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. ha ricevuto finanziamenti a sostegno dall'Office of Student Research, Yale School of Medicine.
L.J.S. riceve sovvenzioni dal National Institutes of Health (NIH/NCI R01CA206180), Leopoldina Postdoctoral Fellowship e il Rolf W. Guenther Foundation di Scienze radiologiche (Aquisgrana, Germania).
J.C. riceve sovvenzioni dal National Institutes of Health (NIH/NCI R01CA206180), Philips Healthcare e la Fondazione di tedesco-israeliano per la ricerca scientifica e lo sviluppo (Gerusalemme, Israele e Neuherberg, Germania); e borse di studio della Rolf W. Guenther Foundation di Scienze radiologiche e la Charité Berlino Istituto di salute scienziato programma clinico (Berlino, Germania).
J.S.D e M.L. ricevere sovvenzioni dal National Institutes of Health (NIH/NCI R01CA206180) e Philips Healthcare (Best, Paesi Bassi).
J.F.G. riceve sovvenzioni dal National Institutes of Health (NIH/NCI R01CA206180), Philips Healthcare, BTG (Londra, Regno Unito), Boston Scientific (Marlborough, Massachusetts) e Guerbet Healthcare (Villepinte, Francia)

1. Installazione di workstation per apprendimento automatico
<ol><li>Utilizzare un sistema con il seguente: Intel Core 2 Duo o superiore CPU a 2,0 GHz 4 GB o più memoria di sistema Sistema operativo POSIX-compliant (Linux o Mac OS) o Microsoft Windows 7 Autorizzazioni utente per l'esecuzione di programmi e salvataggio dei file</li>
	<li>Installare gli strumenti seguenti: Anaconda Python3: https://www.anaconda.com/download DICOM NIfTI convertitore (dcm2niix) - https://github.com/rordenlab/dcm2niix ...

<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>

Pazienti con carcinoma epatocellulare che non sono candidati per la resezione chirurgica sono offerti terapie intra-arteriose. Esistono alcuni metodi per determinare se un paziente risponderà pre-trattamento. Tecniche di valutazione post-trattamento si basano sull'osservazione dei cambiamenti nelle dimensioni del tumore o assorbimento di contrasto del tumore. Questi sono chiamati criteri di risposta, con la più accurata è quantitativa associazione europea per lo studio del criterio di fegato (qEASL). qEASL si...

Pazienti con carcinoma epatocellulare che non sono candidati chirurgici sono offerti terapie intra-arteriosa1,2,3. Non c'è nessuna singola metrica che determina se un paziente risponderà ad una terapia intra-arteriosa prima il trattamento viene somministrato. L'obiettivo di questo studio era di dimostrare un metodo che prevede la risposta del trattamento mediante l'applicazione di metodi di apprendimento automatico. Tali modelli forniscono indicazioni a medici e pazienti, quando si sceglie se procedere con un trattamento.
Il protocollo comporta un processo riproducibile per la formazione e l'aggiornamento di un modello a partire da dati pazienti primario (note cliniche, dati demografici, dati di laboratorio e imaging). Inizialmente, i dati vengono analizzati per funzionalità specifiche, con ogni paziente rappresentato da un set di funzionalità binario e un'etichetta di destinazione risultato binario. L'etichetta di risultato è determinato utilizzando un criterio di risposta basata su formazione immagine consolidata epatocellulare terapia4,5,6,7. Le caratteristiche e le etichette di destinazione vengono passate al software di apprendimento macchina che impara il mapping tra caratteristiche e risultati sotto uno specifico modello (regressione logistica o foresta casuale)8,9,10di apprendimento. Tecniche simili sono state applicate in radiologia e altri settori della ricerca sul cancro per diagnosi e trattamento Pronostico11,12,13.
Il metodo si adatta tecniche dall'informatica nel campo della radiologia interventistica. Studi di significato tradizionale in radiologia interventistica e della medicina in generale, si basano su analisi mono - o oligo-caratteristica. Ad esempio, il modello per End-Stage Liver Disease incorpora cinque cliniche metriche per valutare l'entità della malattia epatica. Il vantaggio del metodo proposto è la possibilità di aggiungere funzionalità liberalmente; venti-cinque caratteristiche sono considerati nell'analisi di esempio. Funzionalità aggiuntive possono essere aggiunti come desiderato.
La tecnica può essere applicata ad altri interventi radiografici dove sono disponibili dati di imaging pre- e post-intervento. Ad esempio, i seguenti trattamenti percutanei risultati potrebbero essere previsto in modo simile. La limitazione principale dello studio è la necessità di funzionalità manuale curato per l'inclusione nel modello. Estrazione di curation e funzionalità di dati richiede molto tempo per il professionista e può ostacolare la clinica adozione di tali modelli di apprendimento automatico.

