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

이 작품은 독일 연구 재단 (DFG, 공동 연구 센터 CRC 1181, 하위 프로젝트 Z02)에 의해 지원되었다; 우선 프로그램 μBone, 프로젝트 BA 4027/10-1 및 BO 3811), 스캔 장치에 대한 추가 지원을 포함 (INST 410/77-1 FUGG 및 INST 410/93-1 FUGG), 그리고 신흥 필드 이니셔티브에 의해 (EFI) 프리드리히 - 알렉산더 대학 에를랑겐 - Nürnberg의 "빅 테라".

모든 치료 및 실험 절차는 동물 보호에 대한 국가 및 지역 법률에 따라 수행되었으며, 모든 동물 절차는 독일 프랑코니아 주 정부에 의해 승인되었습니다 (참조 번호 55.2 DMS-2532-2-228).
1. 누드 쥐의 오른쪽 뒷다리에 유방암 뼈 전이의 유도
참고 : 누드 쥐의 유방암 뼈 전이의 유도에 대한 자세한 설명은 다른 곳에서 출판되었습니다6,,...

<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 알고리즘은 여러 예측 기능을 결합된 모델에 통합하고 단독으로 사용할 때 별도의 구성 요소보다 높은 정확도를 얻는 데 사용되는 강력한 도구입니다. 그럼에도 불구하고 실제 결과는 몇 가지 중요한 단계에 따라 달라집니다. 첫째, 사용되는 ML 알고리즘은 다른 ML 알고리즘이 다른 결과를 산출하기 때문에 중요한 요소입니다. 이 프로토콜에 사용되는 알고리즘은 avNNet이지만 다른 유망한 알고리...

이 프로토콜의 목적은 MRI 및 PET/CT의 여러 기능 적 이미징 매개 변수를 모델 평균 신경망(avNNet) ML 알고리즘에 통합하는 것입니다. 이 알고리즘은 뼈 내의 거시적 변화가 아직 보이지 않는 초기 시점에서 유방암 뼈 전이의 쥐 모델에서 거시메타제의 성장을 예측합니다.
macrometastases의 성장 전에, 전파된 종양 세포의 골수 침입이 발생하며, 일반적으로 미세 전이성 질환1,,2로지칭된다. 이러한 초기 침공은 전이성 질환의 초기 단계로 간주될 수 있지만, 통상적으로 기존의 스테이징 시험3,,4에서 놓친다. 현재 사용 가능한 이미징 양식은 단독으로 사용될 때 골수 미세 침입을 검출할 수 없지만, 혈관화 및 대사 활동에 대한 정보를 산출하는 이미징 파라미터의 조합은 더 나은5를수행하는 것으로 나타났다. 이러한 보완적인 이점은 다양한 이미징 매개 변수를 ML 알고리즘인 avNNet에 결합하여 얻을 수 있습니다. 이러한 avNNet은 눈에 보이는 전이가 나타나기 전에 뼈 거형 형성의 신뢰할 수있는 예측을 허용합니다. 따라서, 이미징 바이오마커를 avNNet에 통합하면 골수 미세 침공 및 초기 전이성 질환에 대한 대리 매개변수가 될 수 있다.
프로토콜을 개발하기 위해, 이전에 설명된 유방암 뼈 전이의 모델이 누드 쥐에서6,7,,8을사용되었다.6 이 모델의 장점은 동물이 오른쪽 뒷다리에만 뼈 전이를 개발한다는 것을 의미하는 사이트 특이성입니다. 그러나, 이 접근법의 종양 소요율은 60%-80%이므로 상당수의 동물이 연구 기간 동안 전이를 개발하지 않는다. MRI 및 PET/CT와 같은 이미징 모달을 사용하여 전이의 존재는 30일째부터 주사 후(PI)부터 검출할 수 있습니다. 이전 시점에서(예를 들어, 10 PI) 이미징은 전이성 질환을 일으킬 동물과 그렇지 않은 동물을 구별하지않는다(그림 1).
다음 프로토콜에 설명된 바와 같이 10PI일째에 획득한 기능성 이미징 매개변수에 대해 학습된 avNNet은 다음 ~3주 이내에 거시메타제의 성장을 안정적으로 예측하거나 배제합니다. 신경망은 서로 다른 계층 내에서 인공 노드를 결합합니다. 연구 프로토콜에서, 골수 혈액 공급 및 대사 활성을 위한 기능적인 화상 진찰 매개변수는 최상층을 나타내고, 악성종양의 예측은 상부 층을 나타낸다. 추가 중간 층에는 위쪽 레이어와 아래쪽 레이어모두에 연결된 숨겨진 노드가 포함됩니다. 서로 다른 노드 간의 연결 강도는 네트워크 학습 중에 업데이트되어 정확도가 높은9로각각의 분류 작업을 수행합니다. 이러한 신경망의 정확도는 여러 모델의 출력을 평균화하여 더욱 증가할 수 있으며, 그 결과 avNNet10이됩니다.

