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

Questo lavoro è stato sostenuto dalla Fondazione tedesca per la ricerca (DFG, Centro di ricerca collaborativa CRC 1181, sottoprogetto n. 02; Programma prioritario, progetti BA 4027/10-1 e BO 3811), incluso il supporto aggiuntivo per i dispositivi di scansione (INST 410/77-1 FUGG e INST 410/93-1 FUGG), e dall'Iniziativa Emerging Fields (EFI) "Big Thera" della Friedrich-Alexander-University Erlangen-N'rnberg.

Tutte le procedure di cura e di sperimentazione sono state eseguite in conformità con la legislazione nazionale e regionale in materia di protezione degli animali, e tutte le procedure sugli animali sono state approvate dal governo statale della Franconia, Germania (numero di riferimento 55.2 DMS-2532-2-228).
1. Induzione di metastasi ossee da cancro al seno nella gamba posteriore destra di ratti nudi
NOTA: Una descrizione dettagliata dell'induzione di metastasi osse...

<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>

Gli algoritmi ML sono potenti strumenti utilizzati per integrare diverse funzionalità predittive in un modello combinato e ottenere una precisione che supera quella dei suoi costituenti separati quando vengono utilizzati da soli. Ciò nonostante, il risultato effettivo dipende da diversi passaggi critici. In primo luogo, l'algoritmo ML utilizzato è un fattore cruciale, perché diversi algoritmi ML producono risultati diversi. L'algoritmo utilizzato in questo protocollo è un avNNet, ma altri algoritmi promettenti inclu...

Lo scopo di questo protocollo è integrare diversi parametri di imaging funzionale da RMI e PET/CT in un algoritmo ML di rete neurale media (avNNet) basato su modelli. Questo algoritmo prevede la crescita delle macrometastasi in un modello di ratto di metastasi ossee del cancro al seno in un momento precoce, quando i cambiamenti macroscopici all'interno dell'osso non sono ancora visibili.
Prima della crescita delle macrometastasi, si verifica un'invasione del midollo osseo delle cellule tumorali diffuse, comunemente indicata come malattia micrometastatica1,2. Questa invasione iniziale può essere considerata un primo passo nella malattia metastatica, ma in genere viene persa durante gli esami di stagingconvenzionali 3,4. Sebbene le modalità di imaging attualmente disponibili non siano in grado di rilevare la microinvasione del midollo osseo quando vengono utilizzate da sole, è stato dimostrato che una combinazione di parametri di imaging che producono informazioni sulla vascolarizzazione e sull'attivitàmetabolica ha dimostrato di ottenere prestazioni migliori 5. Questo vantaggio complementare si ottiene combinando diversi parametri di imaging in un avNNet, che è un algoritmo ML. Tale avNNet consente la previsione affidabile della formazione di macrometastasi ossee prima della presente di eventuali metastasi visibili. Pertanto, l'integrazione dei biomarcatori di imaging in un avNNet potrebbe servire come parametro surrogato per la microinvasione del midollo osseo e la malattia metastatica precoce.
Per sviluppare il protocollo, è stato utilizzato un modello precedentemente descritto di metastasi ossee per cancro al seno nei ratti nudi6,7,8. Il vantaggio di questo modello è la sua site-specificità, il che significa che gli animali sviluppano metastasi ossee esclusivamente nella gamba posteriore destra. Tuttavia, il tasso di tumore-prendere di questo approccio è 60%-80%, quindi un numero considerevole di animali non sviluppano metastasi durante lo studio. Utilizzando modalità di imaging come MRe e PET/CT, la presenza di metastasi è rilevabile dal giorno 30 postinjection (PI). In precedenza, l'imaging (ad esempio, 10 PI) non distingue tra gli animali che svilupperanno malattie metastatiche e quelli non lo faranno (Figura 1).
Un avNNet addestrato sui parametri di imaging funzionale acquisiti il giorno 10 PI, come descritto nel seguente protocollo, predice o esclude in modo affidabile la crescita delle macrometastasi entro le seguenti 3 settimane. Reti neurali combinano nodi artificiali all'interno di diversi livelli. Nel protocollo di studio, i parametri di imaging funzionale per l'afflusso di sangue del midollo osseo e l'attività metabolica rappresentano lo strato inferiore, mentre la previsione della malignità rappresenta lo strato superiore. Un livello intermedio aggiuntivo contiene nodi nascosti connessi sia al livello superiore che a quello inferiore. La forza delle connessioni tra i diversi nodi viene aggiornata durante il training della rete per eseguire la rispettiva attività di classificazione con alta precisione9. La precisione di tale rete neurale può essere ulteriormente aumentata calcolando la media delle uscite di diversi modelli, con conseguente 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

