Name: machine learning algorithms for early detection of bone metastases in an experimental rat model
Uploaded: 2020-08-16T13:00:00
Description: Watch this Scientific Journal Video about Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model at JoVE.com

Dette arbejde blev støttet af den tyske forskningsfond (DFG, Collaborative Research Centre CRC 1181, delprojekt Z02; Prioriteret program μBone, projekter BA 4027/10-1 og BO 3811), herunder yderligere støtte til scanningsanordningerne (INST 410/77-1 FUGG og INST 410/93-1 FUGG), og af Initiativet emerging fields (EFI) "Big Thera" fra Friedrich-Alexander-University Erlangen-Nürnberg.

Alle pleje- og forsøgsprocedurer blev udført i overensstemmelse med national og regional lovgivning om dyrebeskyttelse, og alle dyreforsøg blev godkendt af delstatsregeringen i Franken, Tyskland (referencenummer 55,2 DMS-2532-2-228).
1. Induktion af brystkræft knogle metastaser i højre bagben af nøgne rotter
BEMÆRK: En detaljeret beskrivelse af induktionen af brystkræft knoglemetastaser hos nøgne rotter er blevet offentliggjort andetsteds6</...

<ol>
	<li>D'Oronzo, S., Brown, J., Coleman, R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=The+role+of+biomarkers+in+the+management+of+bone-homing+malignancies.">The role of biomarkers in the management of bone-homing malignancies.</a> Journal of Bone Oncology. 9, 1-9 (2017).</li><li>Ellmann, S., Beck, M., Kuwert, T., Uder, M., B&#228;uerle, T. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Multimodal+imaging+of+bone+metastases:+From+preclinical+to+clinical+applications.">Multimodal imaging of bone metastases: From preclinical to clinical applications.</a> Journal of Orthopaedic Translation. 3 (4), 166-177 (2015).</li><li>Braun, S., Pantel, K. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Clinical+significance+of+occult+metastatic+cells+in+bone+marrow+of+breast+cancer+patients.">Clinical significance of occult metastatic cells in bone marrow of breast cancer patients.</a> The Oncologist. 6 (2), 125-132 (2001).</li><li>Braun, S., Rosenberg, R., Thorban, S., Harbeck, N. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Implications+of+occult+metastatic+cells+for+systemic+cancer+treatment+in+patients+with+breast+or+gastrointestinal+cancer.">Implications of occult metastatic cells for systemic cancer treatment in patients with breast or gastrointestinal cancer.</a> Seminars in surgical oncology. 20 (4), 334-346 (2001).</li><li>Ellmann, S., 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=Prediction+of+early+metastatic+disease+in+experimental+breast+cancer+bone+metastasis+by+combining+PET/CT+and+MRI+parameters+to+a+Model-Averaged+Neural+Network.">Prediction of early metastatic disease in experimental breast cancer bone metastasis by combining PET/CT and MRI parameters to a Model-Averaged Neural Network.</a> Bone. 120, 254-261 (2018).</li><li>B&#228;uerle, T., Komljenovic, D., Berger, M. R., Semmler, W. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Multi-modal+imaging+of+angiogenesis+in+a+nude+rat+model+of+breast+cancer+bone+metastasis+using+magnetic+resonance+imaging,+volumetric+computed+tomography+and+ultrasound.">Multi-modal imaging of angiogenesis in a nude rat model of breast cancer bone metastasis using magnetic resonance imaging, volumetric computed tomography and ultrasound.</a> Journal of Visualized Experiments. (66), e4178 (2012).</li><li>Merz, M., Komljenovic, D., Semmler, W., B&#228;uerle, T. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Quantitative+contrast-enhanced+ultrasound+for+imaging+antiangiogenic+treatment+response+in+experimental+osteolytic+breast+cancer+bone+metastases.">Quantitative contrast-enhanced ultrasound for imaging antiangiogenic treatment response in experimental osteolytic breast cancer bone metastases.