<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

ML(기계 학습) 알고리즘은 다양한 기능을 모델에 통합하여 구성 성분을 초과하는 정확도로 분류 또는 회귀 작업을 수행할 수 있습니다. 이 프로토콜은 표준 이미징 방법으로 관찰할 수 있는 이상이 발생하기 전에 쥐 모델에서 유방암 뼈 거산제의 성장을 예측하는 ML 알고리즘의 개발을 설명합니다. 이러한 알고리즘은 응시 시험 중에 정기적으로 누락되는 조기 전이성 질환(즉, 미세메타증)의 검출을 용이하게 할 수 있습니다.
적용된 전이 모델은 현장별이므로 쥐가 오른쪽 뒷다리에만 전이를 개발한다는 의미입니다. 이 모델의 종양-테이크 비율은 60%-80%로, 매크로메타제는 유도 후 30일 동안 동물의 하위 집합에서 자기 공명 영상(MRI) 및 양전자 방출 단층 촬영(PET/CT)에서 가시화되는 반면, 동물의 두 번째 하위 집합은 종양 성장을 나타내지 않습니다.
이전 시점에서 획득 한 화상 검사에서 시작하여 MRI에 의해 검출 된 조직 혈관화, PET /CT에 의한 포도당 대사 및 거식성 질환 의 예측을위한 가장 관련성이 있는 특징의 후속 결정등을 나타내는 특징의 추출을 설명합니다. 이러한 특징은 다음 모델 평균 신경망으로 공급 (avNNet) 두 그룹 중 하나로 동물을 분류: 전이를 개발할 것입니다 하나 와 어떤 종양을 개발 하지 않습니다 다른. 또한 이 프로토콜은 전체 정확도, 감도, 특이성, 음수/긍정 예측 값, 가능성 비율 및 수신기 작동 특성의 개발과 같은 표준 진단 파라미터의 계산을 설명합니다. 제안된 프로토콜의 장점은 무제한 기능의 조정 가능한 조합으로 다양한 ML 알고리즘을 쉽게 학습하도록 쉽게 조정할 수 있기 때문에 유연성입니다. 또한 종양학, 감염 및 염증에 있는 다른 문제를 분석하기 위하여 이용될 수 있습니다.

쥐는 MDA-MB-231 유방암 세포의 수술 및 주입에서 빨리 회복하고 그 후에 10 및 30 PI(그림 1)에MR-및 PET/CT 화상 진찰을 복종하였다. 쥐의 오른쪽 근위 경골에 대한 대표적인 DCE 분석은 도 2A에제시된다. DCE 원시 측정값은"내보내기"버튼을 선택하고 "DCEraw.txt"를 파일 이름으로 선택하여 저장되었습니다.
동적 매개 변수, AUC, PE ?...

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

이 프로토콜은 유방암 뼈 전이의 쥐 모델에서 자기 공명 영상 (MRI) 및 양전자 방출 단층 촬영 /컴퓨터 단층 촬영 (PET/CT)에서 파생 된 이미징 매개 변수의 조합을 사용하여 기계 학습 알고리즘을 훈련하여 조기 전이성 질환을 감지하고 거식세포에 대한 후속 진행을 예측하도록 설계되었습니다.

