research, Yale School of Medicine.
L.J.S. erhält Zuschüsse von der National Institutes of Health (NIH/NCI R01CA206180), Leopoldina Postdoctoral Fellowship und die Rolf W. Guenther Foundation radiologische Wissenschaften (Aachen, Deutschland).
J.c. erhält Zuschüsse von der National Institutes of Health (NIH/NCI R01CA206180), Philips Healthcare und die deutsch-israelische Stiftung für wissenschaftliche Forschung und Entwicklung (Jerusalem, Israel und Neuherberg, Deutschland); und Stipendien von der Rolf W. Guenther Foundation radiologische Wissenschaften und der Charite Berlin Institut für klinische Wissenschaftler Gesundheitsprogramm (Berlin, Deutschland).
J.S.D. und m.l. Zuschüsse aus dem National Institutes of Health (NIH/NCI R01CA206180) und Philips Healthcare (Best, Niederlande).
J.F.G. erhält Zuschüsse aus dem National Institutes of Health (NIH/NCI R01CA206180), Philips Healthcare, BTG (London, Vereinigtes Königreich), Boston Scientific (Marlborough, Massachusetts), und sowohl Healthcare (Villepinte, Frankreich)

1. Workstation-Setup für Maschinelles Lernen
<ol><li>Verwenden Sie ein System mit den folgenden: Intel Core 2 Duo oder höher CPU mit 2,0 GHz 4 GB oder mehr Systemspeicher POSIX-kompatiblen Betriebssystem (Linux oder Mac OS) oder Microsoft Windows 7 Benutzerberechtigungen zum Ausführen von Programmen und Dateien speichern</li>
	<li>Installieren Sie die folgenden Tools: Anaconda Python3: https://www.anaconda.com/download DICOM NIfTI Konverter (dcm2niix) - https://github.com/rordenlab/dcm2niix Subl...

<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>

Patienten mit Leberzellkarzinom, die nicht Kandidaten für chirurgische Resektion werden Intra-arterielle Therapien angeboten. Gibt es einige Methoden um festzustellen, ob ein Patient Pre reagiert-Behandlung. Nach der Behandlung Evaluierungstechniken stützen sich auf Veränderungen in der Größe des Tumors oder Tumor Kontrast Aufnahme. Diese nennt man ansprechkriterien mit der genauesten wird die Quantitative Europäische Vereinigung für die Studie des Kriteriums der Leber (qEASL). qEASL stützt sich auf beid...

Patienten mit Leberzellkarzinom, die nicht chirurgische Kandidaten werden Intra-arterielle Therapien1,2,3angeboten. Es gibt keine einzige Metrik, die bestimmt, ob ein Patient auf eine Intra-arterielle Therapie ansprechen wird, bevor die Behandlung verabreicht wird. Das Ziel dieser Studie war es, eine Methode zu demonstrieren, mit dem Behandlungserfolg vorhergesagt durch die Anwendung von Methoden aus maschinellem lernen. Solche Modelle betreuen Ärzte und Patienten bei der Wahl ob Sie mit einer Behandlung fortfahren möchten.
Das Protokoll beinhaltet einen reproduzierbaren Prozess für Weiterbildung und Aktualisierung eines Modells primäre Patientendaten (klinische Hinweise, Demographie, Labordaten und Imaging) ab. Die Daten werden zunächst für Besonderheiten, mit jedem Patienten vertreten durch eine Reihe von binären Funktionen und eine binäre Ergebnis Zielbezeichnung analysiert. Das Ergebnis-Label wird mittels einer etablierten Imaging-basierte Antwort Kriterium für hepatozellulären Therapie4,5,6,7ermittelt. Die Funktionen und die Ziel-Etiketten sind an Maschine Lernsoftware übergeben, die die Zuordnung zwischen Funktionen und Ergebnisse unter einem bestimmten Modell (logistische Regression oder zufällige Wald)8,9,10lernen lernt. Ähnliche Techniken wurden in Radiologie und anderen Bereichen der Krebsforschung für Diagnose und Behandlung Vorhersage11,12,13angewendet.
Die Methode passt sich Techniken aus der Informatik auf dem Gebiet der interventionellen Radiologie. Traditionelle Bedeutung Studien in der interventionellen Radiologie und Medizin im allgemeinen verlassen auf Mono - oder Oligo-Feature Analysen. Beispielsweise enthält das Modell für End Stage Liver Disease fünf klinischen Metriken, um das Ausmaß der Lebererkrankung zu beurteilen. Der Vorteil des vorgeschlagenen Verfahrens ist die Fähigkeit, Funktionen hinzuzufügen, großzügig; 25 Funktionen sind in der Beispiel-Analyse berücksichtigt. Zusätzliche Funktionen können hinzugefügt werden wie gewünscht.
Die Technik kann auf andere radiologischen Interventionen angewendet werden, wo die Pre- und Post-Intervention Bilddaten zur Verfügung stehen. Ergebnisse nach perkutane Behandlung könnte beispielsweise in einer ähnlichen Weise vorhergesagt werden. Die wichtigste Einschränkung der Studie ist die Notwendigkeit, manuelle Kurat Funktionen für die Aufnahme in das Modell. Datenextraktion Kuration und Funktion ist zeitaufwendig für den Praktiker und klinischen Einführung dieser Maschine Lernmodelle behindern kann.