</a> Investigative Radiology. 47 (7), 422-429 (2012).</li><li>B&#228;uerle, T., 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=Characterization+of+a+rat+model+with+site-specific+bone+metastasis+induced+by+MDA-MB-231+breast+cancer+cells+and+its+application+to+the+effects+of+an+antibody+against+bone+sialoprotein.">Characterization of a rat model with site-specific bone metastasis induced by MDA-MB-231 breast cancer cells and its application to the effects of an antibody against bone sialoprotein.</a> International Journal of Cancer. 115 (2), 177-186 (2005).</li><li>Patel, J., Goyal, R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Applications+of+Artificial+Neural+Networks+in+Medical+Science.">Applications of Artificial Neural Networks in Medical Science.</a> Current Clinical Pharmacology. 2 (3), 217-226 (2008).</li><li>Naftaly, U., Intrator, N., Horn, D. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Optimal+ensemble+averaging+of+neural+networks.">Optimal ensemble averaging of neural networks.</a> Network: Computation in Neural Systems. 8 (3), 283-296 (1997).</li><li>B&#228;uerle, T., Merz, M., Komljenovic, D., Zwick, S., Semmler, W. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Drug-induced+vessel+remodeling+in+bone+metastases+as+assessed+by+dynamic+contrast+enhanced+magnetic+resonance+imaging+and+vessel+size+imaging:+A+longitudinal+in+vivo+study.">Drug-induced vessel remodeling in bone metastases as assessed by dynamic contrast enhanced magnetic resonance imaging and vessel size imaging: A longitudinal in vivo study.</a> Clinical Cancer Research. 16 (12), 3215-3225 (2010).</li><li>Cheng, C., 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=Evaluation+of+treatment+response+of+cilengitide+in+an+experimental+model+of+breast+cancer+bone+metastasis+using+dynamic+PET+with+18F-FDG.">Evaluation of treatment response of cilengitide in an experimental model of breast cancer bone metastasis using dynamic PET with 18F-FDG.</a> Hellenic Journal of Nuclear Medicine. 14 (1), 15-20 (2011).</li><li>Marturano-Kruik, 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=Human+bone+perivascular+niche-on-a-chip+for+studying+metastatic+colonization.">Human bone perivascular niche-on-a-chip for studying metastatic colonization.</a> Proceedings of the National Academy of Sciences of the United States of America. 115 (6), 1256-1261 (2018).</li><li>Sonntag, 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=In+vivo+proof-of-concept+for+two+experimental+antiviral+drugs,+both+directed+to+cellular+targets,+using+a+murine+cytomegalovirus+model.">In vivo proof-of-concept for two experimental antiviral drugs, both directed to cellular targets, using a murine cytomegalovirus model.</a> Antiviral Research. 161, 63-69 (2019).</li><li>. Horos - Free DICOM Medical Image Viewer | Open-Source Available from: <a target="_blank" href="https://www.horosproject.org/">https://www.horosproject.org/</a> (2015)</li><li>. RStudio Team RStudio: Inteegrated Development for R Available from: <a target="_blank" href="https://rstudio.com">https://rstudio.com</a> (2015)</li><li>Dem&#353;ar, 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=Orange:+Data+Mining+Toolbox+in+Python.">Orange: Data Mining Toolbox in Python.</a> Journal of Machine Learning Research. 14, 2349-2353 (2013).</li><li>Saeys, Y., Inza, I., Larra&#241;aga, P. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=A+review+of+feature+selection+techniques+in+bioinformatics.">A review of feature selection techniques in bioinformatics.</a> Bioinformatics. 23 (19), 2507-2517 (2007).