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

Ce travail a été soutenu par la Fondation allemande de recherche (DFG, Collaborative Research Centre CRC 1181, sous-projet Z02; Programme prioritaire μBone, projets BA 4027/10-1 et BO 3811), y compris un soutien supplémentaire pour les dispositifs de numérisation (INST 410/77-1 FUGG et INST 410/93-1 FUGG), et par l’Initiative des champs émergents (EFI) « Big Thera » de la Friedrich-Alexander-University Erlanen-Nürnberg.

Tous les soins et procédures expérimentales ont été effectués conformément à la législation nationale et régionale en matière de protection des animaux, et toutes les procédures animales ont été approuvées par le Gouvernement d’État de Franconie, en Allemagne (numéro de référence 55.2 DMS-2532-2-228).
1. Induction des métastases osseuses de cancer du sein dans la jambe arrière droite des rats nus
NOTE: Une description détaillée de l’induction...

<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>

Les algorithmes ML sont des outils puissants utilisés pour intégrer plusieurs fonctionnalités prédictives dans un modèle combiné et obtenir une précision supérieure à celle de ses constituants distincts lorsqu’ils sont utilisés seuls. Néanmoins, le résultat réel dépend de plusieurs étapes critiques. Tout d’abord, l’algorithme ML utilisé est un facteur crucial, car différents algorithmes ML donnent des résultats différents. L’algorithme utilisé dans ce protocole est un avNNet, mais d’autres a...

Le but de ce protocole est d’intégrer plusieurs paramètres d’imagerie fonctionnelle de l’IRM et du PET/CT dans un algorithme ML de réseau neuronal moyenné par le modèle (avNNet). Cet algorithme prédit la croissance des macrométastases dans un modèle de rat des métastases osseuses de cancer du sein à un moment précoce, quand les changements macroscopiques dans l’os ne sont pas encore visibles.
Avant la croissance des macrométastases, une invasion de moelle osseuse des cellules tumorales disséminées se produit, communément appelé maladie micrométastatique1,2. Cette invasion initiale peut être considérée comme une première étape dans la maladie métastatique, mais est généralement manquée lors des examens de mise en scène classiques3,4. Bien que les modalités d’imagerie actuellement disponibles ne puissent pas détecter la microinvasion de moelle osseuse lorsqu’elles sont utilisées seules, il a été démontré qu’une combinaison de paramètres d’imagerie donnant des informations sur la vascularisation et l’activité métabolique a été montrée pour mieux fonctionner5. Cet avantage complémentaire est réalisé en combinant différents paramètres d’imagerie dans un avNNet, qui est un algorithme ML. Un tel avNNet permet la prédiction fiable de la formation de macrométastases osseuses avant la présence de métastases visibles. Par conséquent, l’intégration de biomarqueurs d’imagerie dans un avNNet pourrait servir de paramètre de substitution pour la microinvasion de moelle osseuse et la maladie métastatique précoce.
Pour développer le protocole, un modèle précédemment décrit des métastases osseuses de cancer du sein dans les rats nus a été employé6,7,8. L’avantage de ce modèle est sa spécificité de site, ce qui signifie que les animaux développent des métastases osseuses exclusivement dans leur patte arrière droite. Cependant, le taux de prise de tumeur de cette approche est de 60%–80%, ainsi un nombre considérable des animaux ne développent aucune métastase pendant l’étude. En utilisant des modalités d’imagerie telles que l’IRM et le PET/CT, la présence de métastases est détectable dès le jour 30 post-injection (PI). À des moments plus précoces (p. ex., 10 PI), l’imagerie ne fait pas de distinction entre les animaux qui développeront une maladie métastatique et ceux qui ne le feront pas (figure 1).
Un avNNet formé sur les paramètres d’imagerie fonctionnelle acquis le jour 10 PI, tel que décrit dans le protocole suivant, prédit ou exclut de manière fiable la croissance des macrométastases dans les ~3 semaines suivantes. Les réseaux neuronaux combinent des nœuds artificiels au sein de différentes couches. Dans le protocole d’étude, les paramètres fonctionnels d’imagerie pour l’approvisionnement en sang de moelle osseuse et l’activité métabolique représentent la couche inférieure, tandis que la prédiction de la malignité représente la couche supérieure. Une couche intermédiaire supplémentaire contient des nœuds masqués qui sont connectés à la couche supérieure et à la couche inférieure. La force des connexions entre les différents nœuds est mise à jour lors de la formation du réseau pour effectuer la tâche de classification respective avec une grande précision9. La précision d’un tel réseau neuronal peut être encore augmentée en faisant la moyenne des sorties de plusieurs modèles, résultant en un 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

