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. fått finansieringsstöd av Office för Student forskning, Yale School of Medicine.
L.J.S. får anslag från National Institutes of Health (NIH/NCI R01CA206180) och Leopoldina postdoktorsstipendium Rolf W. Guenther Foundation för radiologiska vetenskaper (Aachen, Tyskland).
J.C. får anslag från National Institutes of Health (NIH/NCI R01CA206180), Philips Healthcare och tyska-israeliska stiftelsen för vetenskaplig forskning och utveckling (Jerusalem, Israel och Wageningen, Tyskland); och stipendier från Rolf W. Guenther Foundation av radiologiska vetenskaper och det Charite Berlin institutet av kliniska forskare hälsoprogram (Berlin, Tyskland).
J.S.D. och M.L. får bidrag från National Institutes of Health (NIH/NCI R01CA206180) och Philips Healthcare (Best, Nederländerna).
J.F.G. får anslag från National Institutes of Health (NIH/NCI R01CA206180), Philips Healthcare, BTG (London, Storbritannien), Boston Scientific (Marlborough, Massachusetts), och Guerbet Healthcare (Villepinte, Frankrike)

1. Inställningar för arbetsstation för maskininlärning
<ol><li>Använda ett system med följande: Intel Core 2 Duo eller högre processor på 2,0 GHz 4 GB eller mer systemminne POSIX-kompatibelt operativsystem (Linux eller Mac OS) eller Microsoft Windows 7 Användarbehörigheter för program körs och spara filer</li>
	<li>Installera följande verktyg: Anaconda Python3: https://www.anaconda.com/download DICOM till NIfTI converter (dcm2niix) - https://github.com/rordenlab/dcm2niix Sublime Text E...

<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>

Patienter med Hepatocellulär cancer som inte är kandidater för kirurgisk resektion erbjuds intraarteriell terapier. Det finns några metoder för att avgöra om en patient kommer att svara pre-behandling. Efter behandling utvärderingsmetoder är beroende av förändringar i tumörens storlek eller tumör kontrast upptag. Dessa kallas svarskriterierna, med den mest korrekta är kvantitativa European Association for studiet av kriteriet levern (qEASL). qEASL bygger på både volymetrisk och förbättring för?...

Patienter med Hepatocellulär cancer som inte är kirurgisk kandidater erbjuds intraarteriell terapier1,2,3. Det finns ingen enda mått som avgör om en patient kommer att svara på en intraarteriell behandling innan behandling ges. Syftet med denna studie var att visa en metod som förutspår behandlingssvar genom att tillämpa metoder från maskininlärning. Sådana modeller ger vägledning till läkare och patienter när du väljer om du vill fortsätta med en behandling.
Protokollet innebär en reproducerbar process för utbildning och uppdatera en modell från primära patientdata (kliniska anteckningar, demografi, laboratoriedata och imaging). Data analyserats från början för specifika funktioner, med varje patient som representeras av en uppsättning binära funktioner och ett binärt utfall måletikett. Resultatet etiketten bestäms med hjälp av en etablerad imaging-baserade svar kriterium för hepatocellulär terapi4,5,6,7. Funktioner och målet etiketter överförs till maskinen lärande programvara som lär sig mappningen mellan funktioner och resultat under en specifik lärande modell (Logistisk regression eller random forest)8,9,10. Liknande metoder har tillämpats inom radiologi och andra områden av cancerforskning för diagnos och behandling prognos11,12,13.
Metoden anpassar tekniker från datavetenskap till fältet i interventionell radiologi. Traditionella betydelsen studier i interventionell radiologi och medicin i allmänhet lita på mono - eller oligo-funktionen analyser. Modellen för slutstadiet lever sjukdom innehåller till exempel fem kliniska mätvärden för att bedöma omfattningen av leversjukdom. Förmån för den föreslagna metoden är möjligheten att lägga till funktioner frikostigt; tjugofem funktioner anses i exempel analysen. Ytterligare funktioner kan läggas som önskat.
Tekniken kan tillämpas på andra radiografisk insatser där det finns före och efter intervention imaging data. Exempelvis kan utfall efter perkutan behandlingar förutsägas på ett liknande sätt. Den största begränsningen av studien är att behöva manuell kyrkoadjunkt funktioner för att ingå i modellen. Samlingsvård och funktionen datautvinning är tidskrävande för utövaren och kan hindra klinisk antagandet av sådana machine learning-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

Intraarteriell behandlingar är standardbehandling för patienter med Hepatocellulär cancer som inte kan genomgå kirurgisk resektion. Syftet med denna studie var att utveckla en metod för att förutsäga svar på intraarteriell behandling före interventionen.
Metoden ger en allmän ram för förutsäga resultat före intraarteriell behandling. Det handlar om poolning imaging, kliniska och demografiska data över en kohort av patienter och använder dessa data för att utbilda en machine learning-modell. Den utbildade modellen tillämpas på nya patienter för att förutsäga sannolikheten för intraarteriell behandlingssvaret.
Metoden innebär att förvärv och parsning av imaging, kliniska och demografiska data från N patienter som redan genomgått trans-arteriell terapier. Dessa data är tolkas till diskreta funktioner (ålder, kön, cirros, grad av tumören enhancement, etc.) och binarized till sant/falskt-värden (t.ex. ålder över 60, manligt kön, tumör förbättring utöver en inställd tröskel, etc.). Låg-variance funktioner och funktioner med låg univariat föreningar med resultatet tas bort. Varje behandlad patient är märkt beroende på om de svarat eller inte svarade på behandling. Varje utbildning patient representeras alltså av en uppsättning binära funktioner och en etikett som resultat. Machine learning-modeller är utbildade med N - 1 patienter med tester på vänster ut patienten. Denna process upprepas för varje N patienterna. De N -modellerna är i genomsnitt för att ankomma på en sista modell.
Tekniken är utökningsbar och möjliggör integration av ytterligare funktioner i framtiden. Det är också en generaliserbara process som kan tillämpas på kliniska frågeställningar utanför interventionell radiologi. Den största begränsningen är behovet av att härleda funktioner manuellt från varje patient. En populär modern form av machine learning kallas djupa kräver lärande inte lider av denna begränsning, men större datamängder.

