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

Dit werk werd ondersteund door de German Research Foundation (DFG, Collaborative Research Centre CRC 1181, subproject Z02; Prioriteitsprogramma μBone, projecten BA 4027/10-1 en BO 3811), inclusief extra ondersteuning voor de scanapparaten (INST 410/77-1 FUGG en INST 410/93-1GG FU), en door het Emerging Fields Initiative (EFI) "Big Thera" van de Friedrich-Alexander-University Erlangen-Nürnberg.

Alle zorg- en experimentele procedures werden uitgevoerd in overeenstemming met de nationale en regionale wetgeving inzake dierenbescherming en alle dierprocedures werden goedgekeurd door de duitse staatsregering (referentienummer 55.2 DMS-2532-2-228).
1. Inductie van botmetastasen van borstkanker in het rechterachterbeen van naakte ratten
OPMERKING: Elders is een gedetailleerde beschrijving gepubliceerd van de inductie van botmetastasen bij naakte ratten<sup class="x...

<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-algoritmen zijn krachtige tools die worden gebruikt om verschillende voorspellende functies in een gecombineerd model te integreren en een nauwkeurigheid te verkrijgen die groter is dan die van de afzonderlijke bestanddelen wanneer ze alleen worden gebruikt. Toch is het werkelijke resultaat afhankelijk van een aantal kritieke stappen. Ten eerste is het gebruikte ML-algoritme een cruciale factor, omdat verschillende ML-algoritmen verschillende resultaten opleveren. Het algoritme dat in dit protocol wordt gebruikt is ee...

Het doel van dit protocol is om verschillende functionele beeldvormingsparameters van MRI en PET/CT te integreren in een modelgemiddeld neuraal netwerk (avNNet) ML-algoritme. Dit algoritme voorspelt de groei van macrometastasen in een ratmodel van botmetastasen van borstkanker op een vroeg moment, wanneer macroscopische veranderingen in het bot nog niet zichtbaar zijn.
Voorafgaand aan de groei van macrometastasen treedt een beenmerginvasie van verspreide tumorcellen op, meestal aangeduid als micrometastatische ziekte1,2. Deze eerste invasie kan worden beschouwd als een vroege stap in uitgezaaide ziekte, maar wordt meestal gemist tijdens conventionele enscenering onderzoeken3,4. Hoewel de thans beschikbare beeldvormingsmodaliteiten geen beenmergmicro-invasie kunnen detecteren wanneer ze alleen worden gebruikt, is aangetoond dat een combinatie van beeldvormingsparameters die informatie opleveren over vascularisatie en metabole activiteit beterpresteren 5. Dit complementaire voordeel wordt bereikt door het combineren van verschillende beeldvormingsparameters in een avNNet, dat is een ML-algoritme. Een dergelijke avNNet zorgt voor de betrouwbare voorspelling van bot macrometastasen vorming voordat er zichtbare metastasen aanwezig zijn. Daarom kan de integratie van beeldvormingsbiomarkers in een avNNet dienen als surrogaatparameter voor beenmergmicro-invasie en vroege gemetastasure ziekte.
Voor de ontwikkeling van het protocol werd een eerder beschreven model van botmetastasen met borstkanker bij naakte ratten gebruikt6,7,8. Het voordeel van dit model is de site-specificiteit, wat betekent dat de dieren benige metastasen uitsluitend ontwikkelen in hun rechterachterbeen. Echter, de tumor-take rate van deze aanpak is 60%-80%, dus een aanzienlijk aantal van de dieren ontwikkelen geen uitzaaiingen tijdens de studie. Met behulp van beeldvormingsmodaliteiten zoals MRI en PET/CT is de aanwezigheid van metastasen vanaf dag 30 nainjectie (PI) aantoonbaar. Op eerdere punten (bijvoorbeeld 10 PI) maakt beeldvorming geen onderscheid tussen dieren die uitgezaaide ziekten zullen ontwikkelen en die niet (figuur 1).
Een avNNet getraind op functionele imaging parameters verworven op dag 10 PI, zoals beschreven in het volgende protocol, betrouwbaar voorspelt of sluit de groei van macrometastasen binnen de volgende ~ 3 weken. Neurale netwerken combineren kunstmatige knooppunten binnen verschillende lagen. In het studieprotocol vertegenwoordigen de functionele beeldvormingsparameters voor beenmergbloedtoevoer en metabole activiteit de onderste laag, terwijl de voorspelling van maligniteit de bovenste laag vertegenwoordigt. Een extra tussenlaag bevat verborgen knooppunten die zijn verbonden met zowel de boven- als de onderste laag. De sterkte van de verbindingen tussen de verschillende knooppunten wordt bijgewerkt tijdens de training van het netwerk om de respectieve classificatietaak met hoge nauwkeurigheid uit te voeren9. De nauwkeurigheid van een dergelijk neuraal netwerk kan verder worden verhoogd door middeling van de uitgangen van verschillende modellen, wat resulteert in een 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

