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. recibió apoyo financiero de la oficina de investigación del estudiante, escuela de medicina de Yale.
L.J.S. recibe subvenciones de los institutos nacionales de salud (NIH/NCI R01CA206180), Beca Postdoctoral de Leopoldina y la Rolf W. Guenther Foundation de Ciencias radiológicas (Aquisgrán, Alemania).
J.C. recibe subvenciones de los institutos nacionales de salud (NIH/NCI R01CA206180), Philips Healthcare y la Fundación israelo-alemana para la investigación científica y el desarrollo (Jerusalén, Israel y Neuherberg, Alemania); y becas de la Foundation de Guenther de Rolf W. de Ciencias radiológicas y la Charité Berlín Instituto programa de salud clínico científico (Berlín, Alemania).
J.S.D. y M.L. reciben subvenciones de los institutos nacionales de salud (NIH/NCI R01CA206180) y Philips Healthcare (Best, Holanda).
J.F.G. recibe subvenciones de los institutos nacionales de salud (NIH/NCI R01CA206180), Philips Healthcare, BTG (Londres, Reino Unido), Boston Scientific (Marlborough, Massachusetts) y Guerbet Healthcare (Villepinte, Francia)

1. Instalación de estación de trabajo para el aprender de máquina
<ol><li>Utilice un sistema con lo siguiente: Intel Core 2 Duo CPU o superior a 2,0 GHz 4 GB o más memoria del sistema Sistema operativo compatible con POSIX (Linux o Mac OS) o Microsoft Windows 7 Permisos de usuario para ejecutar programas y guardar los archivos</li>
	<li>Instalar las siguientes herramientas: Anaconda Python3: https://www.anaconda.com/download DICOM a NIfTI convertidor (dcm2niix) - https://github.com/rordenlab/dcm2n...

<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 con carcinoma hepatocelular que no son candidatos para la resección quirúrgica se ofrecen terapias intra arteriales. Existen pocos métodos para determinar si un paciente responderá pre-tratamiento. Técnicas de evaluación después del tratamiento se basan en cambios en el tamaño del tumor o captación de contraste del tumor. Son los llamados criterios de respuesta, siendo más precisa la cuantitativa Asociación Europea para el estudio del criterio del hígado (qEASL). qEASL se basa en ambos volu...

Pacientes con carcinoma hepatocelular que no son candidatos a cirugía se ofrecen terapias intra arterial1,2,3. No hay ninguna métrica única que determina si un paciente responderá a una terapia intra arterial antes de administra el tratamiento. El objetivo de este estudio fue demostrar un método que predice respuesta al tratamiento mediante la aplicación de métodos de aprendizaje automático. Tales modelos orientar a profesionales y pacientes al elegir si continuar con un tratamiento.
El protocolo implica un proceso reproducible para la capacitación y actualización de un modelo a partir de datos primarios del paciente (notas clínicas, datos demográficos, datos de laboratorio y proyección de imagen). Los datos se analizan inicialmente para características específicas, con cada paciente representado por un conjunto de características binarias y una etiqueta de destino de resultados binarios. La etiqueta de resultado se determina mediante un criterio de respuesta establecidos basados en la proyección de imagen para hepatocelular terapia4,5,6,7. Las características y las etiquetas meta se pasan al software de aprendizaje de máquina que aprende la correlación entre las características y los resultados bajo un específico modelo (regresión logística o bosque aleatorio)8,9,10de aprendizaje. Técnicas similares se han aplicado en radiología y en otras áreas de investigación del cáncer para el diagnóstico y tratamiento predicción11,12,13.
El método adapta a las técnicas de la informática al campo de la radiología intervencionista. Estudios de tradicional importancia en radiología intervencionista y medicina en general, se basan en análisis de mono-oligo-función o. Por ejemplo, el modelo para la enfermedad de hígado fase final incorpora cinco parámetros clínicos para evaluar el grado de enfermedad hepática. La ventaja del método propuesto es la posibilidad de añadir características liberalmente; 25 características se consideran en el análisis del ejemplo. Las características adicionales pueden agregarse como deseado.
La técnica puede aplicarse a otras intervenciones radiográficas que disponen de datos de imágenes pre y post intervención. Por ejemplo, los resultados después de tratamientos percutáneos podrían predecirse de manera similar. La principal limitación del estudio es la necesidad de características de cura manual para su inclusión en el modelo. Extracción de conservación y función de los datos es desperdiciador de tiempo para el médico y puede impedir la adopción clínica de tal modelos de aprendizaje 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

