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

Diese Arbeit wurde von der Deutschen Forschungsgemeinschaft (DFG, Sonderforschungsbereich CRC 1181, Teilprojekt Z02; Schwerpunktprogramm "Knochen", Projekte BA 4027/10-1 und BO 3811), einschließlich zusätzlicher Unterstützung für die Scangeräte (INST 410/77-1 FUGG und INST 410/93-1 FUGG) sowie durch die Emerging Fields Initiative (EFI) "Big Thera" der Friedrich-Alexander-Universität Erlangen-Nürnberg.

Alle Pflege- und Versuchsverfahren wurden in Übereinstimmung mit den nationalen und regionalen Tierschutzvorschriften durchgeführt, und alle Tierverfahren wurden von der Landesregierung Von Franken genehmigt (Referenznummer 55,2 DMS-2532-2-228).
1. Induktion von Brustkrebsknochenmetastasen im rechten Hinterbein von nackten Ratten
HINWEIS: Eine detaillierte Beschreibung der Induktion von Brustkrebsknochenmetastasen bei nackten Ratten wurde an anderer Stelle veröffen...

<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-Algorithmen sind leistungsstarke Werkzeuge, die verwendet werden, um mehrere prädiktive Features in ein kombiniertes Modell zu integrieren und eine Genauigkeit zu erhalten, die die ihrer einzelnen Bestandteile übertrifft, wenn sie allein verwendet werden. Dennoch hängt das tatsächliche Ergebnis von mehreren kritischen Schritten ab. Erstens ist der verwendete ML-Algorithmus ein entscheidender Faktor, da verschiedene ML-Algorithmen unterschiedliche Ergebnisse liefern. Der in diesem Protokoll verwendete Algorithmus i...

Der Zweck dieses Protokolls ist es, mehrere funktionale Bildgebungsparameter aus MRT und PET/CT in einen modellgemittelten neuronalen Netzwerk(avNNet) ML-Algorithmus zu integrieren. Dieser Algorithmus sagt das Wachstum von Makrometastasen in einem Rattenmodell von Brustkrebsknochenmetastasen zu einem frühen Zeitpunkt voraus, wenn makroskopische Veränderungen innerhalb des Knochens noch nicht sichtbar sind.
Vor dem Wachstum von Makrometastasen tritt eine Knochenmarkinvasion von disseminierten Tumorzellen auf, die gemeinhin als mikrometastasierende Erkrankung1,2bezeichnet wird. Diese anfängliche Invasion kann als ein früher Schritt in der metastasierenden Krankheit betrachtet werden, wird aber in der Regel bei herkömmlichenInszenierungsuntersuchungen3,4übersehen. Obwohl die derzeit verfügbaren bildgebenden Modalitäten die Mikroinvasion des Knochenmarks nicht erkennen können, wenn sie allein verwendet werden, hat sich gezeigt, dass eine Kombination von bildgebenden Parametern, die Informationen über Vaskularisation und stoffwechselaktivität liefern,besser5 funktioniert. Dieser ergänzende Nutzen wird durch die Kombination verschiedener Bildparameter zu einem avNNet, einem ML-Algorithmus, erreicht. Ein solches avNNet ermöglicht die zuverlässige Vorhersage der Knochenmakrometastasenbildung, bevor sichtbare Metastasen vorhanden sind. Daher könnte die Integration von bildgebenden Biomarkern in ein avNNet als Ersatzparameter für die Mikroinvasion des Knochenmarks und frühe metastasierende Erkrankungen dienen.
Zur Entwicklung des Protokolls wurde ein zuvor beschriebenes Modell von Brustkrebsknochenmetastasen bei nackten Ratten6,7,8verwendet. Der Vorteil dieses Modells ist seine Standortspezifität, was bedeutet, dass die Tiere knöcherne Metastasen ausschließlich in ihrem rechten Hinterbein entwickeln. Die Tumoraufnahmerate dieses Ansatzes liegt jedoch bei 60 %–80 %, so dass eine beträchtliche Anzahl der Tiere während der Studie keine Metastasen entwickelt. Anhand von bildgebenden Verfahren wie MRT und PET/CT ist das Vorhandensein von Metastasen ab Tag 30 nach der Injektion (PI) nachweisbar. Zu einem früheren Zeitpunkt (z. B. 10 PI) unterscheidet die Bildgebung nicht zwischen Tieren, die eine metastasierende Krankheit entwickeln, und solchen, die nicht auftreten(Abbildung 1).
Ein avNNet, der auf funktionellebildende Parameter trainiert, die am Tag 10 PI erfasst wurden, wie im folgenden Protokoll beschrieben, sagt das Wachstum von Makrometastasen innerhalb der folgenden 3 Wochen zuverlässig voraus oder schließt es aus. Neurale Netzwerke kombinieren künstliche Knoten in verschiedenen Schichten. Im Studienprotokoll stellen die funktionellen bildgebenden Parameter für die Blutversorgung und metabolische Aktivität des Knochenmarks die untere Schicht dar, während die Vorhersage der Malignität die oberste Schicht darstellt. Eine zusätzliche Zwischenebene enthält ausgeblendete Knoten, die sowohl mit der oberen als auch mit der unteren Ebene verbunden sind. Die Stärke der Verbindungen zwischen den verschiedenen Knoten wird während des Trainings des Netzwerks aktualisiert, um die jeweilige Klassifizierungsaufgabe mit hoher Genauigkeitauszuführen 9. Die Genauigkeit eines solchen neuronalen Netzwerks kann durch die Mittelung der Ausgänge mehrerer Modelle weiter erhöht werden, was zu einem avNNet10führt.