Machine learning (ML)-algoritmen maken het mogelijk om verschillende functies in een model te integreren om classificatie- of regressietaken uit te voeren met een nauwkeurigheid die de bestanddelen overschrijdt. Dit protocol beschrijft de ontwikkeling van een ML-algoritme om de groei van borstkankerbotmacrometastasen in een ratmodel te voorspellen voordat afwijkingen waarneembaar zijn met standaard beeldvormingsmethoden. Een dergelijk algoritme kan de detectie vergemakkelijken van vroege gemetastaseerde ziekte (d.w.z. micrometastase) die regelmatig wordt gemist tijdens ensceneringsonderzoeken.
Het toegepaste metastasemodel is sitespecifiek, wat betekent dat de ratten uitsluitend uitzaaiingen ontwikkelen in hun rechterachterbeen. De tumor-take rate van het model is 60%-80%, waarbij macrometastasen zichtbaar worden in magnetic resonance imaging (MRI) en positron emissietomografie/computertomografie (PET/CT) in een subset van dieren 30 dagen na inductie, terwijl een tweede deel van de dieren geen tumorgroei vertoont.
Uitgaande van beeldonderzoeken die op een eerder tijdstip zijn verworven, beschrijft dit protocol de extractie van kenmerken die wijzen op weefselvasculaireisatie gedetecteerd door MRI, glucosemetabolisme door PET/CT, en de daaropvolgende bepaling van de meest relevante functies voor de voorspelling van macrometastatische ziekte. Deze functies worden vervolgens ingevoerd in een modelgemiddelde neurale netwerk (avNNet) om de dieren te classificeren in een van de twee groepen: een die uitzaaiingen zal ontwikkelen en de andere die geen tumoren zal ontwikkelen. Het protocol beschrijft ook de berekening van standaard diagnostische parameters, zoals algehele nauwkeurigheid, gevoeligheid, specificiteit, negatieve / positieve voorspellende waarden, waarschijnlijkheidsverhoudingen en de ontwikkeling van een ontvanger bedrijfskenmerk. Een voordeel van het voorgestelde protocol is de flexibiliteit, omdat het gemakkelijk kan worden aangepast om een overvloed aan verschillende ML-algoritmen te trainen met aanpasbare combinaties van een onbeperkt aantal functies. Bovendien kan het worden gebruikt om verschillende problemen in oncologie, infectie en ontsteking te analyseren.

De ratten herstelden snel van de operatie en injectie van de MDA-MB-231 borstkankercellen en werden vervolgens onderworpen aan MR- en PET/CT-beeldvorming op dag 10 en 30 PI(figuur 1). Een representatieve DCE-analyse van het rechter proximale tibia van een rat wordt gepresenteerd in figuur 2A. De DCE raw metingen werden opgeslagen door de knopExporterente selecteren en "DCEraw.txt" als bestandsnaam te kiezen.
Latere be...