</li><li>. CRAN - Package caret Available from: <a target="_blank" href="https://cran.r-project.org/web/packages/caret/index.html">https://cran.r-project.org/web/packages/caret/index.html</a> (2016)</li><li>. CRAN: Package xgboost - Extreme Gradient Boosting Available from: <a target="_blank" href="https://cran.r-project.org/web/packages/xgboost/">https://cran.r-project.org/web/packages/xgboost/</a> (2019)</li><li>Fern&#225;ndez-Delgado, M., Cernadas, E., Barro, S., Amorim, D., Fern&#225;ndez-Delgado, A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Do+we+Need+Hundreds+of+Classifiers+to+Solve+Real+World+Classification+Problems.">Do we Need Hundreds of Classifiers to Solve Real World Classification Problems.</a> Journal of Machine Learning Research. 15, 3133-3181 (2014).</li><li>Hira, Z. M., Gillies, D. F. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=A+Review+of+Feature+Selection+and+Feature+Extraction+Methods+Applied+on+Microarray+Data.">A Review of Feature Selection and Feature Extraction Methods Applied on Microarray Data.</a> Advances in Bioinformatics. 2015, 198363 (2015).</li><li>S&#225;nchez-Maro&#241;o, N., Alonso-Betanzos, A., Tombilla-Sanrom&#225;n, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Filter+methods+for+feature+selection+-+A+comparative+study.">Filter methods for feature selection - A comparative study.</a> Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics). 4881, 178-187 (2007).</li><li>Cawley, G. C., Talbot, N. L. C. C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Fast+exact+leave-one-out+cross-validation+of+sparse+least-squares+support+vector+machines.">Fast exact leave-one-out cross-validation of sparse least-squares support vector machines.</a> Neural Network. 17 (10), 1467-1475 (2004).</li><li>Forghani, 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=Radiomics+and+Artificial+Intelligence+for+Biomarker+and+Prediction+Model+Development+in+Oncology.">Radiomics and Artificial Intelligence for Biomarker and Prediction Model Development in Oncology.</a> Computational and Structural Biotechnology Journal. 17, 995-1008 (2019).</li><li>Jaffe, C. C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Measures+of+response:+RECIST,+WHO,+and+new+alternatives.">Measures of response: RECIST, WHO, and new alternatives.</a> Journal of Clinical Oncology Official Journal of the American Society of Clinical Oncology. 24 (20), 3245-3251 (2006).</li><li>Lambin, P., 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=Radiomics:+Extracting+more+information+from+medical+images+using+advanced+feature+analysis.">Radiomics: Extracting more information from medical images using advanced feature analysis.</a> European Journal of Cancer. 48 (4), 441-446 (2012).</li><li>Gillies, R. J., Kinahan, P. E., Hricak, H. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Radiomics:+Images+are+more+than+pictures,+they+are+data.">Radiomics: Images are more than pictures, they are data.</a> Radiology. 278 (2), 563-577 (2016).</li><li>Nioche, C., 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=Lifex:+A+freeware+for+radiomic+feature+calculation+in+multimodality+imaging+to+accelerate+advances+in+the+characterization+of+tumor+heterogeneity.">Lifex: A freeware for radiomic feature calculation in multimodality imaging to accelerate advances in the characterization of tumor heterogeneity.</a> Cancer Research. 78 (16), 4786-4789 (2018).</li><li>Ellmann, S., 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=Application+of+machine+learning+algorithms+for+multiparametric+MRI-based+evaluation+of+murine+colitis.">Application of machine learning algorithms for multiparametric MRI-based evaluation of murine colitis.</a> PLOS ONE. 13 (10), 0206576 (2018).</li></ol>