<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)-Algorithmen ermöglichen die Integration verschiedener Features in ein Modell, um Klassifizierungs- oder Regressionsaufgaben mit einer Genauigkeit durchzuführen, die ihre Bestandteile überschreitet. Dieses Protokoll beschreibt die Entwicklung eines ML-Algorithmus, um das Wachstum von Brustkrebsknochenmetastasen in einem Rattenmodell vorherzusagen, bevor Anomalien mit Standard-Bildgebungsmethoden beobachtet werden können. Ein solcher Algorithmus kann die Erkennung von frühen metastasierenden Erkrankungen (d. h. Mikrometastasen) erleichtern, die bei Staging-Untersuchungen regelmäßig übersehen werden.
Das angewandte Metastasenmodell ist standortspezifisch, was bedeutet, dass die Ratten Metastasen ausschließlich in ihrem rechten Hinterbein entwickeln. Die Tumoraufnahmerate des Modells liegt bei 60%–80%, wobei Makrometastasen in der Magnetresonanztomographie (MRT) und der Positronenemissionstomographie/Computertomographie (PET/CT) in einer Teilmenge von Tieren 30 Tage nach der Induktion sichtbar werden, während eine zweite Teilmenge von Tieren kein Tumorwachstum aufweist.
Ausgehend von Bilduntersuchungen, die zu einem früheren Zeitpunkt erfasst wurden, beschreibt dieses Protokoll die Extraktion von Merkmalen, die auf eine durch MRT erkannte Gewebevaskularisation, den Glukosestoffwechsel durch PET/CT und die anschließende Bestimmung der relevantesten Merkmale für die Vorhersage makrometastasierender Erkrankungen hinweisen. Diese Merkmale werden dann in ein modellgemitteltes neuronales Netzwerk (avNNet) eingespeist, um die Tiere in eine von zwei Gruppen einzuteilen: eine, die Metastasen entwickelt, und die andere, die keine Tumore entwickelt. Das Protokoll beschreibt auch die Berechnung von Standard-Diagnoseparametern, wie Gesamtgenauigkeit, Empfindlichkeit, Spezifität, negative/positive Vorhersagewerte, Wahrscheinlichkeitsverhältnisse und die Entwicklung eines Empfängerbetriebsmerkmals. Ein Vorteil des vorgeschlagenen Protokolls ist seine Flexibilität, da es leicht angepasst werden kann, um eine Vielzahl von verschiedenen ML-Algorithmen mit einstellbaren Kombinationen einer unbegrenzten Anzahl von Funktionen zu trainieren. Darüber hinaus kann es verwendet werden, um verschiedene Probleme in der Onkologie zu analysieren, Infektion, und Entzündungen.

Die Ratten erholten sich schnell von der Operation und Injektion der MDA-MB-231 Brustkrebszellen und wurden dann an den Tagen 10 und 30 PI der MR- und PET/CT-Bildgebung unterzogen (Abbildung 1). Eine repräsentative DCE-Analyse der rechten proximalen Tibia einer Ratte ist in Abbildung 2Adargestellt. Die DCE-Rohmessungen wurden gespeichert, indem Sie die Schaltfläche "Exportieren" und "DCEraw.txt" als Dateinamen wählten.
<p class="jove_cont...

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

Dieses Protokoll wurde entwickelt, um einen Machine Learning-Algorithmus zu trainieren, um eine Kombination von bildgebenden Parametern zu verwenden, die aus der Magnetresonanztomographie (MRT) und der Positronenemissionstomographie/Computertomographie (PET/CT) in einem Rattenmodell von Brustkrebsknochenmetastasen abgeleitet wurden, um frühe metastasierende Erkrankungen zu erkennen und das spätere Fortschreiten zu Makrometastasen vorherzusagen.