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

Dit protocol is ontworpen om een machine learning-algoritme te trainen om een combinatie van beeldvormingsparameters te gebruiken die zijn afgeleid van magnetic resonance imaging (MRI) en positron emissietomografie/computertomografie (PET/CT) in een ratmodel van botmetastasen van borstkanker om vroege gemetastaseerde ziekte op te sporen en latere progressie naar macrometastasen te voorspellen.

Machine Learning-algoritmen voor vroegtijdige opsporing van botmetastasen in een experimenteel ratmodel

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

Dit protocol vergemakkelijkt de ontwikkeling van een machine learning-algoritme voor het voorspellen van de groei van botmetastasen in een experimenteel model in het stadium van vroege orgaankolonisatie. Het belangrijkste voordeel van deze techniek is dat het verschillende beeldvormingsparameters combineert in een machine learning-algoritme dat aanzienlijk beter presteert dan het productieve vermogen van elke afzonderlijke parameter. Hoewel dit protocol gericht is op de vroege diagnose van metastasen in het bot, kan het worden aangepast aan verschillende organen of gebieden van multimodaal en multiparametrisch beeldvormingsonderzoek.10 dagen na de operatie en injectie in een DICOM viewer met een DCE plugin. Kies importeren om de DCE-reeks in de 4D-modus te laden en selecteer de DICOM-map met de MRI-beelden. Plaats een cirkelvormige 1,5 vierkante millimeter aan het dimensionale gebied van belang in de proximale scheenschacht beenmerg van het rechter achterbeen binnen de vierde of vijfde MRI-afbeelding en selecteer relatieve verbetering in het plottype.Voer het basislijnbereik in van tijdstippen, één tot vijf in de respectievelijke velden en exporteer de analyse als een punt TXT-bestand met de naam DCE raw dot TXT. Open RStudio en laad het meegeleverde DCE-script dot R-bestand. Selecteer code, voer het gebied uit en voer alles uit om het hele script uit te voeren en kopieer de uitvoer naar het meegeleverde sjabloonbestand voor beeldvormende functies.Plaats in de DICOM-viewer een tweede interessegebied in de rugspier van het dier en herhaal de DCE-metingen zoals aangetoond. In de beeldfunctie spreadsheet de respectieve botmetingen worden automatisch gedeeld door de respectieve spiermetingen voor gegevens normalisatie. Om de PET/CT-beelden te analyseren, open je de PET/CT-analysesoftware en importeer je de PET/CT-beelden.Klik op algemene analyse en selecteer regio van belang kwantificering, maak en maak een interessegebied op basis van een sjabloon. Plaats een vier bij zes millimeter, naar dimensionale regio van belang binnen het beenmerg van de proximale scheenschacht van het rechter achterbeen en selecteer gebieden van belang doel een overlay. Let op de gemiddelde, minimale en maximumwaarden in becquerels per milliliter.Verdeel vervolgens de maximale waarde door de geïnjecteerde activiteit en vermenigvuldig het resultaat met het diergewicht in grammen om de gestandaardiseerde opnamewaarde te berekenen. Om de tumorgroei in het geïnjecteerde achterbeen te diagnosticeren. Na het verkrijgen van MRI en PET / CT-beelden op dag 30 na de injectie, analyseren van de beelden zoals aangetoond en voeg een tumor kolom aan de beeldvorming functies spreadsheet.Voer dan een een of nul voor dieren met metastase of zonder een zichtbare tumor last respectievelijk. Als u de meest relevante functies wilt bepalen voor de voorspelling van toekomstige tumorgroei, importeert u de spreadsheet in een open source datavisualisatie machine learning en data mining toolkit. Sleep de bestandssubroutine uit het gegevensmenu naar de werkruimte en dubbelklik op het bestand.Klik op het mappictogram om de spreadsheet te laden en selecteer de spreadsheet met beeldfuncties. Selecteer het exportwerkblad en wijs het doelkenmerk toe aan de variabele tumor. Wijs de overslaan-functie toe aan het dierennummer.Sleep de subroutine rang in de werkruimte en teken een lijn om verbinding te maken met het bestand en subroutines te rangschikken. Dubbelklik vervolgens om de subroutine van de rang te openen en het algoritme voor informatieverdwintiging te selecteren. Open RStudio 3.4.1 voor machine learning-analyse en laad het meegeleverde treinmodel R-script.Selecteer lijnen drie tot en met zes in het script om de vereiste bibliotheken te laden. Klik op code om de geselecteerde code uit te voeren en klik op geselecteerde regels uitvoeren om de geselecteerde regels uit te voeren. Als u een modelgemiddelde wilt trainen tot een algoritme voor neuraal netwerk, selecteert u lijnen acht tot en met 39 uit het model R-treinmodel en klikt u op code en voert u geselecteerde lijnen uit.Selecteer vervolgens de lijnen 41 tot en met 50 van het model R-model van het treinmodel R om de standaardparameters van diagnostische nauwkeurigheid te beoordelen en geselecteerde regels uit te voeren. Op dag 10 na de operatie en kankercelinjectie kunnen MRI- en PET/CT-beelden worden aangeschaft. DCE-analyse maakt het mogelijk om spier- en botweefselgebieden te meten.Deze waarden kunnen worden genormaliseerd door de botmetingen te delen door de spiermetingen. Op dag 30 na de injectie worden alle dieren geëvalueerd om te bepalen of ze metasticies hebben ontwikkeld met een een die wijst op een positieve tumorlast en een nul die gezonde dieren aangeeft zonder zichtbare tumoren. Als u het treinmodel R-script uitvoert, kan de optimale hyperparametercombinatie worden bepaald en kan het uiteindelijke model worden berekend met behulp van de optimale hyperparametercombinatie.Deze gegevens maken het mogelijk een set standaarddiagnostische parameters te berekenen en de kenmerkende curve van het model te plotten. Bijvoorbeeld, in deze analyse van 28 monsters het model presteert aanzienlijk beter dan alle van de drie bestanddelen. Verschillende machine learning-algoritmen presteren meestal beter wanneer de invoergegevens worden genormaliseerd.In dit protocol wordt normalisatie bereikt met behulp van de Box Cox-functie. Dit protocol gebruikt een modelgemiddelde tijdens het netwerk als een machine learning-algoritme. Het meegeleverde framework kan echter eenvoudig worden aangepast aan andere algoritmen, zoals willekeurige bossen of ondersteuningsvectormachines.Het extraheren van numerieke informatie uit beeldmateriaal is essentieel geworden. Algoritmen zoals deze kunnen de integratie van grote hoeveelheden gegevens vergemakkelijken om de gelaagdheid van patiënten mogelijk te maken.

