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

Dette arbeidet ble støttet av German Research Foundation (DFG, Collaborative Research Centre CRC 1181, delprosjekt Z02; Prioritetsprogram μBone, prosjekter BA 4027/10-1 og BO 3811), inkludert ekstra støtte for skanneenhetene (INST 410/77-1 FUGG og INST 410/93-1 FUGG), og av Emerging Fields Initiative (EFI) "Big Thera" av Friedrich-Alexander-University Erlangen-Nürnberg.

Alle omsorgs- og eksperimentelle prosedyrer ble utført i samsvar med nasjonal og regional lovgivning om dyrevern, og alle dyreprosedyrer ble godkjent av staten i Franken, Tyskland (referansenummer 55.2 DMS-2532-2-228).
1. Induksjon av brystkreft beinmetastaser i høyre bakben av nakne rotter
MERK: En detaljert beskrivelse av induksjon av brystkreft beinmetastaser hos nakne rotter har blitt publisert andre steder6,8...

<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-algoritmer er kraftige verktøy som brukes til å integrere flere prediktive funksjoner i en kombinert modell og oppnå en nøyaktighet som overstiger de separate bestanddelene når de brukes alene. Likevel avhenger det faktiske resultatet av flere kritiske trinn. For det første er ML-algoritmen som brukes en avgjørende faktor, fordi forskjellige ML-algoritmer gir forskjellige resultater. Algoritmen som brukes i denne protokollen er en avNNet, men andre lovende algoritmer inkluderer Extreme Gradient Boosting<sup cla...

Formålet med denne protokollen er å integrere flere funksjonelle bildeparametere fra MR og PET / CT i en modellgjennomsnitt nevrale nettverk (avNNet) ML algoritme. Denne algoritmen forutsier veksten av makrometastaser i en rottemodell av brystkreftbenmetastaser på et tidlig tidspunkt, når makroskopiske endringer i beinet ennå ikke er synlige.
Før veksten av makrometastaser oppstår en benmargsinvasjon av spredte tumorceller, ofte referert til som mikrometastatisk sykdom1,2. Denne første invasjonen kan betraktes som et tidlig skritt i metastatisk sykdom, men er vanligvis savnet under konvensjonelle iscenesettelsesundersøkelser3,4. Selv om de tilgjengelige bildemodalitetene ikke kan oppdage benmargsmikroinvasion når den brukes alene, har en kombinasjon av bildeparametere som gir informasjon om vaskularisering og metabolsk aktivitet vist seg åyte bedre 5. Denne komplementære fordelen oppnås ved å kombinere forskjellige bildeparametere i et avNNet, som er en ML-algoritme. En slik avNNet gir mulighet for pålitelig prediksjon av bein makrometastaser dannelse før noen synlige metastaser er til stede. Derfor kan integrering av bildebiomarkører i et avNNet tjene som en surrogatparameter for benmargsmikroinvasion og tidlig metastatisk sykdom.
For å utvikle protokollen ble en tidligere beskrevet modell av brystkreftbenmetastaser hos nakne rotterbrukt 6,7,8. Fordelen med denne modellen er dens stedsspesifisitet, noe som betyr at dyrene utvikler benete metastaser utelukkende i høyre bakben. Imidlertid er tumor-take rate av denne tilnærmingen 60%-80%, så et betydelig antall av dyrene utvikler ikke noen metastaser under studien. Ved hjelp av bildemodaliteter som MR og PET/CT kan tilstedeværelsen av metastaser oppdages fra dag 30 etterinjeksjon (PI). På tidligere tidspunkter (f.eks. 10 PI) bildebehandling skiller ikke mellom dyr som vil utvikle metastatisk sykdom og de vil ikke (Figur 1).
En avNNet opplært på funksjonelle bildeparametere ervervet på dag 10 PI, som beskrevet i følgende protokoll, pålitelig forutsier eller utelukker veksten av makrometastaser i løpet av følgende ~ 3 uker. Nevrale nettverk kombinerer kunstige noder i forskjellige lag. I studieprotokollen representerer de funksjonelle bildeparametrene for benmargsblodtilførsel og metabolsk aktivitet det nederste laget, mens prediksjonen av malignitet representerer det øverste laget. Et ekstra mellomliggende lag inneholder skjulte noder som er koblet til både det øverste og det nederste laget. Styrken på forbindelsene mellom de ulike nodene oppdateres under opplæring av nettverket for å utføre den respektive klassifiseringsoppgaven med høy nøyaktighet9. Nøyaktigheten av et slikt nevrale nettverk kan økes ytterligere ved å gjennomsnittlig utganger av flere modeller, noe som resulterer i en 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