<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-arterielle Therapien sind der Standard der Versorgung von Patienten mit Leberzellkarzinom, die chirurgische Resektion unterziehen kann nicht. Das Ziel dieser Studie war es, eine Methode zur Vorhersage der Reaktion auf die Intra-arterielle Behandlung vor dem Eingriff zu entwickeln.
Die Methode bietet einen allgemeinen Rahmen für die Vorhersage der Ergebnisse vor der Intra-arterielle Therapie. Es geht um Bündelung einer Kohorte von Patienten klinische, demographische und bildgebende Daten und verwenden diese Daten, um eine Machine-Learning-Modell zu trainieren. Das trainierte Modell wird auf neue Patienten angewendet, um die Wahrscheinlichkeit des Ansprechens auf die Intra-arterielle Therapie abschätzen zu können.
Die Methode umfasst die Akquisition und Analyse von klinischen, demographischen und bildgebenden Daten aus N -Patienten, die bereits Trans-arterielle Therapien unterzogen haben. Diese Daten sind in diskrete Merkmale (Alter, Geschlecht, Leberzirrhose, Tumor-Enhancement usw.) analysiert und binarisiert in True/False-Werten (z.B. Alter über 60, Männliches Geschlecht, Tumor-Erweiterung über eine Schwelle, etc.). Low-Varianz und Features mit niedrigen Univariate Assoziationen mit dem Ergebnis werden entfernt. Jeden behandelten Patienten ist beschriftet, nach ob sie reagiert oder nicht auf Behandlung reagieren. Jeder Patient Training ist somit durch eine Reihe von binären Funktionen und ein Ergebnis-Label vertreten. Machine Learning Modelle sind mit N - 1 Patienten mit Tests auf der linken Seite-Out Patient trainiert. Dieser Prozess wird für jedes der N Patienten wiederholt. Die N -Modelle werden gemittelt, um eine endgültige Modell zu erreichen.
Die Technik ist erweiterbar und ermöglicht die Aufnahme von zusätzlichen Funktionen in der Zukunft. Es ist auch eine verallgemeinerbare Prozess, der die klinische Forschungsfragen außerhalb der interventionellen Radiologie angewendet werden kann. Die Haupteinschränkung besteht die Notwendigkeit Funktionen manuell jeden Patienten abgeleitet. Eine beliebte moderne Form des maschinellen Lernens genannt Tiefe erfordert lernen, nicht unter diese Beschränkung leidet sondern größeren Datasets.

Die vorgeschlagene Methode wurde an 36 Patienten angewendet, die Trans-arterielle Therapien für das Leberzellkarzinom unterzogen hatte. 25 Funktionen wurden identifiziert und binarisierten mit den Schritten 1-5. Fünf Funktionen erfüllt, die Varianz und die Univariate Verband Filter (siehe Schritte 5.1 und 5.2) und dienten für Modelltraining. Jeder Patient wurde als Responder oder non-Responder unter die qEASL ansprechkriterien beschriftet. Die Funktionen Matrix war somit ein 36 x 5-Ar...

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

Vorhersage der Behandlungserfolg für bildgestützte Therapien mit maschinellem lernen: ein Beispiel für eine Trans-arterielle Behandlung des hepatozellulären Karzinoms

Intra-arterielle Therapien sind der Standard der Versorgung von Patienten mit Leberzellkarzinom, die chirurgische Resektion unterziehen kann nicht. Eine Methode für die Vorhersage der Reaktion zu diesen Therapien wird vorgeschlagen. Die Technik nutzt Pre Verfahrensinformationen klinische, demographischen und bildgebenden Maschine Lernmodelle zur Vorhersage der Reaktion vor der Behandlung zu trainieren.