ML algoritmer er kraftfulde værktøjer, der anvendes til at integrere flere prædiktive funktioner i en kombineret model og opnå en nøjagtighed, der overstiger dens separate komponenter, når de anvendes alene. Ikke desto mindre afhænger det faktiske resultat af flere kritiske trin. For det første, ML algoritme, der anvendes, er en afgørende faktor, fordi forskellige ML algoritmer giver forskellige resultater. Den algoritme, der bruges i denne protokol, er et avNNet, men andre lovende algoritmer omfatter Extreme Gr...

Formålet med denne protokol er at integrere flere funktionelle billeddannelsesparametre fra MR og PET/CT i en modelgennemsnitt neuralnetværk (avNNet) ML-algoritme. Denne algoritme forudsiger væksten af makrometastaser i en rotte model af brystkræft knogle metastaser på et tidligt tidspunkt, når makroskopiske ændringer i knoglen er endnu ikke synlige.
Forud for væksten af makrometastaser, en knoglemarvs invasion af dissekulerede tumorceller opstår, almindeligvis benævnt mikrometastatic sygdom1,2. Denne indledende invasion kan betragtes som et tidligt skridt i metastatisk sygdom, men er typisk savnet under konventionelle iscenesættelse undersøgelser3,4. Selv om de aktuelt tilgængelige billeddannelsesmodaliteter ikke kan påvise knoglemarvsmikroinvasion, når de anvendes alene, har en kombination af billeddannelsesparametre, der giver oplysninger om vaskularisering og metabolisk aktivitet, vist sig at klare sigbedre 5. Denne supplerende fordel opnås ved at kombinere forskellige billeddannelsesparametre i et avNNet, som er en ML-algoritme. En sådan avNNet giver mulighed for pålidelig forudsigelse af knoglemamametastaser dannelse før nogen synlige metastaser er til stede. Derfor kan integration af billeddiagnostiske biomarkører i et avNNet fungere som surrogatparameter for knoglemarvsmikroinvasion og tidlig metastatisk sygdom.
For at udvikle protokollen, en tidligere beskrevet model af brystkræft knoglemetastaser hos nøgne rotter blev brugt6,,7,,8. Fordelen ved denne model er dens sted-specificitet, hvilket betyder, at dyrene udvikler knoklet metastaser udelukkende i deres højre bagben. Men, tumor-tage sats af denne fremgangsmåde er 60%-80%, så et betydeligt antal af dyrene ikke udvikler nogen metastaser i løbet af undersøgelsen. Ved hjælp af billeddannelsesmodaliteter som MR og PET/CT kan tilstedeværelsen af metastaser påvises fra dag 30 efter infektion (PI). På tidligere tidspunkt skelner der ikke mellem dyr, der vil udvikle metastatisk sygdom, og dyr vil ikke (figur 1).
En avNNet uddannet på funktionelle billeddannelse parametre erhvervet på dag 10 PI, som beskrevet i følgende protokol, pålideligt forudsiger eller udelukker væksten af makrometastaser inden for de følgende ~ 3 uger. Neurale netværk kombinerer kunstige noder inden for forskellige lag. I undersøgelsesprotokollen repræsenterer de funktionelle billeddannelsesparametre for knoglemarvsblodforsyning og metabolisk aktivitet det nederste lag, mens forudsigelsen af malignitet repræsenterer det øverste lag. Et ekstra mellemliggende lag indeholder skjulte noder, der er forbundet til både det øverste og det nederste lag. Styrken af forbindelserne mellem de forskellige noder opdateres under uddannelsen af netværket til at udføre den respektive klassificering opgave med høj nøjagtighed9. Nøjagtigheden af en sådan neurale netværk kan øges yderligere ved gennemsnit output af flere modeller, hvilket resulterer i en avNNet10.

