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. receberam financiamento de apoio o escritório de pesquisa estudantil, escola de medicina de Yale.
L.J.S. recebe subsídios de Leopoldina Postdoctoral Fellowship, o National Institutes of Health (NIH/ICN R01CA206180) e o Rolf W. Guenther Foundation de Ciências radiológicas (Aachen, Alemanha).
J.C. recebe subvenções da Philips Healthcare, o National Institutes of Health (NIH/ICN R01CA206180) e a Fundação alemã-israelense para investigação científica e desenvolvimento (Jerusalém, Israel e Neuherberg, Alemanha); e bolsas de estudo da W. Rolf Guenther Foundation de Ciências radiológicas e o Charite Berlim Instituto de saúde cientista programa clínico (Berlim, Alemanha).
J.S.D. e M.L. recebem subvenções do National Institutes of Health (NIH/ICN R01CA206180) e Philips Healthcare (melhor, Países Baixos).
J.F.G. recebe subvenções do National Institutes of Health (NIH/ICN R01CA206180), Philips Healthcare, BTG (Londres, Reino Unido), Boston Scientific (Marlborough, Massachusetts) e Guerbet Healthcare (Villepinte, França)

1. Instalação de estação de trabalho para a aprendizagem de máquina
<ol><li>Use um sistema com o seguinte: Intel Core 2 Duo ou superior CPU de 2,0 GHz 4 GB ou mais de memória de sistema Sistema operacional compatível com POSIX (Linux ou Mac OS) ou Microsoft Windows 7 Permissões de usuário para executar programas e salvar arquivos</li>
	<li>Instale as seguintes ferramentas: Anaconda Python3: https://www.anaconda.com/download DICOM para NIfTI conversor (dcm2niix) - https://github.com/rordenlab/...

<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>

Pacientes com carcinoma hepatocelular, que não são candidatos à ressecção cirúrgica são oferecidos terapias intra-arterial. Existem alguns métodos para determinar se um paciente responderá pre-tratamento. Técnicas de avaliação pós-tratamento dependem de mudanças no tamanho do tumor ou captação de contraste do tumor. Estes são chamados critérios de resposta, sendo o mais exato quantitativo Associação Europeia para o estudo do critério do fígado (qEASL). qEASL depende de ambos volumétrico e ...

Pacientes com carcinoma hepatocelular, que não são candidatos cirúrgicos são oferecidos terapias intra-arterial1,2,3. Não há nenhuma única métrica que determina se um paciente responderá a uma terapia intra-arterial, antes que o tratamento é administrado. O objetivo deste estudo foi demonstrar um método que prediz a resposta do tratamento através da aplicação de métodos de aprendizado de máquina. Esses modelos fornecem orientações para médicos e pacientes quando escolher se deseja prosseguir com um tratamento.
O protocolo implica um processo reprodutível para treinar e atualizar um modelo a partir de dados primários do paciente (notas clínicas, demografia, dados laboratoriais e imagem). Os dados inicialmente analisados para características específicas, com cada paciente, representada por um conjunto de recursos binários e um rótulo de destino resultado binário. O rótulo de resultado é determinado usando um critério estabelecido resposta baseada em imagem para hepatocelular terapia4,5,6,7. As características e destino rótulos são passados para o software de aprendizagem de máquina que aprende o mapeamento entre recursos e resultados sob um determinado modelo (regressão logística ou floresta aleatória)8,9,10de aprendizagem. Técnicas similares foram aplicadas em radiologia e outras áreas de pesquisa do câncer para diagnóstico e tratamento previsão11,12,13.
O método adapta-se a técnicas de informática para o campo da radiologia intervencionista. Estudos de significado tradicional em radiologia intervencionista e medicina em geral, dependem de análises mono - ou oligo-recurso. Por exemplo, o modelo para doença de fígado do extremidade-estágio incorpora cinco clínicas métricas para avaliar a extensão da doença hepática. A vantagem do método proposto é a capacidade de adicionar características liberalmente; Vinte e cinco características são consideradas na análise do exemplo. Recursos adicionais podem ser adicionados como desejado.
A técnica pode ser aplicada a outras intervenções radiográficas onde os dados de imagem pré e pós-intervenção estão disponíveis. Por exemplo, os resultados a seguir tratamentos percutâneas poderiam ser previstos de forma semelhante. A principal limitação do estudo é a necessidade de recursos de cura manual para inclusão no modelo. Curadoria e recurso de extração de dados é demorada para o praticante e pode impedir a clínica adoção de tal modelos de aprendizagem de máquina.

