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. mottatt finansiering støtte fra Office of Student Research, Yale School of Medicine.
L.J.S. mottar tilskudd fra National Institutes of Health (NIH/NCI R01CA206180), Leopoldina postdoktorstipend og Rolf W. Guenther Foundation for radiologisk (Aachen, Tyskland).
JC mottar tilskudd fra National Institutes of Health (NIH/NCI R01CA206180), Philips Healthcare og tysk-israelske grunnlaget for forskning og utvikling (Sveits og Neuherberg, Tyskland); og stipend fra Rolf W. Guenther Foundation for radiologisk vitenskap og Charite Berlin Institutt for klinisk forsker helseprogrammet (Berlin, Tyskland).
J.S.D. og M.L. får stipend fra National Institutes of Health (NIH/NCI R01CA206180) og Philips Healthcare (Best, Nederland).
J.F.G. mottar tilskudd fra National Institutes of Health (NIH/NCI R01CA206180), Philips Healthcare, BTG (London, Storbritannia), Boston Scientific (Marlborough, Massachusetts), og Guerbet helse (Villepinte, Frankrike)

1. Arbeidsstasjon oppsett for maskinlæring
<ol><li>Bruk et system med følgende: Intel Core 2 Duo eller høyere CPU med 2,0 GHz 4 GB eller mer systemminne POSIX-kompatibelt operativsystem (Linux eller Mac OS) eller Microsoft Windows 7 Brukertillatelser for kjøre programmer og lagre filer</li>
	<li>Installere følgende verktøy: Anaconda Python3: https://www.anaconda.com/download DICOM til NIfTI converter (dcm2niix) - https://github.com/rordenlab/dcm2niix Sublime tekstredigeringsprogram: https://w...

<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>

Pasienter med leverkreft som ikke kandidater til kirurgisk resection tilbys intra arteriell terapier. Noen metoder finnes for å fastslå om en pasient vil svare pre-behandling. Etter behandling evaluering teknikker stole på endringer i tumor størrelse eller svulst kontrast opptak. Disse kalles svar kriterier, med mest nøyaktige er kvantitative European Association for studier av leveren (qEASL) kriteriet. qEASL er avhengig av både volumetriske og ekstrautstyr endringer etter terapi for å forutsi en sannsyn...

Pasienter med leverkreft som ikke kirurgiske kandidater tilbys intra arteriell terapier1,2,3. Det er ingen enkelt beregning som bestemmer om en pasient vil svare på en intra arteriell terapi før behandling administreres. Målet med denne studien var å demonstrere en metode som spår behandlingsrespons ved å bruke metoder fra maskinlæring. Slike modeller gir veiledning til utøvere og pasienter når du velger om du vil fortsette med en behandling.
Protokollen innebærer en reproduserbar prosess for trening og oppdatere en modell fra primære pasientdataene (klinisk notater, demografi, laboratoriedata og bildebehandling). Dataene analyseres først for bestemte funksjoner, med hver pasient representert av et sett med binære funksjoner og måletiketten binære utfallet. Utfallet etiketten bestemmes ved hjelp av et etablert imaging-basert respons kriterium for hepatocellulært terapi4,5,6,7. Funksjonene og mål etikettene sendes til maskinen læring programvare som lærer tilordningen mellom funksjoner og resultater under en bestemt lære model (logistisk regresjon eller tilfeldig skogen)8,9,10. Lignende teknikker er brukt i røntgen og andre områder i kreftforskning for diagnose og behandling prediksjon11,12,13.
Metoden tilpasser teknikker fra informatikk-feltet på intervensjonsradiologi radiologi. Tradisjonelle betydning studier i intervensjonsradiologi radiologi, og medisin generelt stole på mono - eller oligo-funksjonen analyser. For eksempel inneholder modell for sluttstadiet leversykdom fem klinisk beregninger for å vurdere omfanget av leversykdom. Fordelen med den foreslåtte metoden er muligheten til å legge til funksjoner rikelig; tjuefem funksjoner anses i eksempel analysen. Flere funksjoner kan legges som ønsket.
Teknikken kan brukes på andre røntgen tiltak der før og etter intervensjon bildebehandling data er tilgjengelige. For eksempel kan resultater etter PCI behandlinger forutsies på en lignende måte. Den viktigste begrensningen av studien er behovet til manuell kapellan funksjoner for inkludering i modellen. Konservering og funksjonen datainnhenting er tidkrevende for utøveren og kan hindre klinisk adopsjon av slike 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