<table border="0" cellpadding="0" cellspacing="0" style="width:801px;" width="800">
	<colgroup>
		<col />
		<col />
		<col />
		<col />
	</colgroup>
	<tbody>
		<tr height="21">
			<td height="21" style="height:21px;width:241px;">Binocular Operating Microscope</td>
			<td style="width:239px;">Leica</td>
			<td style="width:154px;">NA</td>
			<td style="width:167px;"></td>
		</tr>
		<tr height="21">
			<td height="21" style="height:21px;width:241px;">ClinScan MR System</td>
			<td style="width:239px;">Bruker</td>
			<td style="width:154px;">NA</td>
			<td></td>
		</tr>
		<tr height="21">
			<td height="21" style="height:21px;width:241px;">DICOM Viewer</td>
			<td style="width:239px;">Horos</td>
			<td style="width:154px;">NA</td>
			<td style="width:167px;">www.horosproject.org</td>
		</tr>
		<tr height="21">
			<td height="21" style="height:21px;width:241px;">Excel: Spreadsheet</td>
			<td style="width:239px;">Microsoft</td>
			<td style="width:154px;">NA</td>
			<td></td>
		</tr>
		<tr height="21">
			<td height="21" style="height:21px;width:241px;">FCS</td>
			<td style="width:239px;">Sigma</td>
			<td style="width:154px;">F2442-500ML</td>
			<td></td>
		</tr>
		<tr height="21">
			<td height="21" style="height:21px;width:241px;">Gadovist</td>
			<td style="width:239px;">Bayer-Schering</td>
			<td style="width:154px;">NA</td>
			<td></td>
		</tr>
		<tr height="21">
			<td height="21" style="height:21px;width:241px;">Inveon PET/CT</td>
			<td style="width:239px;">Siemens</td>
			<td style="width:154px;">NA</td>
			<td></td>
		</tr>
		<tr height="42">
			<td height="42" style="height:42px;width:241px;">Inveon Research Workplace Software</td>
			<td style="width:239px;">Siemens Healthcare GmbH</td>
			<td style="width:154px;">NA</td>
			<td></td>
		</tr>
		<tr height="21">
			<td height="21" style="height:21px;width:241px;">IVIS Spectrum</td>
			<td style="width:239px;">PerkinElmer</td>
			<td style="width:154px;">NA</td>
			<td></td>
		</tr>
		<tr height="42">
			<td height="42" style="height:42px;width:241px;">MDA-MB-231 human breast cancer cells</td>
			<td style="width:239px;">American Type Culture Collection</td>
			<td style="width:154px;">N/A</td>
			<td></td>
		</tr>
		<tr height="63">
			<td height="63" style="height:63px;width:241px;">Open-source data visualization, machine learning and data mining toolkit.</td>
			<td style="width:239px;">Orange3, University of Ljubljana</td>
			<td style="width:154px;">NA</td>
			<td>https://orange.biolab.si/</td>
		</tr>
		<tr height="21">
			<td height="21" style="height:21px;width:241px;">RPMI-1640</td>
			<td>Invitrogen/ThermoFisher</td>
			<td align="right" style="width:154px;">11875093</td>
			<td></td>
		</tr>
		<tr height="21">
			<td height="21" style="height:21px;width:241px;">Trypsin</td>
			<td style="width:239px;">Sigma</td>
			<td style="width:154px;">9002-07-7</td>
			<td></td>
		</tr>
		<tr height="21">
			<td height="21" style="height:21px;width:241px;">Vevo 3100</td>
			<td style="width:239px;">VisualSonics</td>
			<td style="width:154px;">NA</td>
			<td></td>
		</tr>
	</tbody>
</table>

machine learning algorithms for early detection of bone metastases in an experimental rat model