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

Diese Methode kann helfen, die Reaktion auf intraarterielle Therapien vorherzusagen. Machine Learning-Anwendungen in der interventionellen Onkologie werden die Art und Weise, wie wir Leberkrebs und andere Krankheiten behandeln, mit bildgesteuerten Therapien verändern. Diese Methode hat das Potenzial, die Art und Weise, wie zwei wichtige Entscheidungen getroffen werden, zu verbessern.Im Allgemeinen werden Personen, die neu in dieser Methode sind, Schwierigkeiten haben, weil die Features generiert und maschinelles Lernen und Code ausgeführt werden müssen. Die visuelle Demonstration dieser Methode ist von entscheidender Bedeutung, da die Schritte zur Featuregenerierung das Extrahieren dieser Features mithilfe von Bildverarbeitungsmasken erfordern. Ein gut annotierter und klinisch repräsentativer Datensatz ist notwendig, um das Modell zu trainieren.Mehr Patientendaten und große Kohorten werden notwendig sein, um einen solchen Machine Learning-Algorithmus weiter zu verbessern. Nachdem Sie entschieden haben, welche klinischen Merkmale in das Modell aufgenommen werden sollen, verwenden Sie ein geeignetes Toolkit für natürliche Sprachen, um die Klartext-Kliniknotizen in Sätze zu analysieren, um die Suche nach Begriffen von Interesse zu ermöglichen. Speichern Sie dann die Funktionen jedes Patienten in einer Datei mit einer Funktion pro Zeile.Rufen Sie bei nichtbinären Features den Medianwert jedes Features für alle Patienten ab, und binarisieren Sie jedes Feature basierend auf dem Medianwert als wahrer oder falscher Wert. Um eine mittlere Leberverbesserungsfunktion aus einem medizinischen Bild zu berechnen. Nach der Isolierung der Voxel, die die Leber enthalten, geben Sie den mittleren Leberverbesserungsbefehl ein.Um das Lebervolumen-Feature zu bestimmen, geben Sie die Befehle wie angegeben ein. Berechnen Sie dann die Medianwerte für jedes Bildgebungs-Feature, und binarisieren Sie die Features wie gezeigt. Entfernen Sie für die Aggregation und Reduzierung der Features zunächst die Features mit geringer Varianz aus der Betrachtung und lesen Sie die Features in der Binärmatrix.Verwenden Sie als Nächstes das Varianzschwellenmodell, um die Features zu berechnen, die in mindestens 20 % der Responder und Nicht-Responder angezeigt werden, ähnlich dem in der Tabelle dargestellten. Entfernen Sie alle Features mit einer niedrigen univariaten Assoziation mit dem Ergebnis und filtern Sie nur die Features, die das ursprüngliche niedrige Variantenscreening passieren, wobei n-Features die Anzahl der Patienten beträgt. Lesen Sie dann in der binären Matrix für jedes Feature, ähnlich wie in der Tabelle dargestellt.Nachdem die Features binarisiert und gefiltert wurden, ist es an der Zeit, das Modell zu trainieren. Modelltraining ist ein einfacher Prozess, der die Funktionen an das untersuchte Ergebnis anpasst und verwendet werden kann, um Vorhersagen über neue Patienten zu treffen. In dieser repräsentativen Analyse von 36 Patienten, die transarterielle Therapien für hepatozelluläres Karzinom unterzogen wurden, wurden 25 Merkmale identifiziert und binarisiert, wie mit 5 Merkmalen nachgewiesen wurde, die sowohl die Varianten als auch die univariaten Assoziationsfilter erfüllten.Jeder Patient wurde im Rahmen der quantitativen Europäischen Vereinigung für die Untersuchung der Kriterien für die Reaktion auf die Leber entweder als Responder oder Als Nicht-Responder bezeichnet. Wie dargestellt, prognostizierten sowohl die logistische Regression als auch die zufälligen Waldmodelle eine transarterielle Chemoembolisierungsbehandlung mit einer Gesamtgenauigkeit von 78%Nach dieser Methode ist es möglich, Vorhersagen über neue Patienten zu treffen, indem das Trainingsmodell angewendet wird. Diese maschinelle Lerntechnik kann universell auf jede Therapie angewendet werden, die eine vorprozedurale, interprozedurale und postprozedurale Bildgebung umfasst.

Research

JoVE Journal

Medicine

The Measurement and Treatment of Suppression in Amblyopia

Die Messung und Behandlung von Unterdrückung in Amblyopie

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

Forschung

Medizin

The Goeckerman Regimen for the Treatment of Moderate to Severe Psoriasis

Die Goeckerman Regimen für die Behandlung von mittelschwerer bis schwerer 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-Ansprechen auf die Behandlung von Primärtumoren und / oder assoziierten Metastasen für die präklinische und klinische Entwicklung von Therapeutika

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

Das<em&gt; In Ovo</em&gt; Chick Chorioallantoismembran (CAM) Assay als effiziente Xenograftmodell des hepatozellulären Karzinoms

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

Bewertung der Wirksamkeit der<em&gt; H. pylori</em&gt; Protein HP-NAP als therapeutisches Werkzeug zur Behandlung von Blasenkrebs in einem orthotopen Mausmodell

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

Ein &quot;Patient-Like&quot; Orthotope Syngene Maus-Modell der Leberzellkarzinom Metastasen

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

MRI-geführte dmPFC-rTMS zur Behandlung behandlungsresistente Major Depressive Disorder

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

Mit Micro-Computertomographie-zur Beurteilung der Tumorentwicklung und Follow-up der Reaktion auf die Behandlung in einem Maus-Modell von Lungenkrebs

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