Tratamientos Intraarteriales son el estándar del cuidado para los pacientes con carcinoma hepatocelular que no pueden someterse a resección quirúrgica. El objetivo de este estudio fue desarrollar un método para predecir la respuesta al tratamiento intraarterial antes de la intervención.
El método proporciona un marco general para la predicción de los resultados antes de la terapia intrarterial. Se trata de agrupación de datos clínicos, demográficos y proyección de imagen a través de una cohorte de pacientes y utilizar estos datos para un modelo de aprendizaje de máquina del tren. El modelo de formación se aplica a nuevos pacientes para predecir su probabilidad de respuesta a la terapia intrarterial.
El método consiste en la adquisición y análisis de datos clínicos, demográficos e N pacientes que ya han experimentado terapias trans-arterial. Estos datos se analiza en discretas características (edad, sexo, cirrosis, grado de tumor mejora, etc.) y binarizados en valores verdadero/falso (p. ej., edad de 60, género masculino, realce del tumor más allá de un umbral fijado, etc.). Se eliminan características de varianza baja y características con asociaciones univariable baja con el resultado. Cada paciente tratado se etiqueta según si respondió o no respondió al tratamiento. Así, cada paciente formación está representado por un conjunto de características binarias y una etiqueta de resultado. Modelos de aprendizaje de máquina son entrenados utilizando N - 1 pacientes con pruebas en el paciente de la izquierda-hacia fuera. Este proceso se repite para cada uno de los N pacientes. Los modelos de N se calcula el promedio para llegar a un modelo final.
La técnica es extensible y permite la inclusión de características adicionales en el futuro. Es también un proceso generalizable que puede aplicarse a preguntas de la investigación clínica fuera de radiología intervencionista. La principal limitación es la necesidad de derivar características manualmente de cada paciente. Una forma moderna popular de aprendizaje automático llamado profundo aprendizaje no sufren de esta limitación, pero requiere más grandes conjuntos de datos.

El método propuesto se aplicó a 36 pacientes que habían experimentado trans-arterial terapias para el carcinoma hepatocelular. Se identificaron veinticinco características y binarizada siguiendo los pasos del 1-5. Cinco características satisfacen la varianza y filtros de asociación univariante (vea los pasos 5.1 y 5.2) y fueron utilizados para entrenamiento de modelo. Cada paciente fue etiquetado como responder o no responder bajo los criterios de respuesta qEASL. La matriz de carac...

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

Predicción de respuesta al tratamiento tratamientos guiados por imágenes mediante aprendizaje automático: un ejemplo para el Trans-Arterial tratamiento de Carcinoma Hepatocelular

Tratamientos Intraarteriales son el estándar del cuidado para los pacientes con carcinoma hepatocelular que no pueden someterse a resección quirúrgica. Se propone un método para predecir la respuesta a estas terapias. La técnica utiliza información clínica, demográfica y proyección de imagen previas al procedimiento para entrenar modelos de aprendizaje de máquina capaces de predecir la respuesta antes del tratamiento.