Gli algoritmi di apprendimento automatico (ML) consentono l'integrazione di diverse funzionalità in un modello per eseguire attività di classificazione o regressione con una precisione superiore ai relativi componenti. Questo protocollo descrive lo sviluppo di un algoritmo ML per prevedere la crescita delle macrometastasi ossee del cancro al seno in un modello di ratto prima che eventuali anomalie siano osservabili con metodi di imaging standard. Tale algoritmo può facilitare la diagnosi della malattia metastatica precoce (cioè la micrometastasi) che viene regolarmente persa durante gli esami di messa in scena.
Il modello di metastasi applicato è specifico del sito, il che significa che i ratti sviluppano metastasi esclusivamente nella gamba posteriore destra. Il tasso di acquisizione del tumore del modello è del 60%-80%, con macrometastasi che diventano visibili nella risonanza magnetica (RMI) e nella tomografia a emissione di positroni/TC (PET/CT) in un sottoinsieme di animali 30 giorni dopo l'induzione, mentre un secondo sottoinsieme di animali non presenta crescita tumorale.
Partendo dagli esami delle immagini acquisiti in un momento precedente, questo protocollo descrive l'estrazione di caratteristiche che indicano la vascolarizzazione del tessuto rilevata dalla risonanza magnetica, il metabolismo del glucosio da PET/CT e la successiva determinazione delle caratteristiche più rilevanti per la previsione della malattia macrometastatica. Queste caratteristiche vengono poi indotta in una rete neurale media del modello (avNNet) per classificare gli animali in uno dei due gruppi: uno che svilupperà metastasi e l'altro che non svilupperà alcun tumore. Il protocollo descrive anche il calcolo dei parametri diagnostici standard, come l'accuratezza complessiva, la sensibilità, la specificità, i valori predittivi negativi/positivi, i rapporti di probabilità e lo sviluppo di una caratteristica operativa del ricevitore. Un vantaggio del protocollo proposto è la sua flessibilità, in quanto può essere facilmente adattato per addestrare una pletora di diversi algoritmi ML con combinazioni regolabili di un numero illimitato di funzionalità. Inoltre, può essere utilizzato per analizzare diversi problemi in oncologia, infezione, e l'infiammazione.

I ratti si sono ripresi rapidamente dall'intervento chirurgico e dall'iniezione delle cellule del cancro al seno MDA-MB-231 e sono stati quindi sottoposti a imaging MR e PET/CT nei giorni 10 e 30 PI (Figura 1). Un'analisi DCE rappresentativa della tibia prossimale destra di un ratto è presentata nella Figura 2A. Le misurazioni non prime DCE sono state salvate selezionando il pulsante"Esporta"e scegliendo "DCEraw.txt" come nome del file.
<p ...

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

Questo protocollo è stato progettato per addestrare un algoritmo di apprendimento automatico per utilizzare una combinazione di parametri di imaging derivati dalla risonanza magnetica (RMI) e dalla tomografia a emissione di positroni (PET/CT) in un modello di ratto delle metastasi ossee del cancro al seno per rilevare la malattia metastatica precoce e prevedere la successiva progressione alle macrometastasi.

Algoritmi di apprendimento automatico per il rilevamento precoce delle metastasi ossee in un modello di ratto sperimentale