Les algorithmes d’apprentissage automatique (ML) permettent l’intégration de différentes fonctionnalités dans un modèle pour effectuer des tâches de classification ou de régression avec une précision supérieure à ses constituants. Ce protocole décrit le développement d’un algorithme de ML pour prédire la croissance des macrométastases d’os de cancer du sein dans un modèle de rat avant que toutes les anomalies soient observables avec des méthodes standard d’imagerie. Un tel algorithme peut faciliter la détection de la maladie métastatique précoce (c.-à-d. la micrométastase) qui est régulièrement manquée lors des examens de mise en scène.
Le modèle de métastase appliqué est spécifique au site, ce qui signifie que les rats développent des métastases exclusivement dans leur patte arrière droite. Le taux de prise de tumeur du modèle est de 60%–80%, avec des macrométastases devenant visibles dans l’imagerie par résonance magnétique (IRM) et la tomographie par émission de positrons /tomographie calculée (PET/CT) dans un sous-ensemble d’animaux 30 jours après l’induction, alors qu’un deuxième sous-ensemble d’animaux ne présentent aucune croissance tumorale.
À partir des examens d’image acquis à un moment plus précoce, ce protocole décrit l’extraction des dispositifs qui indiquent la vascularisation tissulaire détectée par MRI, le métabolisme de glucose par PET/CT, et la détermination suivante des dispositifs les plus pertinents pour la prévision de la maladie macrométastatique. Ces caractéristiques sont ensuite introduites dans un réseau neuronal moyen -- avNNet) pour classer les animaux en l’un des deux groupes : l’un qui développera des métastases et l’autre qui ne développera aucune tumeur. Le protocole décrit également le calcul de paramètres diagnostiques standard, tels que l’exactitude globale, la sensibilité, la spécificité, les valeurs prédictives négatives/positives, les ratios de probabilité et le développement d’une caractéristique de fonctionnement du récepteur. Un avantage du protocole proposé est sa flexibilité, car il peut être facilement adapté pour former une pléthore de différents algorithmes ML avec des combinaisons réglables d’un nombre illimité de fonctionnalités. En outre, il peut être utilisé pour analyser différents problèmes en oncologie, infection et inflammation.

Les rats se sont rapidement rétablis de la chirurgie et de l’injection des cellules cancéreuses du sein MDA-MB-231 et ont ensuite été soumis à l’imagerie MR- et PET/CT les jours 10 et 30 PI (figure 1). Une analyse représentative du tibia proximal droit d’un rat est présentée à la figure 2A. Les mesures brutes DCE ont été enregistrées en sélectionnant le bouton «Exporter» et en choisissant « DCEraw.txt » comme nom de fichie...

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

Ce protocole a été conçu pour former un algorithme d’apprentissage automatique à utiliser une combinaison de paramètres d’imagerie dérivés de l’imagerie par résonance magnétique (IRM) et de la tomographie par émission de positrons/tomographie calculée (PET/CT) dans un modèle de rat de métastases osseuses du cancer du sein pour détecter la maladie métastatique précoce et prédire la progression ultérieure des macrométastases.