<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

Le terapie intra-arteriose sono lo standard di cura per pazienti con carcinoma epatocellulare che non può subire la resezione chirurgica. L'obiettivo di questo studio era di sviluppare un metodo per predire la risposta al trattamento intra-arteriosa prima dell'intervento.
Il metodo fornisce un quadro generale per la stima dei risultati prima della terapia intra-arteriosa. Si tratta di pool di dati demografici, formazione immagini e clinici in una coorte di pazienti e utilizzando questi dati di training di un modello di apprendimento della macchina. Il modello addestrato è applicato a nuovi pazienti al fine di prevedere la loro probabilità di risposta alla terapia intra-arteriosa.
Il metodo comporta l'acquisizione e l'analisi dei dati demografici, formazione immagini e clinici da N pazienti già sottoposti a terapie di trans-arteriosa. Questi dati vengono analizzati in caratteristiche discrete (età, sesso, cirrosi, grado di tumore enhancement, ecc.) e binarizzati in valori true/false (ad es., età oltre 60, sesso maschile, valorizzazione del tumore oltre una soglia impostata, ecc.). Caratteristiche di basso-varianza e caratteristiche con basso monovariante associazioni con il risultato vengono rimossi. Ogni paziente curato è etichettato secondo loro ha risposto o non ha risposto al trattamento. Ogni paziente di formazione così è rappresentato da un insieme di caratteristiche binari e un'etichetta di esito. Modelli di apprendimento della macchina sono formati utilizzando N - 1 pazienti con test sul paziente sinistra-out. Questo processo viene ripetuto per ciascuno dei pazienti N . I modelli N sono media per arrivare a un modello finale.
La tecnica è estensibile e consente l'inclusione di ulteriori funzionalità in futuro. È anche un processo generalizzabile che può essere applicato alle domande di ricerca clinica di fuori della radiologia interventistica. La principale limitazione è la necessità di derivare funzioni manualmente da ogni paziente. Una forma moderna popolare di apprendimento automatico chiamato profondo apprendimento non soffre di questa limitazione, ma richiede più grandi set di dati.

Il metodo proposto è stato applicato a 36 pazienti che avevano subito le terapie trans-arteriosa per carcinoma epatocellulare. Venti-cinque caratteristiche sono state identificate e binarizzato utilizzando i passaggi 1-5. Cinque caratteristiche soddisfatto sia la varianza e filtri di associazione monovariante (Vedi punti 5.1 e 5.2) e sono stati utilizzati per il training del modello. Ogni paziente è stato etichettato come un risponditore in linea o non-responsivi secondo i criteri di ri...

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

Predire la risposta di trattamento alle terapie immagine-guida utilizzando Machine Learning: un esempio per Trans-arteriosa trattamento dell'epatocarcinoma

Le terapie intra-arteriose sono lo standard di cura per pazienti con carcinoma epatocellulare che non può subire la resezione chirurgica. Viene proposto un metodo per predire la risposta a queste terapie. La tecnica utilizza informazioni demografiche, formazione immagine e cliniche pre-procedurale per addestrare modelli di apprendimento macchina in grado di predire la risposta prima del trattamento.