Intra arteriell terapi er standarden på omsorg for pasienter med leverkreft som ikke gjennomgår kirurgisk resection. Målet med denne studien var å utvikle en metode for å forutsi respons på intra arteriell behandling før intervensjon.
Metoden gir et generelt rammeverk for utstråling før intra arteriell terapi. Det innebærer pooling klinisk, demografiske og bildebehandling data over en kohort av pasienter og bruker disse dataene til å trene en maskin læring modell. Utdannet modellen brukes til nye pasienter for å forutsi deres sannsynlighet for respons til intra arteriell terapi.
Metoden innebærer anskaffelse og analyse av klinisk og bildebehandling og demografiske data fra N pasienter som allerede har gjennomgått trans-arteriell terapier. Disse dataene er analysert i separate funksjoner (alder, kjønn, skrumplever, grad av svulst ekstrautstyr, etc.) og binarized til sann/usann-verdier (f.eks alder over 60, mannlige kjønn, svulst ekstrautstyr utover en angitt terskel, osv.). Lav varians funksjoner og funksjoner med lav univariate assosiasjoner med utfallet fjernes. Hver behandlet pasient er merket i henhold til om de svarte eller ikke svarer til behandling. Hver trening pasient er derfor representert ved et sett av binær funksjoner og en utfallet etikett. Maskinen læring modeller er utdannet med N - 1 pasienter med testing på venstre-out pasienten. Denne prosessen gjentas for hvert av N -pasienter. N modellene er gjennomsnitt ankomme siste modell.
Teknikken er utvidbart og gjør inkludering av tilleggsfunksjoner i fremtiden. Det er også en generalizable prosess som kan brukes til klinisk forskning spørsmål utenfor intervensjonsradiologi radiologi. Hovedbegrensningen er behovet for å utlede funksjoner manuelt fra hver pasient. En populær moderne form for maskinlæring kalt dyp krever læring ikke lider av denne begrensningen, men større datasett.

Den foreslåtte metoden ble brukt til 36 pasienter som hadde gjennomgått trans-arteriell behandling for leverkreft. Tjuefem funksjoner ble identifisert, og binarized bruker trinn 1-5. Fem funksjonene fornøyd både varians og univariate association filtre (se trinnene 5.1 og 5.2) og ble brukt for modell trening. Hver pasient var merket en responder eller ikke-responder under qEASL svar kriterier. Funksjoner matrix ble dermed en 36 x 5-matrise mens målet etiketter vektoren var 36 x 1.</p...

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

Forutsi behandlingsrespons på bildet-guidede terapi bruker maskinlæring: et eksempel for Trans-arteriell behandling av leverkreft

Intra arteriell terapi er standarden på omsorg for pasienter med leverkreft som ikke gjennomgår kirurgisk resection. En metode for å forutsi svar på disse behandlingsformer er foreslått. Teknikken bruker pre klinisk, demografiske og tenkelig fremgangsmåte for å trene maskin læring modeller kan forutsi svar før behandling.