실험래기 모델에서 뼈 전이를 조기에 감지하기 위한 기계 학습 알고리즘

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

이 프로토콜은 초기 장기 식민지화 단계에서 실험 모델에서 뼈 전이의 성장을 예측하기위한 기계 학습 알고리즘의 개발을 용이하게합니다. 이 기술의 주요 장점은 여러 이미징 매개 변수를 기계 학습 알고리즘에 결합하여 각 개별 매개 변수의 생산 능력을 크게 능가한다는 것입니다. 그러나, 이 프로토콜은 뼈에 있는 전이의 조기 진단을 겨냥하고, 다중 모달 및 다중 파라메트릭 화상 진찰 연구의 다른 기관 또는 지역에 적응될 수 있습니다.DCE 플러그인을 가진 DICOM 뷰어에서 수술 후 10 일 및 주입. 가져오기를 선택하여 DCE 시퀀스를 4D 모드로 로드하고 MRI 이미지가 포함된 DICOM 폴더를 선택합니다. 4차 또는 제5 MRI 이미지 내에서 오른쪽 뒷다리의 근접 티비알 샤프트 골수에 관심 있는 치수 영역에 1.5 평방 밀리미터를 배치하고 플롯 유형에서 상대적 향상을 선택한다.시간 지점에서 기준범위를 각 필드에 1~5개까지 입력하고 DCE 원시 도트 TXT라는 점 TXT 파일로 분석을 내보냅니다. RStudio를 열고 제공된 DCE 스크립트 도트 R 파일을 로드합니다. 코드를 선택하고 영역을 실행하고 전체 스크립트를 실행하고 제공된 이미징 기능 템플릿 파일에 출력을 복사하기 위해 모두 실행합니다.DICOM 뷰어에서는 동물의 뒷근육 에 관심 있는 두 번째 영역을 배치하고 입증된 대로 DCE 측정을 반복합니다. 이미징 피쳐 스프레드시트에서 각 골격 측정값은 데이터 정규화를 위한 각 근육 측정값으로 자동으로 분할됩니다. PET/CT 이미지를 분석하려면 PET/CT 분석 소프트웨어를 열고 PET/CT 이미지를 가져옵니다.일반 분석을 클릭하고 관심 영역을 선택하여 템플릿에서 관심 영역을 만들고 만듭니다. 오른쪽 뒷다리의 근접 선각 샤프트의 골수 내에 관심 있는 4-6밀리미터를 배치하고 관심 대상 1오버레이의 선택 영역을 선택한다. 밀리리터당 베크렐링의 평균, 최소 값 및 최대 값을 기록합니다.그런 다음, 최대 값을 주입된 활성으로 나누고 그 결과를 그램에 동물의 무게로 곱하여 표준화된 섭취량 값을 계산한다. 주입된 뒷다리의 종양 증가율을 진단한다. 30일째에 MRI 및 PET/CT 영상을 얻은 후, 입증된 대로 이미지를 분석하고 이미징 기능 스프레드시트에 종양 컬럼을 추가한다.그런 다음 전이 또는 눈에 보이는 종양 부담이없는 동물을 위해 각각 1 또는 0을 입력합니다. 향후 종양 성장 예측에 가장 관련성이 있는 기능을 결정하기 위해 스프레드시트를 오픈 소스 데이터 시각화 기계 학습 및 데이터 마이닝 툴킷으로 가져옵니다. 데이터 메뉴에서 파일 하위 루틴을 작업 공간으로 드래그하고 파일을 두 번 클릭합니다.폴더 아이콘을 클릭하여 스프레드시트를 로드하고 이미징 피쳐 스프레드시트를 선택합니다. 내보내기 워크시트를 선택하고 대상 특성을 가변 종양에 할당합니다. 건너뛰기 함수를 동물 번호에 할당합니다.랭크 하위 루틴을 작업 공간으로 드래그하고 선을 그려 파일에 연결하고 하위 루틴의 순위를 지정합니다. 그런 다음 두 번 클릭하여 순위 하위 루틴을 열고 정보 게인 알고리즘을 선택합니다. 기계 학습 분석을 위해 RStudio 3.4.1을 열고 제공된 열차 모델 R 스크립트를 로드합니다.스크립트 내에서 3~6개의 줄을 선택하여 필요한 라이브러리를 로드합니다. 선택한 코드를 클릭하여 선택한 코드를 실행하고 선택한 줄을 클릭하여 선택한 줄을 실행합니다. 모델 평균을 신경망 알고리즘으로 학습하려면 열차 모델 R 스크립트에서 8~39번 선을 선택하고 코드를 클릭하고 선택한 줄을 실행합니다.그런 다음 진단 정확도의 표준 매개 변수를 평가하기 위해 열차 모델 R 스크립트에서 41~50번 선을 선택하고 코드를 클릭하고 선택한 줄을 실행합니다. 