Algorithmes d’apprentissage automatique pour la détection précoce des métastases osseuses dans un modèle de rat expérimental

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

Ce protocole facilite le développement d’un algorithme d’apprentissage automatique pour prédire la croissance des métastases osseuses dans un modèle expérimental au stade de la colonisation précoce des organes. Le principal avantage de cette technique est qu’elle combine plusieurs paramètres d’imagerie en un algorithme d’apprentissage automatique qui surpasse considérablement la capacité productive de chaque paramètre individuel. Bien que, ce protocole vise le diagnostic précoce des métastases dans l’os, il peut être adapté à différents organes ou domaines de la recherche multimodale et multiparamétrique d’imagerie.10 jours après la chirurgie et l’injection dans un visionneuse DICOM avec un plugin DCE. Choisissez l’importation pour charger la séquence DCE en mode 4D et sélectionnez le dossier DICOM contenant les images IRM. Placez un millimètre carré circulaire à la région dimensionnelle d’intérêt dans la moelle osseuse proximale de l’arbre tibial de la jambe arrière droite dans la quatrième ou cinquième image IRM et sélectionnez l’amélioration relative dans le type de parcelle.Entrez la plage de référence des points de temps, un à cinq dans les champs respectifs et exportez l’analyse sous la forme d’un fichier TXT à points nommé DCE raw dot TXT. Ouvrez RStudio et chargez le fichier DCE script dot R fourni. Sélectionnez le code, exécutez la région et exécutez le tout pour exécuter l’ensemble du script et copiez la sortie vers le fichier de modèle de fonctionnalités d’imagerie fourni.Dans la visionneuse DICOM, placez une deuxième région d’intérêt dans le muscle arrière de l’animal et répétez les mesures de DCE telles qu’démontrées. Dans la feuille de calcul des caractéristiques d’imagerie, les mesures osseuses respectives seront automatiquement divisées par les mesures musculaires respectives pour la normalisation des données. Pour analyser les images PET/CT, ouvrez le logiciel d’analyse PET/CT et importez les images PET/CT.Cliquez sur l’analyse générale et sélectionnez la quantification de la région d’intérêt, créez et créez une région d’intérêt à partir d’un modèle. Placez une région d’intérêt dimensionnelle de quatre par six millimètres dans la moelle osseuse de l’arbre tibial proximal de la jambe arrière droite et certaines régions d’intérêt ciblent une superposition. Notez les valeurs moyennes, minimales et maximales en becquerels par millilitre.Ensuite, divisez la valeur maximale par l’activité injectée et multipliez le résultat par le poids de l’animal en grammes pour calculer la valeur d’absorption normalisée. Pour diagnostiquer le taux de croissance tumoral dans la patte arrière injectée. Après avoir obtenu des images d’IRM et de TEP/TEP le jour 30 après l’injection, analyser les images telles qu’elles ont été démontrées et ajouter une colonne tumorale à la feuille de calcul des caractéristiques d’imagerie.Ensuite, entrez un ou zéro pour les animaux ayant une métastase ou sans charge tumorale visible respectivement. Pour déterminer les caractéristiques les plus pertinentes pour la prédiction de la croissance future des tumeurs, importez la feuille de calcul dans une machine d’apprentissage automatique de visualisation de données open source et une boîte à outils d’exploration de données. Faites glisser la sous-routine de fichier à partir du menu de données dans l’espace de travail et cliquez deux fois sur le fichier.Cliquez sur l’icône du dossier pour charger la feuille de calcul et sélectionner la feuille de calcul des fonctionnalités d’imagerie. Sélectionnez la feuille de travail d’exportation et attribuez l’attribut cible à la tumeur variable. Attribuez la fonction de saut au numéro d’animal.Faites glisser la sous-routine de rang dans l’espace de travail et tracez une ligne pour vous connecter au fichier et classer les sous-routines. Ensuite, double clic pour ouvrir la sous-routine de rang et sélectionner l’algorithme de gain d’information. Pour l’analyse de l’apprentissage automatique, ouvrez RStudio 3.4.1 et chargez le script R du modèle de train fourni.Sélectionnez les lignes trois à six dans le script pour charger les bibliothèques requises. Cliquez sur le code pour exécuter le code sélectionné et cliquez sur exécuter des lignes sélectionnées pour exécuter les lignes sélectionnées. Pour former une moyenne de modèle à l’algorithme de réseau neuronal, sélectionnez des lignes huit à 39 à partir du script de modèle de train R et cliquez sur le code et exécutez des lignes sélectionnées.Ensuite, pour évaluer les paramètres standard de précision diagnostique, sélectionnez les lignes 41 à 50 à partir du script R du modèle de train et cliquez sur le code et exécutez des lignes sélectionnées. Le jour 10 après la chirurgie et l’injection de cellules cancéreuses, des images d’IRM et de PET/CT peuvent être acquises. L’analyse du DCE permet de mesurer les zones d’intérêt des tissus musculaires et osseux.Ces valeurs peuvent être normalisées en divisant les mesures osseuses par les mesures musculaires. Le jour 30 post-injection, tous les animaux sont évalués pour déterminer s’ils ont développé des métaasticies avec un indiquant un fardeau positif de tumeur et un zéro indiquant des animaux sains sans tumeurs visibles. L’exécution du script R du modèle de train permet de déterminer la combinaison optimale d’hypermètres et de calculer le modèle final à l’aide de la combinaison optimale d’hypermètres.Ces données permettent de calculer un ensemble de paramètres diagnostiques standard et de tracer la courbe caractéristique d’exploitation du récepteur du modèle. Par exemple, dans cette analyse de 28 échantillons, le modèle est nettement plus performant que ses trois constituants. Plusieurs algorithmes d’apprentissage automatique ont tendance à mieux fonctionner lorsque les données d’entrée sont normalisées.Dans ce protocole, la normalisation est réalisée à l’aide de la fonction Box Cox. Ce protocole utilise une moyenne de modèle pendant le réseau comme algorithme d’apprentissage automatique. Toutefois, le cadre fourni peut facilement être adapté à d’autres algorithmes tels que les forêts aléatoires ou les machines vectorielles de soutien.L’extraction d’informations numériques à partir de matériel d’image est devenue essentielle. Des algorithmes comme ceux-ci peuvent faciliter l’intégration de grandes quantités de données pour permettre la stratification des patients.