<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-arterial terapias são o padrão de atendimento para pacientes com carcinoma hepatocelular, que não se submetem a ressecção cirúrgica. O objetivo deste estudo foi desenvolver um método para prever a resposta ao tratamento intra-arterial antes da intervenção.
O método fornece um quadro geral para prever os resultados antes da terapia intra-arterial. Envolve pool de dados clínicos, demográficos e de imagem através de uma coorte de pacientes e usar esses dados para treinar um modelo de aprendizagem de máquina. O modelo treinado é aplicado aos novos pacientes para prever a probabilidade de resposta à terapia intra-arterial.
O método implica a aquisição e análise de dados clínicos, demográficos e da imagem latente de N pacientes que já tenham sido submetidos a terapias de trans-arterial. Estes dados são analisados em discretas características (idade, sexo, cirrose, grau de aprimoramento de tumor, etc.) e binarized em valores verdadeiro/falso (por exemplo, a idade mais de 60, sexo masculino, realce do tumor para além de um limiar definido, etc.). Características de baixa-variância e características com baixa univariada associações com o resultado são removidas. Cada paciente tratada é rotulado de acordo com se eles responderam ou não respondeu ao tratamento. Cada paciente de formação, portanto, é representado por um conjunto de características binárias e um rótulo de resultado. Modelos de aprendizagem de máquina são treinados usando N - 1 pacientes com testes sobre o paciente da esquerda-para fora. Este processo é repetido para cada um dos pacientes N . Os modelos de N são em média para chegar a um modelo final.
A técnica é extensível e permite a inclusão de recursos adicionais no futuro. É também um processo generalizável que pode ser aplicado às perguntas de pesquisa clínica fora da radiologia intervencionista. A principal limitação é a necessidade de derivar características manualmente de cada paciente. Uma popular forma moderna de aprendizado de máquina, chamado profunda aprendizagem não sofre essa limitação, mas exige maior datasets.

O método proposto foi aplicado a 36 pacientes que tinham sofrido trans-arterial terapias para carcinoma hepatocelular. Vinte e cinco características foram identificadas e binarized usando os passos 1-5. Cinco características satisfeito tanto a variância e filtros de associação univariada (consulte as etapas 5.1 e 5.2) e foram usadas para treinamento de modelo. Cada paciente foi rotulado como um Respondente ou não-Respondente sob os critérios de resposta qEASL. A matriz de recursos...

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

Prevendo a resposta do tratamento para terapias guiada por imagem utilizando aprendizado de máquina: um exemplo para o Trans-Arterial tratamento do Carcinoma hepatocelular

Intra-arterial terapias são o padrão de atendimento para pacientes com carcinoma hepatocelular, que não se submetem a ressecção cirúrgica. Propõe-se um método de previsão de resposta a essas terapias. A técnica utiliza informações clínicas, demográficas e de imagem pré-processuais para treinar modelos de aprendizagem de máquina capazes de prever a resposta antes do tratamento.