Maskinlæringsalgoritmer (ML) gør det muligt at integrere forskellige funktioner i en model for at udføre klassificerings- eller regressionsopgaver med en nøjagtighed, der overstiger dens bestanddele. Denne protokol beskriver udviklingen af en ML algoritme til at forudsige væksten af brystkræft knogle makrometastaser i en rotte model, før eventuelle abnormiteter kan observeres med standard billeddannelse metoder. En sådan algoritme kan gøre det lettere at opdage tidlig metastatisk sygdom (dvs. mikrometastasis), der regelmæssigt oversprås under iscenesættelsesundersøgelser.
Den anvendte metastasemodel er stedsspecifik, hvilket betyder, at rotterne udvikler metastaser udelukkende i deres højre bagben. Modellens tumor-tage sats er 60%-80%, med makrometastaser bliver synlige i magnetisk resonans imaging (MR) og positron emission tomografi / computertomografi (PET / CT) i en delmængde af dyr 30 dage efter induktion, mens en anden delmængde af dyr udviser ingen tumorvækst.
Med udgangspunkt i billedundersøgelser, der er erhvervet på et tidligere tidspunkt, beskriver denne protokol ekstraktionen af funktioner, der indikerer vævsvaskularisering opdaget af MR, glukosemetabolismen ved PET/CT, og den efterfølgende bestemmelse af de mest relevante funktioner til forudsigelse af makrometastatisk sygdom. Disse funktioner er derefter føres ind i en model-gennemsnit neurale netværk (avNNet) til at klassificere dyrene i en af to grupper: en, der vil udvikle metastaser og den anden, der ikke vil udvikle nogen tumorer. Protokollen beskriver også beregningen af standarddiagnosticeringsparametre, såsom generel nøjagtighed, følsomhed, specificitet, negative/positive prædiktive værdier, sandsynlighedsforhold og udvikling af en modtagers driftskarakteristika. En fordel ved den foreslåede protokol er dens fleksibilitet, da den let kan tilpasses til at træne et væld af forskellige ML-algoritmer med justerbare kombinationer af et ubegrænset antal funktioner. Desuden kan det bruges til at analysere forskellige problemer i onkologi, infektion, og betændelse.

Rotterne kom sig hurtigt efter operation og injektion af MDA-MB-231 brystkræftceller og blev derefter udsat for MR- og PET/CT-billeddannelse på dag 10 og 30 PI (Figur 1). En repræsentativ DCE-analyse af en rottes højre proksimale skinneben præsenteres i figur 2A. DCE-råmålingerne blev gemt ved at vælge knappen "Eksporter" og vælge "DCEraw.txt" som filnavn.
Efterfølgende beregninger af de dynamiske parametre,...

Watch this Scientific Journal Video about Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model at JoVE.com

Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model

Denne protokol var designet til at træne en machine learning algoritme til at bruge en kombination af billeddannelse parametre stammer fra magnetisk resonans imaging (MR) og positron emission tomografi / computertomografi (PET / CT) i en rotte model af brystkræft knoglemetastaser til at opdage tidlig metastatisk sygdom og forudsige efterfølgende progression til makrometastaser.

Machine Learning Algoritmer til tidlig påvisning af Bone Metastases i en eksperimentel rotte model

Machine learning (ML) algorithms permit the integration of different features into a model to perform classification or regression tasks with an accuracy ...