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

Este método puede ayudar a predecir la respuesta a las terapias intra arteriales. Las aplicaciones de aprendizaje automático en oncología intervencionista cambiarán la forma en que tratamos el cáncer de hígado y otras enfermedades con terapias guiadas por imágenes. Este método tiene el potencial de mejorar la forma en que se toman dos decisiones importantes.Por lo general, los individuos nuevos en este método tendrán problemas debido a la necesidad de generar las características y realizar el aprendizaje automático y el código. La demostración visual de este método es fundamental, ya que los pasos de generación de características implican la extracción de esas características mediante máscaras de imagen. Se necesitan un conjunto de datos bien anotado y clínicamente representativo para entrenar el modelo.Se necesitarán más datos de pacientes y grandes cohortes para mejorar aún más este algoritmo de aprendizaje automático. Después de decidir qué características clínicas incluir en el modelo, utilice un kit de herramientas de lenguaje natural adecuado para analizar las notas de la clínica de texto sin formato en oraciones para permitir la búsqueda de términos de interés. A continuación, almacene las características de cada paciente en un archivo con una característica por línea.Para las entidades no binarias, obtenga el valor medio de cada entidad en todos los pacientes y binarice cada entidad como un valor verdadero o falso basado en el valor mediano. Para calcular una función de mejora hepática media a partir de una imagen médica. Después de aislar los vóxeles que contienen el hígado, ingrese el comando de mejora hepática media.Para determinar la función de volumen hepático, introduzca los comandos como se indica. A continuación, calcule los valores medios para cada entidad de imagen y binarice las entidades como se ha demostrado. Para la agregación y reducción de las entidades, primero elimine las características de baja varianza de la consideración y lea las entidades de la matriz binaria.A continuación, utilice el modelo de umbral de varianza para calcular las entidades que aparecen en al menos el 20 % de los respondedores y los no respondedores, de forma similar a la que se ilustra en la tabla. Elimine cualquier característica con una asociación univariada baja con el resultado y filtre solo aquellas características que pasen el cribado de variante baja original conservando n características donde n es el número de pacientes. A continuación, lea en la matriz binaria para cada entidad, similar a como se ilustra en la tabla.Después de que las entidades se han binarizado y filtrado, es el momento de entrenar el modelo. La formación de modelos es un proceso sencillo que se adapta a las características del resultado en estudio y se puede utilizar para hacer predicciones sobre nuevos pacientes. En este análisis representativo de 36 pacientes que se sometieron a terapias arteriales trans para el carcinoma hepatocelular, se identificaron y binarizaron 25 características como se demostró con 5 características que satisfacen tanto las variantes como los filtros de asociación univariados.Cada paciente fue etiquetado como respondedor o no respondedor bajo la Asociación Europea cuantitativa para el estudio de los criterios de respuesta hepática. Como se ha demostrado, tanto la regresión logística como los modelos forestales aleatorios predijó una respuesta de tratamiento de quimioembolización arterial trans con una precisión global del 78%Después de este método, es posible hacer predicciones sobre nuevos pacientes aplicando el modelo de entrenamiento. Esta técnica de aprendizaje automático se puede aplicar universalmente a cualquier terapia que implique imágenes preprocesal, interprocesal y postprocesal.

Research

JoVE Journal

Medicine

The Measurement and Treatment of Suppression in Amblyopia

La medición y tratamiento de la represión en la ambliopía

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

Investigación

Medicina

The Goeckerman Regimen for the Treatment of Moderate to Severe Psoriasis

El Régimen Goeckerman para el tratamiento de psoriasis 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 respuesta al tratamiento de los tumores primarios y / o Asociados Metástasis de Preclínica y Desarrollo Clínico de Terapéutica

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

los<em&gt; En Ovo</em&gt; Chick corioalantoidea de membrana (CAM) Ensayo como un modelo de xenoinjerto 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

Evaluación de la eficacia de la<em&gt; H. pylori</em&gt; Proteína HP-PAN como herramienta terapéutica para el tratamiento de cáncer de vejiga en un modelo murino ortotópico

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

Un &quot;paciente-Like&quot; ortotópico Singénico modelo de ratón de carcinoma hepatocelular Metástasis

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

RM guiada dmPFC-rTMS como tratamiento para el trastorno depresivo mayor resistente al tratamiento

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

El uso de la tomografía computarizada-Micro para la evaluación del desarrollo del tumor y Seguimiento de la respuesta al tratamiento en un modelo de ratón de cáncer de pulmón

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