Maskinlæringsalgoritmer (ML) gjør det mulig å integrering av ulike funksjoner i en modell for å utføre klassifiserings- eller regresjonsoppgaver med en nøyaktighet som overskrider bestanddelene. Denne protokollen beskriver utviklingen av en ML-algoritme for å forutsi veksten av brystkreftbenmakrometastaser i en rottemodell før noen abnormiteter observeres med standard bildemetoder. En slik algoritme kan lette påvisning av tidlig metastatisk sykdom (det vil si mikrometastase) som regelmessig går glipp av under iscenesettelsesundersøkelser.
Den påførte metastasemodellen er stedsspesifikk, noe som betyr at rottene utvikler metastaser utelukkende i høyre bakben. Modellens tumor-take rate er 60%-80%, med makrometastaser blir synlige i magnetisk resonans imaging (MR) og positron utslipp tomografi / computertomografi (PET / CT) i en undergruppe av dyr 30 dager etter induksjon, mens en andre undergruppe av dyr viser ingen tumorvekst.
Fra bildeundersøkelser ervervet på et tidligere tidspunkt, beskriver denne protokollen utvinning av funksjoner som indikerer vevvaskularisering oppdaget av MR, glukosemetabolisme ved PET / CT, og den påfølgende bestemmelse av de mest relevante funksjonene for prediksjon av makrometastatisk sykdom. Disse funksjonene blir deretter matet inn i et modellgjennomsnitt nevrale nettverk (avNNet) for å klassifisere dyrene i en av to grupper: en som vil utvikle metastaser og den andre som ikke vil utvikle noen svulster. Protokollen beskriver også beregningen av standard diagnostiske parametere, for eksempel generell nøyaktighet, følsomhet, spesifisitet, negative/ positive prediktive verdier, sannsynlighetsforhold og utvikling av en mottakers driftskarakteristikk. En fordel med den foreslåtte protokollen er fleksibiliteten, da den enkelt kan tilpasses for å trene en mengde forskjellige ML-algoritmer med justerbare kombinasjoner av et ubegrenset antall funksjoner. Videre kan den brukes til å analysere ulike problemer i onkologi, infeksjon og betennelse.

Rottene kom seg raskt etter operasjonen og injeksjonen av MDA-MB-231 brystkreftcellene og ble deretter utsatt for MR- og PET/CT-bildebehandling på dag 10 og 30 PI (figur 1). En representativ DCE-analyse av en rottes høyre proksimale tibia presenteres i figur 2A. DCE raw-målingene ble lagret ved å velge"Eksporter"-knappen og velge "DCEraw.txt" som filnavn.
Etterfølgende beregninger av de dynamiske parameterne, AUC...

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

Denne protokollen ble utviklet for å trene en maskinlæringsalgoritme for å bruke en kombinasjon av bildeparametere avledet fra magnetisk resonansavbildning (MR) og positronutslipptomografi / computertomografi (PET / CT) i en rottemodell av brystkreftbenmetastaser for å oppdage tidlig metastatisk sykdom og forutsi påfølgende progresjon til makrometastaser.

Maskinlæringsalgoritmer for tidlig påvisning av beinmetastaser i en eksperimentell rottemodell