Research

JoVE Journal

Cancer Research

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

Intra-iliaca Injectie voor Efficiënte en Selectieve Modellering van Microscopisch botmetastase

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 Experimental Model van de oorspronkelijke tumor Ontwikkeling en peritoneale metastase<em&gt; via</em&gt; Orthotope Inenting met ovariumcarcinoom Cells

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

Een 3D Organotypic melanoom sferoïde huidmodel

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

Evaluatie van de haalbaarheid, veiligheid en nauwkeurigheid van een intraoperatieve High-intensity gericht echografie apparaat voor de behandeling van lever metastasen

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

Driedimensionale bot extracellulaire Matrix Model voor Osteosarcoom

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

Detectie van longtumorprogressie bij muizen door echografie

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

Kwantificeren van de Brain Gemetastatische Tumor Micro-Environment met behulp van een Organ-On-A Chip 3D Model, Machine Learning en Confocal Tomography

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

Een orthotopisch resectiemuismodel van alvleesklierkanker

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

Gelijktijdige beeldvorming en flowcytometrie-gebaseerde detectie van meerdere fluorescerende senescentiemarkers in therapie-geïnduceerde senescente kankercellen

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

Experimenteel melanoom immunotherapiemodel met behulp van tumorvaccinatie met een hematopoëtisch cytokine

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