수술 후 10일째에 수술 및 암세포 주입 후 MRI 및 PET/CT 이미지를 획득할 수 있습니다. DCE 분석은 관심의 근육과 뼈 조직 영역의 측정을 할 수 있습니다.이러한 값은 뼈 측정값을 근육 측정값으로 나누어 정규화할 수 있습니다. 30일 주사 후, 모든 동물들은 양양성 종양 부담과 눈에 보이는 종양이 없는 건강한 동물을 나타내는 제로를 나타내는 전이성 개발 여부를 결정하기 위해 평가된다. 열차 모델 R 스크립트를 실행하면 최적의 하이퍼 파라미터 조합을 결정하고 최종 모델을 최적의 하이퍼 파라미터 조합을 사용하여 계산할 수 있습니다.이러한 데이터를 통해 표준 진단 매개 변수 집합을 계산하고 모델의 수신기 작동 특성 곡선을 플롯할 수 있습니다. 예를 들어 28개의 샘플분석을 분석하여 모델은 세 가지 성분 모두보다 훨씬 더 잘 수행됩니다. 입력 데이터가 정규화될 때 여러 기계 학습 알고리즘이 더 잘 수행되는 경향이 있습니다.이 프로토콜에서 정규화는 Box Cox 함수를 사용하여 달성됩니다. 이 프로토콜은 네트워크 중 모델 평균을 기계 학습 알고리즘으로 사용합니다. 그러나 제공된 프레임워크는 임의포리스트 또는 지원 벡터 기계와 같은 다른 알고리즘에 쉽게 적응할 수 있습니다.이미지 자료에서 숫자 정보를 추출하는 것이 필수적입니다. 이러한 알고리즘은 환자 계층화를 허용하기 위해 대량의 데이터를 통합할 수 있습니다.

Research

JoVE Journal

Cancer Research

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

현미경 뼈 전이의 효율적이고 선택적 모델링을위한 내부 장골 동맥 주입

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

연구

암 연구학

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

원래 종양 개발의 쥐 실험 모델 및 복막 전이<em&gt;를 통해</em난소 암 세포에&gt; 동소 이식 접종

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

3D Organotypic 흑색 종 회전 타원 체 피부 모델

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

간 전이 치료를 위한 초음파 장치 타당성, 안전, 그리고 자가 고 강도의 정확도의 평가 초점을 맞춘

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

다리에 대 한 3 차원 뼈 세포 외 매트릭스 모델

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

초음파 화상 진찰에 의하여 마우스에 있는 폐 종양 진행의 탐지

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

장기 온-A 칩 3D 모델, 기계 학습 및 공초점 단층 촬영을 사용하여 뇌 전이성 종양 미세 환경을 정량화

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

췌장암의 정형소 절제술 마우스 모델

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

치료 유도 노인성 암 세포에서 다중 형광 노화 마커의 동시 이미징 및 유동 세포 측정 기반 검출

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

조혈 사이토카인을 사용한 종양 백신 접종을 이용한 실험적 흑색종 면역요법 모델

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