Denne protokol letter udviklingen af en maskinlæringsalgoritme til forudsigelse af væksten af knoglemetastaser i en eksperimentel model på det stadium af tidlig organkolonisering. Den største fordel ved denne teknik er, at den kombinerer flere billeddiagnostiske parametre i en maskinlæringsalgoritme, der i væsentlig grad overgår den produktive evne til hver enkelt parameter. Selv om denne protokol har til formål at tidlig diagnosticering af metastaser i knogler, det kan tilpasses til forskellige organer eller områder af multimodal og multiparametrisk billeddannelse forskning.10 dage efter operationen og injektion i en DICOM fremviser med en DCE plugin. Vælg import for at indlæse DCE-sekvensen i 4D-tilstand, og vælg den DICOM-mappe, der indeholder MR-billederne. Placer en cirkulær 1,5 kvadrat millimeter til dimensionelle region af interesse i den proksimale tibial aksel knoglemarv af højre bagben inden for fjerde eller femte MR-billede og vælg relativ forbedring i plottet type.Angiv det oprindelige område fra tidspunkter, et til fem i de respektive felter, og eksportér analysen som en prik TXT-fil med navnet DCE raw dot TXT. Åbn RStudio, og indlæs den medfølgende DCE-scriptdr R-fil. Vælg kode, kør område og kør alle for at køre hele scriptet og kopiere outputtet til den medfølgende billedfunktionersskabelonfil.I DICOM-fremviseren skal du placere en anden interesseregion i dyrets rygmuskel og gentage DCE-målingerne som påvist. I billedfunktionsregnearket vil de respektive knoglemålinger automatisk blive divideret med de respektive muskelmålinger for datanedalisering. For at analysere PET/CT-billederne skal pet/CT-analysesoftwaren og importere PET/CT-billederne.Klik på generel analyse, og vælg interessekvantificeringsområde, opret og opret et interesseområde ud fra en skabelon. Placer en fire af seks millimeter, at dimensionelle region af interesse inden for knoglemarven af den proksimale tibial skaft af højre bagben og vælge regioner af interesse mål en overlay. Bemærk middelværdierne, minimums- og maksimumsværdierne i becquerel pr. milliliter.Divider derefter den maksimale værdi med den injicerede aktivitet, og multiplicer resultatet med dyrets vægt i gram for at beregne den standardiserede optagelsesværdi. At diagnosticere tumor vækstrate i den injicerede bagben. Efter at have fået MR og PET / CT-billeder på dag 30 efter injektion, analysere billederne som påvist og tilføje en tumor kolonne til billedbehandling funktioner regneark.Indtast derefter en en eller nul for dyr med metastase eller uden en synlig tumor byrde hhv. For at bestemme de mest relevante funktioner til forudsigelse af fremtidig tumorvækst skal du importere regnearket til en open source-datavisualiseringsmaskinelæring og dataminingværktøjskasse. Træk filunderrutinen fra datamenuen til arbejdsområdet, og dobbeltklik på filen.Klik på mappeikonet for at indlæse regnearket og vælge regnearket billedfunktioner. Vælg eksportregnearket, og tildel målattributten til variablen tumor. Tildel springfunktionen til dyrenummeret.Træk range-delrutinen ind i arbejdsområdet, og tegn en streg for at oprette forbindelse til filen og rangere underrutiner. Dobbeltklik derefter for at åbne range-delrutinen, og vælg algoritmen til informationsforøgning. Til maskinlæringsanalyse skal du åbne RStudio 3.4.1 og indlæse det medfølgende togmodel R-script.Vælg linje tre til seks i scriptet for at indlæse de nødvendige biblioteker. Klik på kode for at køre den markerede kode, og klik på kør markerede linjer for at køre de markerede linjer. Hvis du vil træne et modelgennemsnit til neural netværkalgoritme, skal du vælge linjer otte til 39 fra togmodellen R-scriptet og klikke på kode og køre udvalgte linjer.Vælg derefter linje 41 til 50 fra togmodellen R-script for at vurdere standardparametrene for diagnostisk nøjagtighed, og klik derefter på kode og kør markerede linjer. På dag 10 efter operation og kræftcelleindsprøjtning kan MR- og PET/CT-billeder erhverves. DCE analyse gør det muligt at måle muskel-og knoglevæv områder af interesse.Disse værdier kan normaliseres ved at dividere knoglemålingerne med muskelmålingerne. På dag 30 efter injektion, alle dyr evalueres for at afgøre, om de har udviklet metasticies med en, der angiver en positiv tumor byrde og et nul angiver raske dyr uden synlige tumorer. Når du kører togmodellen R-scriptet, kan den optimale hyperparameterkombination bestemmes, og den endelige model beregnes ved hjælp af den optimale hyperparameterkombination.Disse data gør det muligt at beregne et sæt standarddiagnosticeringsparametre, og at modellens driftskarakteristikaingskurve for modtageren afbildes. For eksempel, i denne analyse af 28 prøver modellen udfører betydeligt bedre end alle sine tre bestanddele. Flere maskinlæringsalgoritmer har tendens til at klare sig bedre, når inputdataene normaliseres.I denne protokol normaliseres ved hjælp af Box Cox funktion. Denne protokol bruger et modelgennemsnit under netværk som en algoritme til maskinel indlæring. De fastsatte rammer kan dog nemt tilpasses andre algoritmer såsom tilfældige skove eller støtte vektormaskiner.Det er blevet vigtigt at udtrække numeriske oplysninger fra billedmaterialet. Algoritmer som disse kan lette integrationen af store mængder data for at muliggøre patientstratificering.