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

Questo metodo può aiutare a prevedere la risposta alle terapie intra arteriosa. Le applicazioni di machine learning in oncologia interventica cambieranno il modo in cui trattiamo il cancro al fegato e altre malattie con terapie guidate dall'immagine. Questo metodo ha il potenziale per migliorare il modo in cui vengono prese due decisioni importanti.In genere, le persone nuove a questo metodo avranno difficoltà a causa della necessità di generare le funzionalità e di eseguire l'apprendimento automatico e il codice. La dimostrazione visiva di questo metodo è fondamentale in quanto i passaggi di generazione delle funzionalità comportano l'estrazione di tali funzionalità utilizzando maschere di imaging. Per addestrare il modello è necessario un set di dati ben annotato e clinicamente rappresentativo.Saranno necessari più dati sui pazienti e coorti di grandi dimensioni per migliorare ulteriormente tale algoritmo di machine learning. Dopo aver deciso quali caratteristiche cliniche includere nel modello, utilizzare un kit di strumenti in linguaggio naturale appropriato per analizzare le note della clinica in testo normale in frasi per consentire la ricerca di termini di interesse. Quindi memorizzare le funzionalità di ogni paziente in un file con una funzione per riga.Per le feature non binarie, ottenere il valore mediano di ogni funzionalità in tutti i pazienti e binarizzare ogni funzionalità come valore vero o falso in base al valore mediano. Per calcolare una caratteristica media di miglioramento del fegato da un'immagine medica. Dopo aver isolato i voxel contenenti il fegato, inserire il comando medio di miglioramento del fegato.Per determinare la funzione volume del fegato, immettere i comandi come indicato. Quindi calcolare i valori mediani per ogni feature di imaging e binarizzare le feature come illustrato. Per l'aggregazione e la riduzione delle feature, rimuovere innanzitutto le feature a bassa varianza dalla considerazione e leggere le feature nella matrice binaria.Utilizzare quindi il modello di soglia di varianza per calcolare le feature visualizzate in almeno il 20% sia dei risponditori che dei non risponditori, in modo simile a quello illustrato nella tabella. Rimuovere tutte le funzionalità con una bassa associazione univariata con il risultato e filtrare solo quelle caratteristiche che superano lo screening originale a variante bassa mantenendo n caratteristiche in cui n è il numero di pazienti. Quindi leggere nella matrice binaria per ogni feature, simile a come illustrato nella tabella.Dopo che le feature sono state binarizzate e filtrate, è il momento di addestrare il modello. Il training del modello è un processo semplice che si adatta alle funzionalità del risultato in esame e può essere utilizzato per fare previsioni sui nuovi pazienti. In questa analisi rappresentativa di 36 pazienti sottoposti a terapie trans arteriosa per carcinoma epatocellulare, sono state identificate e binarizzate 25 caratteristiche come dimostrato con 5 caratteristiche che soddisfano sia le varianti che i filtri di associazione univariati.Ogni paziente è stato etichettato come rispondente o non rispondente nell'ambito dell'Associazione europea quantitativa per lo studio dei criteri di risposta al fegato. Come illustrato, sia la regressione logistica che i modelli forestali casuali hanno previsto una risposta al trattamento di chemioembolizzazione trans arteriosa con una precisione complessiva del 78%Seguendo questo metodo, è possibile fare previsioni sui nuovi pazienti applicando il modello di allenamento. Questa tecnica di machine learning può essere applicata universalmente a qualsiasi terapia che comporti immagini pre-procedurali, inter-procedurali e post-procedurali.

Research

JoVE Journal

Medicine

The Measurement and Treatment of Suppression in Amblyopia

La misurazione e trattamento di soppressione in Ambliopia

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

Ricerca

Medicina

The Goeckerman Regimen for the Treatment of Moderate to Severe Psoriasis

Il Regimen Goeckerman per il trattamento di moderata a grave psoriasi

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 risposta al trattamento di tumori primari e / o associati per metastasi preclinici e sviluppo clinico di 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

Il<em&gt; In Ovo</em&gt; Chick corioallantoidea membrana (CAM) Saggio come un efficiente dello xenotrapianto Modello di carcinoma epatocellulare

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

Valutazione dell&#39;efficacia della<em&gt; H. pylori</em&gt; Proteine ​​HP-NAP come strumento terapeutico per il trattamento del cancro della vescica in un ortotopico Modello murino

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

A &quot;paziente-Like&quot; ortotopico Singenico modello murino della carcinoma epatocellulare Metastasi

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-guidata dmPFC-rTMS come Trattamento di trattamento resistente Disturbo Depressivo Maggiore

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

Utilizzando la tomografia micro-computerizzata per la valutazione di sviluppo del tumore e follow-up di risposta al trattamento in un modello murino di cancro ai polmoni

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