Machine Learning-Algorithmen zur Früherkennung von Knochenmetastasen in einem experimentellen Rattenmodell

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

Dieses Protokoll erleichtert die Entwicklung eines Algorithmus für maschinelles Lernen zur Vorhersage des Wachstums von Knochenmetastasen in einem experimentellen Modell im Stadium der frühen Organkolonisation. Der Hauptvorteil dieser Technik ist, dass sie mehrere bildgebende Parameter zu einem Machine Learning-Algorithmus kombiniert, der die Produktivfähigkeit jedes einzelnen Parameters deutlich übertrifft. Obwohl dieses Protokoll auf die frühdiagnose von Metastasen im Knochen abzielt, kann es an verschiedene Organe oder Bereiche der multimodalen und multiparametrischen bildgebenden Forschung angepasst werden.10 Tage nach der Operation und Injektion in einen DICOM Viewer mit einem DCE-Plugin. Wählen Sie Import aus, um die DCE-Sequenz im 4D-Modus zu laden, und wählen Sie den DICOM-Ordner mit den MRT-Bildern aus. Platzieren Sie einen kreisförmigen 1,5-Quadrat-Millimeter-Biszu-Dimensionsbereich von Interesse in das proximale tibiale Wellenknochenmark des rechten Hinterbeins innerhalb des vierten oder fünften MRT-Bildes und wählen Sie eine relative Verbesserung im Plottyp aus.Geben Sie den Basislinienbereich von Zeitpunkten eins bis fünf in die entsprechenden Felder ein und exportieren Sie die Analyse als Dot-TXT-Datei mit dem Namen DCE-Rohpunkt TXT. Öffnen Sie RStudio und laden Sie die mitgelieferte DCE-Skriptpunkt-R-Datei. Wählen Sie Code aus, führen Sie den Bereich aus, und führen Sie alle aus, um das gesamte Skript auszuführen, und kopieren Sie die Ausgabe in die bereitgestellte Vorlagedatei für Imaging-Features.Platzieren Sie im DICOM-Viewer einen zweiten Bereich von Interesse im Rückenmuskel des Tieres und wiederholen Sie die gezeigten DCE-Messungen. In der Imaging-Feature-Tabelle werden die jeweiligen Knochenmessungen automatisch durch die jeweiligen Muskelmessungen zur Datennormalisierung geteilt. Um die PET/CT-Bilder zu analysieren, öffnen Sie die PET/CT-Analysesoftware und importieren Sie die PET/CT-Bilder.Klicken Sie auf allgemeine Analyse, und wählen Sie die Quantifizierung des Bereichs von Interesse aus, erstellen und erstellen Sie einen Interessenbereich aus einer Vorlage. Legen Sie einen vier mal sechs Millimeter großen Bereich von Interesse in das Knochenmark des proximalen Tibialschaftsdes des rechten Hinterbeins und wählen Sie Interessengebiete auf eine Überlagerung aus. Beachten Sie den Mittelwert, die Minimal- und die Höchstwerte in Becquerel pro Milliliter.Dividieren Sie dann den Maximalwert durch die injizierte Aktivität, und multiplizieren Sie das Ergebnis mit dem Tiergewicht in Gramm, um den standardisierten Aufnahmewert zu berechnen. Um die Tumorwachstumsrate im injizierten Hinterbein zu diagnostizieren. Nachdem Sie MRT- und PET/CT-Bilder am 30. Tag nach der Injektion erhalten haben, analysieren Sie die Bilder wie gezeigt und fügen Sie eine Tumorspalte zur Tabelle der Bildgebungsmerkmale hinzu.Dann geben Sie eine oder eine Null für Tiere mit Metastasierung bzw. ohne sichtbare Tumorbelastung ein. Um die relevantesten Funktionen für die Vorhersage des zukünftigen Tumorwachstums zu bestimmen, importieren Sie die Kalkulationstabelle in ein Open-Source-Data-Visualisierungs-Machine Learning- und Data Mining-Toolkit. Ziehen Sie die Dateiunterroutine aus dem Datenmenü in den Arbeitsbereich, und doppelklicken Sie auf die Datei.Klicken Sie auf das Ordnersymbol, um die Kalkulationstabelle zu laden und die Tabelle mit den Bildverarbeitungsfunktionen auszuwählen. Wählen Sie das Exportarbeitsblatt aus, und weisen Sie das Zielattribut dem Variablentumor zu. Weisen Sie die Skip-Funktion der Tiernummer zu.Ziehen Sie die Rangunterroutine in den Arbeitsbereich, und ziehen Sie eine Linie, um eine Verbindung mit der Datei herzustellen und Unterroutinen zu ordnen. Doppelklicken Sie dann, um die Rang-Unterroutine zu öffnen, und wählen Sie den Informationsgewinnalgorithmus aus. Öffnen Sie für die Analyse des maschinellen Lernens RStudio 3.4.1, und laden Sie das bereitgestellte Skript des Zugmodells R.Wählen Sie Zeilen drei bis sechs innerhalb des Skripts aus, um die erforderlichen Bibliotheken zu laden. Klicken Sie auf Code, um den ausgewählten Code auszuführen, und klicken Sie auf Ausgewählte Zeilen ausführen, um die ausgewählten Zeilen auszuführen. Um einen Modelldurchschnitt auf den neuronalen Netzwerkalgorithmus zu trainieren, wählen Sie die Linien acht bis 39 aus dem Skript des Zugmodells R aus, klicken Sie auf Code, und führen Sie ausgewählte Linien aus.Um dann die Standardparameter der Diagnosegenauigkeit zu bewerten, wählen Sie die Zeilen 41 bis 50 aus dem Skript des Zugmodells R aus, klicken Sie auf Code, und führen Sie ausgewählte Zeilen aus. Am 10. Tag nach Operation und Krebszellinjektion können MRT- und PET/CT-Bilder aufgenommen werden. Die DCE-Analyse ermöglicht die Messung von Muskel- und Knochengewebebereichen von Interesse.Diese Werte können normalisiert werden, indem die Knochenmessungen durch die Muskelmessungen geteilt werden. Am 30. Tag nach der Injektion werden alle Tiere bewertet, um festzustellen, ob sie Metastiken entwickelt haben, wobei eine Metastik entwickelt wurde, die auf eine positive Tumorbelastung und eine Null hinweist, die auf gesunde Tiere ohne sichtbare Tumoren hinweist. Durch das Ausführen des Skripts Zugmodell R kann die optimale Hyperparameterkombination bestimmt und das endgültige Modell mit der optimalen Hyperparameterkombination berechnet werden.Mit diesen Daten können eine Reihe von Standarddiagnoseparametern berechnet und die Betriebskennungskurve des Modells des Empfängers dargestellt werden. Bei dieser Analyse von 28 Stichproben schneidet das Modell beispielsweise deutlich besser ab als alle drei Bestandteile. Mehrere Machine Learning-Algorithmen funktionieren tendenziell besser, wenn die Eingabedaten normalisiert werden.In diesem Protokoll wird die Normalisierung mit der Box Cox-Funktion erreicht. Dieses Protokoll verwendet einen Modelldurchschnitt während des Netzwerks als Machine Learning-Algorithmus. Das bereitgestellte Framework kann jedoch leicht an andere Algorithmen wie zufällige Gesamtstrukturen oder Unterstützungsvektormaschinen angepasst werden.Das Extrahieren numerischer Informationen aus Bildmaterial ist unentbehrlich geworden. Algorithmen wie diese können die Integration großer Datenmengen erleichtern, um eine Patientenschichtung zu ermöglichen.