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

Este método pode ajudar a prever a resposta às terapias intra-arterials. Aplicações de aprendizado de máquina na oncologia intervencionista mudarão a forma como tratamos o câncer de fígado e outras doenças com terapias guiadas pela imagem. Este método tem o potencial de melhorar a forma como duas decisões importantes são tomadas.Geralmente, indivíduos novos nesse método lutarão por causa da necessidade de gerar os recursos e de realizar aprendizado de máquina e código. A demonstração visual deste método é fundamental, pois as etapas de geração de recursos implicam a extração desses recursos usando máscaras de imagem. Um conjunto de dados bem anotado e clinicamente representativo é necessário para treinar o modelo.Mais dados de pacientes e grandes coortes serão necessários para melhorar ainda mais esse algoritmo de aprendizagem de máquina. Depois de decidir quais características clínicas incluir no modelo, use um kit de ferramentas de linguagem natural apropriada para analisar as notas da clínica de texto simples em frases para permitir a busca de termos de interesse. Em seguida, armazene as características de cada paciente em um arquivo com um recurso por linha.Para características não binárias, obtenha o valor médio de cada característica em todos os pacientes e binarize cada recurso como um valor verdadeiro ou falso com base no valor mediano. Para calcular um recurso médio de aumento do fígado a partir de uma imagem médica. Depois de isolar os voxels contendo o fígado, entre no comando médio de aumento do fígado.Para determinar o recurso de volume do fígado, digite os comandos conforme indicado. Em seguida, calcule os valores medianos para cada recurso de imagem e binarize os recursos conforme demonstrado. Para agregação e redução dos recursos, primeiro remova os recursos de baixa variância da consideração e leia os recursos na matriz binária.Em seguida, use o modelo de limiar de variância para calcular os recursos que aparecem em pelo menos 20% dos respondentes e não respondentes, semelhante ao ilustrado na tabela. Remova quaisquer características com uma baixa associação univariada com o resultado e filtre apenas os recursos que passam pela triagem original de baixa variante retendo n características onde n é o número de pacientes. Em seguida, leia na matriz binária para cada característica, semelhante ao ilustrado na tabela.Depois que os recursos foram binarizados e filtrados, é hora de treinar o modelo. O treinamento de modelos é um processo simples que se encaixa nas características do resultado em estudo e pode ser usado para fazer previsões sobre novos pacientes. Nesta análise representativa de 36 pacientes submetidos a terapias trans arteriais para carcinoma hepatocelular, foram identificadas 25 características e binarizadas, como demonstrados com 5 características que satisfazem tanto as variantes quanto os filtros de associação univariada.Cada paciente foi rotulado como respondente ou não-responder sob a Associação Europeia quantitativa para o estudo dos critérios de resposta hepática. Como ilustrado, tanto a regressão logística quanto os modelos florestais aleatórios previram uma resposta de tratamento de quimioterapia trans arterial com uma precisão geral de 78%Seguindo esse método, é possível fazer previsões sobre novos pacientes aplicando o modelo de treinamento. Esta técnica de aprendizagem de máquina pode ser universalmente aplicada a qualquer terapia que envolva imagens pré-processuais, inter-processuais e pós-processuais.

Research

JoVE Journal

Medicine

The Measurement and Treatment of Suppression in Amblyopia

A Medição e Tratamento de Supressão de ambliopia

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

Medicina

The Goeckerman Regimen for the Treatment of Moderate to Severe Psoriasis

O regime Goeckerman para o tratamento de psoríase moderada a grave

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 resposta ao tratamento de tumores primários e / ou Associated Metástases para pré-clínica e clínica de Desenvolvimento 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

o<em&gt; In Ovo</em&gt; Chick Corioalantóide membrana (CAM) como um Ensaio Xenoenxerto modelo eficiente de carcinoma hepatocelular

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

Avaliação da Eficácia da<em&gt; H. pylori</em&gt; Protein HP-NAP como uma ferramenta terapêutica para o tratamento de cancro da bexiga em um Modelo murino Orthotopic

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;Patient-Like&quot; Orthotopic Singênico Rato Modelo de carcinoma hepatocelular Metástase

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

Guiada por MRI dmPFC-EMTr como um tratamento para o Transtorno Depressivo Maior resistente ao tratamento

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

Usando tomografia Micro-computadas para a avaliação do desenvolvimento do tumor e Acompanhamento da resposta ao tratamento em um modelo do rato do cancro do pulmão

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