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

А.а. получил финансовую поддержку от управления студенческих исследований, Йельской школы медицины.
L.J.S. получает субсидии от национальных институтов здоровья (NIH/NCI R01CA206180), Леопольдина докторантура стипендий и Фондом Гюнтер W. Рольф радиационной наук (Аахен, Германия).
Ж.к. получает субсидии от национальных институтов здоровья (NIH/NCI R01CA206180), Philips Healthcare и немецко-израильский фонд для научных исследований и разработок (Иерусалим, Израиль и Neuherberg, Германия); и стипендии от Фонда Гюнтер W. Рольф радиационной наук и Шарите Берлин институт здравоохранения клинической ученый программа (Берлин, Германия).
Дж.С.Д. и м.л. получать гранты от национальных институтов здоровья (NIH/NCI R01CA206180) и Philips Healthcare (лучший, Нидерланды).
J.F.G. получает субсидии от национальных институтов здоровья (NIH/NCI R01CA206180), Philips Healthcare, BTG (Лондон, Соединенное Королевство), Бостонский научная (Мальборо, Массачусетс) и Guerbet Healthcare (Вильпент, Франция)

1. Настройка рабочей станции для машинного обучения
<ol><li>Используйте систему следующим текстом: Процессор Intel Core 2 Duo или выше процессор тактовой частотой 2,0 ГГц 4 ГБ или больше системной памяти POSIX-совместимая операционная система (Linux или Mac OS) или Microsoft Windows 7 Разрешения пользовател...

<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>

Пациентов с гепатоцеллюлярной карциномы, которые не являются кандидатами для хирургической резекции предлагаются внутри артериальной терапии. Некоторые методы существуют, чтобы определить, если пациент будет отвечать pre-лечение. Методы оценки после лечения зависят от изменения ...

Пациенты с гепатоцеллюлярной карциномы, которые не являются хирургические кандидатов предлагаются внутри артериальной терапии1,2,3. Существует без один метрику, определяющую ли пациент будет реагировать внутри артериальной терапии, прежде чем лечение проводится. Целью данного исследования было продемонстрировать метод, который предсказывает реакции лечение путем применения методов машинного обучения. Такие модели служат руководством для специалистов-практиков и пациентов при выборе продолжения лечения.
Протокол предполагает воспроизводимый процесс для подготовки и обновления модели, начиная с первичных данных о пациенте (клинические примечания, демография, лабораторных данных и обработки изображений). Данные сначала анализируется для конкретных функций, с каждым пациентом, представленный набор бинарных функций и целевой меткой двоичный результат. Метке результат определяется с использованием критерия установленных ответ на основе изображений для гепатоцеллюлярной терапии4,5,6,7. Машина обучения программного обеспечения, которое узнает сопоставление функций и результатов конкретный обучения модели (логистической регрессии или случайных лесных)8,9,10передаются функции и целевых ярлыках. Подобные методы применялись в радиологии и других районах раковых исследований для диагностики и лечения предсказание11,12,13.
Этот метод адаптируется методы от компьютерных наук в области интервенционной радиологии. Традиционное значение исследования в интервенционной радиологии и медицины в целом полагаются на моно - или oligo функция анализа. Например модель для конечной стадии заболевания печени включает в себя пять клинических метрик для оценки масштабов заболевания печени. Преимущество предлагаемого метода является возможность добавления функции Либерально; в примере анализе рассматриваются особенности двадцать пять. Дополнительные функции могут быть добавлены по желанию.
Техника может применяться для других радиографический вмешательств, где имеются данные изображений до и после вмешательства. Например результаты после чрескожного лечения может быть предсказано в подобной манере. Главное ограничение этого исследования является необходимость ручной викарий функции для включения в модель. Курирование и функция извлечения данных занимает много времени для практикующего и могут препятствовать клинических принятие такой машины, обучения модели.

<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

Внутри артериальной терапии являются стандарт медицинской помощи для пациентов с гепатоцеллюлярной карциномы, которые не могут пройти хирургическая резекция. Цель этого исследования была разработка метода для прогнозирования реакции внутри артериальной лечения до вмешательства.
Этот метод обеспечивает общие рамки для прогнозирования результатов до внутри артериальной терапии. Она включает в себя объединение клинических, демографические и визуализации данных через когорте больных и использование этих данных для обучения модели обучения машины. Обученная модель применяется для новых пациентов для того чтобы предсказать вероятность их реакции на внутри артериальной терапии.
Метод предполагает приобретение и разбора клинических, демографические и визуализации данных из N пациентов, которые уже прошли транс артериальная терапии. Эти данные анализируются в дискретных функций (возраст, пол, цирроз печени, степень повышения опухоли и т.д.) и binarized в значения true/false (например, возраст более 60, мужского пола, повышение опухоли за пределы установленного порога, и т.д.). Разница низкая функции и функции с низкой одномерных ассоциаций с результатами будут удалены. Каждое лечение пациента размечается согласно ли они ответили или не реагировать на лечение. Каждый пациент обучение таким образом представлена набором двоичных функции и метку результат. Машина модели обучения проходят подготовку с помощью N - 1 пациентов с тестированием на левой из пациента. Этот процесс повторяется для каждой из N пациентов. N модели усредняются прибыть в окончательной модели.
Методика является расширяемым и позволяет включение дополнительных функций в будущем. Это также обобщению процесс, который может применяться для клинических исследований вопросов за пределами интервенционной радиологии. Основным ограничением является необходимость вручную наследовать характеристики каждого пациента. Популярная современная форма машинного обучения называется глубокой обучения, не страдают от этого ограничения, но требует больших наборов данных.