Research

JoVE Journal

Cancer Research

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

Intra-Beckenarterie Injection für effiziente und selektive Modellierung von Mikroskopische Knochenmetastasen

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

Forschung

Krebsforschung

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 experimentellen Modell der ursprünglichen Tumor-Entwicklung und Peritoneal Metastasierung<em&gt; über</em&gt; Orthotopische Inokulation mit Ovarialkarzinomzellen

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

Ein 3D organotypischen Melanom Sphäroid Hautmodell

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

Bewertung der Machbarkeit, Sicherheit und Genauigkeit einer intraoperativen hochintensive fokussiert Ultraschall-Gerät zur Behandlung von Lebermetastasen

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

Dreidimensionale extrazelluläre Matrix Knochenmodell für 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

Nachweis der Lungentumorprogression bei Mäusen durch Ultraschall-Bildgebung

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

Quantifizierung der metastasierenden Tumor-Mikroumgebung des Gehirns mit einem Organ-On-A-Chip-3D-Modell, maschinellem Lernen und konfokaler Tomographie

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

Ein orthotopisches Resektions-Mausmodell für Bauchspeicheldrüsenkrebs

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

Simultane Bildgebung und Durchflusszytometrie-basierte Detektion mehrerer fluoreszierender Seneszenzmarker in therapieinduzierten seneszenten Krebszellen

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

Experimentelles Melanom-Immuntherapiemodell mit Tumorimpfung mit einem hämatopoetischen Zytokin

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