Research

JoVE Journal

Cancer Research

Intra-iliac Artery Injection for Efficient and Selective Modeling of Microscopic Bone Metastasis

Intra-iliaca Artery Injection til effektiv og selektiv Modellering af mikroskopiske knoglemetastaser

Intra-iliac artery (IIA) injection is an efficient approach to introduce metastatic lesions of various cancer cells in animals. Compared to the widely ...

Murine Experimental Model of Original Tumor Development and Peritoneal Metastasis via Orthotopic Inoculation with Ovarian Carcinoma Cells

Murine Experimental Model of Original Tumor Development and Peritoneal Metastasis via Orthotopic Inoculation with Ovarian Carcinoma Cells

Murine Eksperimentel Model af oprindelige tumor udvikling og Peritoneal Metastase<em&gt; via</em&gt; Orthotopisk Podning med ovariekarcinomceller

Epithelial ovarian carcinoma (EOC) is associated with a poor prognosis because it shows peritoneal dissemination. To improve the prognosis, it is ...

A 3D Organotypic Melanoma Spheroid Skin Model

En 3D Organotypic melanom klumpformet hudmodel

Malignant transformation of melanocytes, the pigment cells of human skin, causes formation of melanoma, a highly aggressive cancer with increased ...

Evaluation of the Feasibility, Safety, and Accuracy of an Intraoperative High-intensity Focused Ultrasound Device for Treating Liver Metastases

Vurdering af gennemførlighed, sikkerhed og nøjagtighed af et intraoperativ højintensive fokuseret ultralyd enhed til behandling af lever metastaser

Today, the only potentially curative option in patients with colorectal liver metastases is surgery. However, liver resection is feasible in less than 20% ...

Three-Dimensional Bone Extracellular Matrix Model for Osteosarcoma

Tre-dimensionelle knogle ekstracellulære Matrix Model for osteosarkom

Osteosarcoma (OS) is the most common and a highly aggressive primary bone tumor. It is characterized with anatomic and histologic variations along with ...

Detection of Lung Tumor Progression in Mice by Ultrasound Imaging

Påvisning af lungetumorprogression hos mus ved ultralydsscanning

With ~1.6 million victims per year, lung cancer contributes tremendously to the worldwide burden of cancer. Lung cancer is partly driven by genetic ...

Quantifying the Brain Metastatic Tumor Micro-Environment using an Organ-On-A Chip 3D Model, Machine Learning, and Confocal Tomography

Kvantificering af hjernen metastatisk tumor mikro-miljø ved hjælp af en organ-on-a chip 3D-model, machine learning, og konfokal tomografi

Brain metastases are the most lethal cancer lesions; 10-30% of all cancers metastasize to the brain, with a median survival of only ~5-20 months, ...

An Orthotopic Resectional Mouse Model of Pancreatic Cancer

En orthotopic Resectional Mouse Model af kræft i bugspytkirtlen

There is a lack of satisfactory animal models to study adjuvant and/or neoadjuvant therapy in patients being considered for surgery of pancreatic cancer ...

Simultaneous Imaging and Flow-Cytometry-based Detection of Multiple Fluorescent Senescence Markers in Therapy-Induced Senescent Cancer Cells

Samtidig billeddannelse og flowcytometribaseret påvisning af flere fluorescerende ældningsmarkører i terapiinducerede senescente kræftceller

Chemotherapeutic drugs can induce irreparable DNA damage in cancer cells, leading to apoptosis or premature senescence. Unlike apoptotic cell death, ...

Experimental Melanoma Immunotherapy Model Using Tumor Vaccination with a Hematopoietic Cytokine

Eksperimentel melanom immunterapi model ved hjælp af tumorvaccination med et hæmatopoietisk cytokin

Fms-like tyrosine kinase 3 ligand (Flt3L) is a hematopoietic cytokine that promotes the survival and differentiation of dendritic cells (DCs). It has been ...