Research

JoVE Journal

Cancer Research

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

Intra-iliaque Artère injection pour la modélisation efficace et sélective des métastases osseuses Microscopique

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

Recherche

Recherche en cancérologie

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

Murin modèle expérimental de tumeur de développement original et péritonéale Métastase<em&gt; via</em&gt; Orthotopique Inoculation avec des cellules de l&#39;ovaire Carcinome

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

Un modèle de peau 3D organotypique mélanome sphéroïde

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

Évaluation de la faisabilité, la sécurité et l’exactitude d’une haute intensité peropératoire a porté l’appareil à ultrasons pour le traitement des métastases hépatiques

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

Modèle de matrice extracellulaire OS en trois dimensions pour l’ostéosarcome

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

Détection de la progression des tumeurs pulmonaires chez les souris par imagerie par ultrasons

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

Quantification du micro-environnement de tumeur métastatique du cerveau à l’aide d’un modèle 3D à puce d’organe sur une puce, d’apprentissage automatique et de tomographie confocale

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

Un modèle murin de résection orthotopique du cancer du pancréas

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

Imagerie simultanée et détection par cytométrie en flux de plusieurs marqueurs de sénescence fluorescents dans les cellules cancéreuses sénescentes induites par le traitement

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

Modèle expérimental d’immunothérapie du mélanome utilisant la vaccination tumorale avec une cytokine hématopoïétique

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