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

Questo protocollo facilita lo sviluppo di un algoritmo di machine learning per prevedere la crescita delle metastasi ossee in un modello sperimentale nella fase di colonizzazione precoce degli organi. Il vantaggio principale di questa tecnica è che combina diversi parametri di imaging in un algoritmo di machine learning che supera significativamente la capacità produttiva di ogni singolo parametro. Tuttavia, questo protocollo mira alla diagnosi precoce delle metastasi nell'osso, può essere adattato a diversi organi o aree di ricerca di imaging multimodale e multiparametrico.10 giorni dopo l'intervento chirurgico e l'iniezione in un visualizzatore DICOM con un plug-in DCE. Selezionate importa (Import) per caricare la sequenza DCE in modalità 4D e selezionate la cartella DICOM contenente le immagini MRI. Posizionare un millimetro quadrato circolare di 1,5 millimetri alla regione dimensionale di interesse nel midollo osseo dell'albero tibiale prossimale della gamba posteriore destra all'interno della quarta o quinta immagine della risonanza tura e selezionare il miglioramento relativo nel tipo di grafico.Immettere l'intervallo di riferimento dai punti di tempo, da uno a cinque nei rispettivi campi ed esportare l'analisi come file TXT punto denominato DCE raw dot TXT. Aprire RStudio e caricare il file R punto script DCE fornito. Selezionare il codice, eseguire l'area ed eseguire tutto per eseguire l'intero script e copiare l'output nel file del modello di funzionalità di imaging fornito.Nello spettatore DICOM, posizionare una seconda regione di interesse all'interno del muscolo posteriore dell'animale e ripetere le misurazioni DCE come dimostrato. Nel foglio di calcolo delle funzionalità di imaging le rispettive misurazioni ossee verranno automaticamente divise per le rispettive misurazioni muscolari per la normalizzazione dei dati. Per analizzare le immagini PET/CT aprire il software di analisi PET/CT e importare le immagini PET/CT.Fare clic su analisi generale e selezionare la quantificazione dell'area di interesse, creare e creare un'area di interesse da un modello. Posizionare un quattro per sei millimetri, nella regione dimensionale di interesse all'interno del midollo osseo dell'albero tibiale prossimale della gamba posteriore destra e selezionare le regioni di interesse bersaglio di una sovrapposizione. Si notano i valori medi, minimi e massimi in becquerel per millilitro.Quindi, dividere il valore massimo per l'attività iniettata e moltiplicare il risultato per il peso animale in grammi per calcolare il valore di assorbimento standardizzato. Per diagnosticare il tasso di crescita tumorale nella gamba posteriore iniettata. Dopo aver ottenuto le immagini MRI e PET/CT il giorno 30 dopo l'iniezione, analizza le immagini come dimostrato e aggiungi una colonna tumorale al foglio di calcolo delle funzionalità di imaging.Quindi inserire uno o zero per gli animali con metastasi o senza un peso tumorale visibile rispettivamente. Per determinare le funzionalità più rilevanti per la previsione della crescita futura del tumore, importare il foglio di calcolo in un toolkit di machine learning e data mining per la visualizzazione dei dati open source. Trascinare la sotto routine file dal menu dati nell'area di lavoro e fare doppio clic sul file.Fare clic sull'icona della cartella per caricare il foglio di calcolo e selezionare il foglio di calcolo delle caratteristiche di imaging. Selezionare il foglio di lavoro di esportazione e assegnare l'attributo di destinazione al tumore variabile. Assegnare la funzione skip al numero animale.Trascinare la sotto-routine di classificazione nell'area di lavoro e disegnare una linea per connettersi al file e classificare le sotto-routine. Quindi, fare doppio clic per aprire la sotto-routine di classificazione e selezionare l'algoritmo di guadagno delle informazioni. Per l'analisi di machine learning, aprire RStudio 3.4.1 e caricare lo script R del modello di training fornito.Selezionare le righe da tre a sei all'interno dello script per caricare le librerie necessarie. Fare clic sul codice per eseguire il codice selezionato e fare clic su Esegui righe selezionate per eseguire le righe selezionate. Per eseguire il training di una media del modello all'algoritmo di rete neurale, selezionare le righe da otto a 39 dallo script R del modello di traino e fare clic sul codice ed eseguire le righe selezionate.Quindi, per valutare i parametri standard di precisione diagnostica, selezionare le righe da 41 a 50 dallo script R del modello di treno e fare clic sul codice ed eseguire le righe selezionate. Il giorno 10 dopo l'intervento chirurgico e l'iniezione di cellule tumorali, è possibile acquisire immagini MRI e PET / CT. L'analisi DCE consente la misurazione delle aree di interesse del muscolo e del tessuto osseo.Questi valori possono essere normalizzati dividendo le misure ossee per le misurazioni muscolari. Il giorno 30 dopo l'iniezione, tutti gli animali vengono valutati per determinare se hanno sviluppato metasticie con una che indica un peso tumorale positivo e uno zero che indica animali sani senza tumori visibili. L'esecuzione dello script R del modello di traino consente di determinare la combinazione ottimale di iperconto di parametri e di calcolare il modello finale utilizzando la combinazione ottimale di iperconto di parametri.Questi dati consentono di calcolare un insieme di parametri diagnostici standard e di tracciare la curva caratteristica operativa del ricevitore del modello. Ad esempio, in questa analisi di 28 campioni il modello funziona significativamente meglio di tutti e tre i suoi componenti. Diversi algoritmi di machine learning tendono a funzionare meglio quando i dati di input vengono normalizzati.In questo protocollo la normalizzazione si ottiene utilizzando la funzione Box Cox. Questo protocollo utilizza una media del modello durante la rete come algoritmo di machine learning. Tuttavia, il framework fornito può essere facilmente adattato ad altri algoritmi come foreste casuali o macchine vettoriali di supporto.L'estrazione di informazioni numeriche dal materiale dell'immagine è diventata essenziale. Algoritmi come questi possono facilitare l'integrazione di grandi quantità di dati per consentire la stratificazione del paziente.

Research

JoVE Journal

Cancer Research

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

Intra-iliaca iniezione per un efficiente e selettivo Modellazione di microscopico metastasi ossee

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

Ricerca

Ricerca sul cancro

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

Modello murino sperimentale di sviluppo del tumore originale e peritoneale Metastasi<em&gt; via</em&gt; Ortotopico inoculazione con cellule dell&#39;ovaio Carcinoma

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 modello di pelle sferoide 3D Organotypic Melanoma

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

Valutazione di fattibilità, la sicurezza e la precisione di un'intraoperatoria ad alta intensità focalizzato dispositivo a ultrasuoni per il trattamento di metastasi epatiche

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

Modello di matrice extracellulare tridimensionale dell'osso per Osteosarcoma

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

Rilevamento della progressione del tumore del polmone nei topi mediante Ultrasound Imaging

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

Quantificare il micro-ambiente del tumore metastatico del cervello utilizzando un modello 3D a chip Organ-On-A, apprendimento automatico e tomografia 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 modello ortotopico di topo resezionale del cancro al pancreas

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

Imaging simultaneo e rilevamento basato sulla citometria a flusso di marcatori di senescenza fluorescenti multipli in cellule tumorali senescenti indotte dalla terapia

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

Modello sperimentale di immunoterapia del melanoma utilizzando la vaccinazione tumorale con una citochina ematopoietica

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