Предложенный метод был применен к 36 пациенты, перенесшие транс артериальная Лечение гепатоцеллюлярной карциномы. Были определены особенности двадцать пять и binarized используя шаги 1-5. Пять компонентов удовлетворяющие дисперсии и одномерных ассоциации фильтры (см. шаги...

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

Прогнозирование лечение реакции изображений руководствуясь терапии с использованием машинного обучения: пример для транс артериальная Лечение гепатоцеллюлярной карциномы

Внутри артериальной терапии являются стандарт медицинской помощи для пациентов с гепатоцеллюлярной карциномы, которые не могут пройти хирургическая резекция. Предложен метод прогнозирования ответа на эти виды лечения. Техника использует предварительно процедурные клинических, демографические и визуализации информации для обучения машина обучения моделей, способных предсказать ответ до начала лечения.

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

Этот метод может помочь предсказать реакцию на внутритерильную терапию. Применение машинного обучения в интервенционной онкологии изменит то, как мы лечим рак печени и другие заболевания с помощью методов лечения с помощью изображений. Этот метод может улучшить способ принятия двух важных решений.Как правило, люди, новые для этого метода будет бороться из-за необходимости создания функций и для выполнения машинного обучения и кода. Визуальная демонстрация этого метода имеет решающее значение, поскольку шаги генерации объектов предполагают извлечение этих функций с помощью масок для визуализации. Для обучения модели необходим хорошо аннотированный и клинически репрезентативный набор данных.Для дальнейшего совершенствования такого алгоритма машинного обучения потребуется больше данных о пациентах и больших когортах. После принятия решения, какие клинические особенности включить в модель, использовать соответствующий набор инструментов естественного языка, чтобы разобрать простой текст клиники отмечает в предложения, чтобы позволить поиск условий, представляющих интерес. Затем храните функции каждого пациента в файле с одной функцией на строку.Для небинарных функций, получить среднее значение каждой функции для всех пациентов, и binarize каждой функции в качестве истинного или ложного значения на основе медианного значения. Чтобы вычислить среднее улучшение функции печени из медицинского изображения. После изоляции вокселей, содержащих печень, введите среднее увеличение печени команды.Чтобы определить функцию объема печени, введите команды, как указано. Затем вычислите средние значения для каждой функции изображения и binarize функции, как попродемонстрировано. Для агрегирования и уменьшения функций сначала удалите функции низкой дисперсии из рассмотрения и прочитайте функции в двоичной матрице.Далее используйте модель порога дисперсии для вычисления функций, появляющихся по крайней мере в 20% респондентов и неответчиков, подобно тому, что показано в таблице. Удалить любые функции с низкой ассоциацией univariate с результатом и фильтровать только те функции, которые проходят оригинальный низкий вариант скрининга сохраняя n особенности, где является число пациентов. Затем прочитайте в двоичной матрице для каждой функции, аналогичной тому, что показано в таблице.После того, как функции были binarized и фильтруется, пришло время для обучения модели. Модель обучения является простым процессом, который соответствует особенностям результатов исследования и могут быть использованы для прогнозирования новых пациентов. В этом репрезентативном анализе 36 пациентов, которые прошли транс-артериальной терапии гепатоцеллюлярной карциномы, 25 особенностей были определены и binarized как попродемонстрировано с 5 функций, удовлетворяющих как варианты и унивариат ассоциации фильтров.Каждый пациент был помечен как ответчик или неответчик в рамках количественной Европейской ассоциации по изучению критериев реакции печени. Как показано на примере, как логистическая регрессия, так и случайные лесные модели предсказывали реакцию лечения транстери артериализации с общей точностью 78%После этого метода, можно делать прогнозы на новых пациентов, применяя модель обучения. Этот метод машинного обучения может быть универсально применен к любой терапии, которая включает в себя предпрокусную, межпрокукуюсную и постпрокупоциальную визуализацию.

Research

JoVE Journal

Medicine

The Measurement and Treatment of Suppression in Amblyopia

Измерение и лечение в борьбе с амблиопией

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

Режим Goeckerman для лечения умеренных и тяжелых форм псориаза

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

Экс Vivo Лечение отклика первичных опухолей и / или связанных метастазов для доклинических и клинических развития 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

<em&gt; В Ово</em&gt; Хорионалантоисной Мембрана (САМ) Анализ как эффективный ксенотрансплантата модели гепатоцеллюлярной карциномы

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

Оценка эффективности<em&gt; Н. пилори</em&gt; Белок HP-NAP как лечебное средство для лечения рака мочевого пузыря в Ортотопическая мышиной модели

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

А &quot;Пациент-лайк&quot; Ортотопическая Сингенная мышь Модель гепатоцеллюлярной карциномы Метастазы

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

МРТ наведением dmPFC-МТР для лечения резистентных к терапии большого депрессивного расстройства

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

Использование микро-компьютерной томографии для оценки развития опухоли и последующая деятельность в ответ на лечение в мышиной модели рака легких

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