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

Denne protokollen forenkler utviklingen av en maskinlæringsalgoritme for å forutsi veksten av beinmetastaser i en eksperimentell modell på scenen av tidlig organkolonisering. Den største fordelen med denne teknikken er at den kombinerer flere bildeparametere i en maskinlæringsalgoritme som betydelig overgår den produktive evnen til hver enkelt parameter. Skjønt, denne protokollen tar sikte på tidlig diagnose av metastaser i bein, det kan tilpasses ulike organer eller områder av multimodale og multiparametrisk bildebehandling forskning.10 dager etter operasjonen og injeksjon i en DICOM viewer med en DCE plugin. Velg import for å laste inn DCE-sekvensen i 4D-modus, og velg DICOM-mappen som inneholder MR-bildene. Plasser en sirkulær 1,5 kvadratimendime til dimensjonal interesseområde i den proksimale tibiale akselbenmargen på høyre bakben i fjerde eller femte MR-bilde og velg relativ forbedring i plotttypen.Angi det opprinnelige området fra tidspunkter, én til fem i de respektive feltene og eksporter analysen som en DOT TXT-fil med navnet DCE raw dot TXT. Åpne RStudio og last inn den angitte DCE script dot R-filen. Velg kode, kjør område og kjør alt for å kjøre hele skriptet og kopiere utdataene til den angitte malfilen for bildefunksjoner.I DICOM-betrakteren plasserer du en annen interesseregion innenfor dyrets ryggmuskel og gjentar DCE-målingene som vist. I bildefunksjonsregnearket vil de respektive beinmålingene automatisk deles på de respektive muskelmålingene for data normalisering. For å analysere PET / CT-bildene, åpne PET / CT analyseprogramvare og importere PET / CT-bildene.Klikk generell analyse og velg område av interesse kvantifisering, opprette og opprette et område av interesse fra en mal. Plasser en fire og seks millimeter, til dimensjonal interesseområde innenfor benmargen til den proksimale tibiale akselen på høyre bakben og velg områder av interesse mål ett overlegg. Legg merke til gjennomsnitts-, minimums- og maksimumsverdiene i becquerels per milliliter.Deretter deler du maksimumsverdien med den injiserte aktiviteten og multipliserer resultatet av dyrevekten i gram for å beregne standardisert opptaksverdi. For å diagnostisere tumorveksthastigheten i det injiserte bakbenet. Etter å ha fått MR- og PET/CT-bilder på dag 30 etter injeksjon, analyser bildene som demonstrert og legg til en tumorkolonne i bildebehandlingsfunksjonene regneark.Skriv deretter inn en eller null for dyr med metastase eller uten en synlig tumorbyrde henholdsvis. For å finne de mest relevante funksjonene for prediksjon av fremtidig tumorvekst, importer regnearket til en åpen kildekode datavisualisering maskinlæring og data gruvedrift verktøykasse. Dra filunderrutinen fra datamenyen til arbeidsområdet, og dobbeltklikk filen.Klikk på mappeikonet for å laste inn regnearket og velge regnearket for bildefunksjoner. Velg eksportregnearket, og tilordne målattributtet til variabelsvulsten. Tilordne hoppfunksjonen til dyrenummeret.Dra delrutinen rang inn i arbeidsområdet, og tegn en linje for å koble til filen og rangere underrutiner. Dobbeltklikk deretter for å åpne underrutinen rang og velge algoritmen for informasjonsgevinst. For maskinlæringsanalyse åpner du RStudio 3.4.1 og laster inn det medfølgende togmodellen R-skriptet.Velg linje tre til seks i skriptet for å laste inn de nødvendige bibliotekene. Klikk kode for å kjøre den valgte koden og klikk Kjør valgte linjer for å kjøre de valgte linjene. Hvis du vil trene et modellgjennomsnitt til nevrale nettverksalgoritme, velger du linjer åtte til 39 fra togmodell R-skriptet og klikker kode og kjører valgte linjer.Deretter vurderer du standardparametrene for diagnostisk nøyaktighet, velger du linje 41 til 50 fra togmodellen R-skriptet og klikker kode og kjører valgte linjer. På dag 10 etter kirurgi og kreftcelleinjeksjon kan MR- og PET/CT-bilder kjøpes. DCE analyse gjør det mulig å måle muskel- og beinvevsområder av interesse.Disse verdiene kan normaliseres ved å dele beinmålingene ved muskelmålingene. På dag 30 etter injeksjon, alle dyr er evaluert for å avgjøre om de har utviklet metasticies med en som indikerer en positiv tumor byrde og en null indikerer friske dyr uten synlige svulster. Kjøring av togmodellen R-skriptet gjør at den optimale hyperparameterkombinasjonen bestemmes, og den endelige modellen som skal beregnes ved hjelp av den optimale hyperparameterkombinasjonen.Disse dataene gjør det mulig å beregne et sett med standard diagnoseparametere, og mottakerens karakteristiske kurve for modellen kan tegnes inn. For eksempel, i denne analysen av 28 prøver modellen utfører betydelig bedre enn alle sine tre bestanddeler. Flere maskinlæringsalgoritmer har en tendens til å yte bedre når inndata normaliseres.I denne protokollen oppnås normalisering ved hjelp av Box Cox-funksjonen. Denne protokollen bruker et modellgjennomsnitt under nettverket som en maskinlæringsalgoritme. Det medfølgende rammeverket kan imidlertid enkelt tilpasses andre algoritmer som tilfeldige skoger eller støttevektormaskiner.Utpakking av numerisk informasjon fra bildemateriale har blitt avgjørende. Algoritmer som disse kan lette integreringen av store mengder data for å tillate pasientstratifisering.

Research

JoVE Journal

Cancer Research

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

Intra-iliaca Injection for effektiv og selektiv Modellering av Mikroskopisk Bone Metastase

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

Murine Experimental Model of Original Tumor Development and Peritoneal Metastasis via Orthotopic Inoculation with Ovarian Carcinoma Cells

Murine Experimental Model of Original Tumor Development and Peritoneal Metastasis via Orthotopic Inoculation with Ovarian Carcinoma Cells

Murine Eksperimentell modell av Original Tumor Utvikling og Peritoneal metastaser<em&gt; via</em&gt; Ortotopiske Inoculation med ovarialcancer Cells

Epithelial ovarian carcinoma (EOC) is associated with a poor prognosis because it shows peritoneal dissemination. To improve the prognosis, it is ...

A 3D Organotypic Melanoma Spheroid Skin Model

3D Organotypic melanom Spheroid huden modell

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

Evaluering av gjennomførbarhet, sikkerhet og nøyaktigheten av en intraoperativ høy intensitet fokusert ultralydapparat for behandling av leveren metastaser

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

Tredimensjonale bein ekstracellulær Matrix modell for 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

Påvisning av lungetumorprogresjon hos mus ved ultralydavbildning

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

Kvantifisere hjernen metastatisk tumor mikro-miljø ved hjelp av en organ-on-a chip 3D modell, maskinlæring, og konfokal tomografi

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

En ortotopisk reseksjonell musemodell av kreft i bukspyttkjertelen

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

Samtidig avbildning og flowcytometribasert påvisning av flere fluorescerende senescensmarkører i terapiinduserte senescent kreftceller

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

Eksperimentell melanom immunterapimodell ved bruk av tumorvaksinasjon med et hematopoietisk cytokin

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