Den föreslagna metoden tillämpades på 36 patienter som hade genomgått trans-arteriell terapier för Hepatocellulär cancer. Tjugofem funktioner identifierades och binarized med steg 1-5. Fem funktioner nöjda både varians och univariat association filter (se avsnitt5.1 och 5.2) och användes för modell utbildning. Varje patient var märkt som en responder eller non-responder enligt kriterierna i qEASL svar. Matrisen funktioner var således en 36 x 5 matris medan målet etiketter vek...

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

Att förutspå behandlingssvar bild-guidad terapier använder Machine Learning: ett exempel för Trans-arteriell behandling av Hepatocellulär cancer

Intraarteriell behandlingar är standardbehandling för patienter med Hepatocellulär cancer som inte kan genomgå kirurgisk resektion. En metod för att förutsäga svar på dessa terapier föreslås. Tekniken använder pre kliniska, demografiska och imaging Procedurinformation för att träna maskinmodeller lärande kan förutsäga svar före behandling.

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

Denna metod kan hjälpa förutsäga svar på intra arteriella terapier. Maskininlärningsapplikationer inom interventionell onkologi kommer att förändra vårt sätt att behandla levercancer och andra sjukdomar med bildstyrda terapier. Denna metod har potential att förbättra sättet att fatta två viktiga beslut.Generellt kommer individer som är nya för denna metod att kämpa på grund av behovet av att generera funktionerna och att utföra maskininlärning och kod. Visuell demonstration av den här metoden är avgörande som funktionen generation steg innebär extrahera dessa funktioner med hjälp av bildframställning masker. En väl kommenterad och kliniskt representativ datauppsättning är nödvändig för att träna modellen.Mer patientdata och stora kohorter kommer att vara nödvändiga för att ytterligare förbättra en sådan maskininlärningsalgoritm. Efter att ha beslutat vilka kliniska funktioner som ska ingå i modellen, använd en lämplig verktygslåda för naturligt språk för att tolka den oformaterade texten klinik anteckningar i meningar för att möjliggöra sökning efter villkor för intresse. Lagra sedan varje patients funktioner i en fil med en funktion per rad.För icke-binära funktioner, erhålla medianvärdet för varje funktion över alla patienter, och binarize varje funktion som ett sant eller falskt värde baserat på medianvärdet. För att beräkna en genomsnittlig leverförbättringsfunktion från en medicinsk bild. Efter att isolera voxels som innehåller levern, ange den genomsnittliga levern förbättring kommandot.För att bestämma funktionen levervolym, ange kommandona som indikeras. Beräkna sedan medianvärden för varje bildhanteringsfunktion och binarize funktionerna som visat. För aggregation och minskning av funktionerna, först ta bort låg-variansen funktioner från övervägande och läsa funktionerna i den binära matrisen.Därefter använder du modellen för varianströskel för att beräkna funktionerna som visas i minst 20 %av både responders och icke-svarare, liknande den som illustreras i tabellen. Ta bort eventuella funktioner med en låg univariatassociering med resultatet och filtrera endast de funktioner som passerar den ursprungliga låga varianten screening behåller n funktioner där n är antalet patienter. Läs sedan i den binära matrisen för varje funktion, liknande som illustreras i tabellen.När funktionerna har binariserats och filtrerats är det dags att träna modellen. Modellträning är en enkel process som passar funktionerna till resultatet under studien och kan användas för att göra förutsägelser om nya patienter. I denna representativa analys av 36 patienter som genomgick trans kranskärlens terapier för hepatocellular carcinom, identifierades 25 funktioner och binarized som visas med 5 funktioner uppfyller både de varianter och de univariate association filter.Varje patient var märkt som antingen en responder eller icke-responder under den kvantitativa europeiska associationen för studien av kriterierna levern svar. Som illustreras, både den logistiska regression och slumpmässiga modeller skog förutspådde en trans kranskärlens chemoembolization behandling svar med en övergripande noggrannhet på 78%Efter denna metod, är det möjligt att göra förutsägelser om nya patienter genom att tillämpa utbildningsmodellen. Denna maskininlärningsteknik kan tillämpas universellt på alla terapier som involverar pre-proceduren, inter-procedural och post-procedural imaging.

Research

JoVE Journal

Medicine

The Measurement and Treatment of Suppression in Amblyopia

Mätning och behandling av Suppression 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 regimen för behandling av måttlig till svår 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 Behandling svar av primära tumörer och / eller associerade Metastaser för preklinisk och klinisk utveckling av 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

Den<em&gt; In ovo</em&gt; Chick korioallantoinmembranet (CAM) analys som en effektiv xenotransplantatmodell för Hepatocellulär cancer

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

Utvärdering av effektiviteten hos de<em&gt; H. pylori</em&gt; Protein HP-NAP som ett terapeutiskt verktyg för behandling av cancer i urinblåsan i en Orthotopic musmodell

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; Orthotopic syngena musmodell för Hepatocellulär cancer metastas

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-guidad dmPFC-rTMS som en behandling för behandlingsresistent egentlig depression

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

Använda Micro-datortomografi för bedömning av tumörutveckling och uppföljning av behandlingssvar i en musmodell av lungcancer

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