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

Denne metoden kan bidra til å forutsi respons på intra arterielle terapier. Maskinlæringsapplikasjoner i intervensjonsonkologi vil endre måten vi behandler leverkreft og andre sykdommer med bildestyrte terapier på. Denne metoden har potensial til å forbedre måten to viktige beslutninger tas på.Vanligvis vil enkeltpersoner som er nye på denne metoden slite på grunn av behovet for å generere funksjonene og utføre maskinlæring og kode. Visuell demonstrasjon av denne metoden er kritisk, da funksjonsgenereringstrinnene innebærer å trekke ut disse funksjonene ved hjelp av bildemasker. Et godt kommentert og klinisk representativt datasett er nødvendig for å trene modellen.Flere pasientdata og store kohorter vil være nødvendig for å ytterligere forbedre en slik maskinlæringsalgoritme. Etter å ha bestemt hvilke kliniske funksjoner som skal inkluderes i modellen, bruk et passende verktøysett for naturlig språk til å analysere notatene for ren tekstklinikk i setninger for å tillate søk etter interessekonflikter. Lagre deretter hver pasients funksjoner i en fil med én funksjon per linje.For ikke-binære funksjoner, få medianverdien av hver funksjon på tvers av alle pasientene, og binarize hver funksjon som en sann eller falsk verdi basert på medianverdien. For å beregne en gjennomsnittlig lever ekstrautstyr funksjon fra et medisinsk bilde. Etter å ha isolert voxels som inneholder leveren, skriv inn den gjennomsnittlige leveren ekstrautstyr kommandoen.For å bestemme levervolumfunksjonen, skriv inn kommandoene som angitt. Beregn deretter medianverdier for hver bildefunksjon og binarize funksjonene som vist. For aggregering og reduksjon av funksjonene, først fjerne lav-varians funksjoner fra vurdering og lese funksjonene i binær matrise.Deretter bruker du variansterskelmodellen til å beregne funksjonene som vises i minst 20 % av både respondere og ikke-respondere, på samme måte som det som er illustrert i tabellen. Fjern eventuelle funksjoner med lav univariate tilknytning til utfallet og filtrere bare de funksjonene som passerer den opprinnelige lav variant screening beholde n funksjoner der n er antall pasienter. Les deretter i den binære matrisen for hver funksjon, lik som illustrert i tabellen.Etter at funksjonene er binarisert og filtrert, er det på tide å trene modellen. Modelltrening er en enkel prosess som passer funksjonene til utfallet under studien og kan brukes til å lage spådommer om nye pasienter. I denne representative analysen av 36 pasienter som gjennomgikk transarterial behandling for hepatocellulært karsinom, ble 25 funksjoner identifisert og binarisert som demonstrert med 5 funksjoner som tilfredsstiller både variantene og univariate tilknytningsfiltrene.Hver pasient ble merket som enten en responder eller ikke-responder under kvantitativ European Association for studiet av leverresponskriteriene. Som illustrert, både logistisk regresjon og tilfeldige skogmodeller spådd en trans arteriell kjemoembolisering behandlingsrespons med en generell nøyaktighet på 78%Etter denne metoden, er det mulig å gjøre spådommer om nye pasienter ved å bruke opplæringsmodellen. Denne maskinlæringsteknikken kan brukes universelt på enhver terapi som involverer pre-prosedyremessig, inter-prosedyremessig og post-prosedyremessig avbildning.

Research

JoVE Journal

Medicine

The Measurement and Treatment of Suppression in Amblyopia

Den Måling og behandling av undertrykkelse 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 for behandling av moderat til alvorlig 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 Treatment Response av primære svulster og / eller Associated metastaser for preklinisk og klinisk utvikling av legemiddel

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; Chick Chorioallantoic Membrane (CAM) analyse som en effektiv Xenotransplantat Modell av leverkreft

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

Vurdering av effektiviteten av<em&gt; H. pylori</em&gt; Protein HP-NAP som et terapeutisk verktøy for behandling av blærekreft i en ortotopiske Murine 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; ortotopiske syngeniske musemodell for leverkreft metastaser

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-veiledet dmPFC-rTMS som behandling for behandlingsresistent depresjon

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

Ved hjelp av Micro-computertomografi for vurdering av tumorutvikling og oppfølging av respons på behandlingen i en musemodell for lungekreft

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