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

Este trabalho foi apoiado pela Fundação Alemã de Pesquisa (DFG, Centro de Pesquisa Colaborativa CRC 1181, subprojeto Z02; Programa Prioritário μBone, projetos BA 4027/10-1 e BO 3811), incluindo suporte adicional para os dispositivos de digitalização (INST 410/77-1 FUGG e INST 410/93-1 FUGG), e pela Iniciativa campos emergentes (EFI) "Big Thera" da Friedrich-Alexander-University Erlangen-Nürnberg.

Todos os cuidados e procedimentos experimentais foram realizados de acordo com a legislação nacional e regional sobre proteção animal, e todos os procedimentos animais foram aprovados pelo Governo do Estado da Francônia, Alemanha (número de referência 55.2 DMS-2532-2-228).
1. Indução de metástases ósseas de câncer de mama na perna traseira direita de ratos nus
NOTA: Uma descrição detalhada da indução de metástases ósseas de câncer de mama em ratos n...

<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>

Algoritmos ML são ferramentas poderosas usadas para integrar vários recursos preditivos em um modelo combinado e obter uma precisão que excede a de seus constituintes separados quando usados sozinhos. No entanto, o resultado real depende de várias etapas críticas. Primeiro, o algoritmo ML usado é um fator crucial, porque diferentes algoritmos ML produzem resultados diferentes. O algoritmo usado neste protocolo é um avNNet, mas outros algoritmos promissores incluem Extreme Gradient Boosting21</sup...

O objetivo deste protocolo é integrar vários parâmetros de imagem funcional da Ressonância Magnética e PET/CT em um algoritmo ML de rede neural mediana de modelo (avNNet). Este algoritmo prevê o crescimento de macrometastases em um modelo de rato de metástases ósseas de câncer de mama em um ponto de tempo inicial, quando as alterações macroscópicas dentro do osso ainda não são visíveis.
Antes do crescimento das macrometastases, ocorre uma invasão de medula óssea de células tumorais disseminadas, comumente referida como doença micrometastática1,2. Esta invasão inicial pode ser considerada um passo inicial na doença metastática, mas é tipicamente perdida durante os exames convencionais3,4. Embora as modalidades de imagem disponíveis atualmente não possam detectar a microinvasão da medula óssea quando utilizadas sozinhas, uma combinação de parâmetros de imagem que produzem informações sobre vascularização e atividade metabólica tem sido demonstrada para ter melhor desempenho5. Esse benefício complementar é obtido combinando diferentes parâmetros de imagem em um avNNet, que é um algoritmo ML. Tal avNNet permite a previsão confiável da formação de macrometastases ósseas antes que quaisquer metástases visíveis estejam presentes. Portanto, a integração de biomarcadores de imagem em um avNNet poderia servir como parâmetro substituto para microinvasão de medula óssea e doença metastática precoce.
Para desenvolver o protocolo, foi utilizado um modelo previamente descrito de metástases ósseas de câncer de mama em ratos nus6,,7,8. A vantagem deste modelo é sua especificidade do local, o que significa que os animais desenvolvem metástases ósseas exclusivamente em sua perna traseira direita. No entanto, a taxa de tomada de tumores dessa abordagem é de 60%-80%, de modo que um número considerável de animais não desenvolve metástases durante o estudo. Utilizando modalidades de imagem como ressonância magnética e PET/CT, a presença de metástases é detectável a partir do dia 30 de pós-injeção (PI). Em momentos anteriores (por exemplo, 10 PI) a imagem não distingue entre animais que desenvolverão doença metastática e aqueles que não irão(Figura 1).
Um avNNet treinado em parâmetros funcionais de imagem adquiridos no dia 10 PI, conforme descrito no protocolo a seguir, prevê ou exclui de forma confiável o crescimento das macrometastases nas próximas ~3 semanas. Redes Neurais combinam nódulos artificiais em diferentes camadas. No protocolo do estudo, os parâmetros de imagem funcional para o fornecimento de sangue de medula óssea e a atividade metabólica representam a camada inferior, enquanto a previsão de malignidade representa a camada superior. Uma camada intermediária adicional contém nós ocultos que estão conectados tanto à camada superior quanto à inferior. A força das conexões entre os diferentes nós é atualizada durante o treinamento da rede para realizar a respectiva tarefa de classificação com alta precisão9. A precisão de tal rede neural pode ser aumentada ainda mais pela média das saídas de vários modelos, resultando em um 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

Algoritmos de aprendizagem de máquina (ML) permitem a integração de diferentes características em um modelo para realizar tarefas de classificação ou regressão com uma precisão superior aos seus constituintes. Este protocolo descreve o desenvolvimento de um algoritmo ML para prever o crescimento das macrometastases ósseas do câncer de mama em um modelo de rato antes que quaisquer anormalidades sejam observáveis com métodos de imagem padrão. Tal algoritmo pode facilitar a detecção de doenças metastáticas precoces (ou seja, micrometastase) que é regularmente perdida durante os exames de estadiamento.
O modelo de metástase aplicada é específico do local, o que significa que os ratos desenvolvem metástases exclusivamente em sua perna traseira direita. A taxa de captação de tumores do modelo é de 60%-80%, com macrometastases se tornando visíveis em ressonância magnética (RM) e tomografia/tomografia computadorizada de emissão de pósitrons (PET/TC) em um subconjunto de animais 30 dias após a indução, enquanto um segundo subconjunto de animais não apresenta crescimento tumoral.
A partir de exames de imagem adquiridos em um momento anterior, este protocolo descreve a extração de características que indicam vascularização tecidual detectada pela Ressonância Magnética, metabolismo de glicose por PET/CT, e a subsequente determinação das características mais relevantes para a previsão da doença macrometastática. Essas características são então alimentadas em uma rede neural mediana de modelos (avNNet) para classificar os animais em um dos dois grupos: um que desenvolverá metástases e outro que não desenvolverá tumores. O protocolo também descreve o cálculo dos parâmetros de diagnóstico padrão, como precisão geral, sensibilidade, especificidade, valores preditivos negativos/positivos, razões de probabilidade e o desenvolvimento de uma característica operacional receptora. Uma vantagem do protocolo proposto é sua flexibilidade, pois ele pode ser facilmente adaptado para treinar uma infinidade de diferentes algoritmos ML com combinações ajustáveis de um número ilimitado de recursos. Além disso, pode ser usado para analisar diferentes problemas em oncologia, infecção e inflamação.

Os ratos se recuperaram rapidamente da cirurgia e injeção das células cancerígenas de mama MDA-MB-231 e foram então submetidos a imagens mr-e PET/CT nos dias 10 e 30 PI(Figura 1). Uma análise representativa do DCE da tíbia proximal direita de um rato é apresentada na Figura 2A. As medidas brutas DCE foram salvas selecionando o botão "Exportar" e escolhendo "DCEraw.txt" como o nome do arquivo.
Os cálculos sub...

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

Este protocolo foi projetado para treinar um algoritmo de aprendizagem de máquina para usar uma combinação de parâmetros de imagem derivados de ressonância magnética (MrI) e tomografia/tomografia computadorizada de emissão de pósitrons (PET/CT) em um modelo de rato de metástases ósseas de câncer de mama para detectar doenças metastáticas precoces e prever a progressão subsequente para macrometastases.

Algoritmos de aprendizagem de máquina para detecção precoce de metástases ósseas em um modelo experimental de ratos

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

Este protocolo facilita o desenvolvimento de um algoritmo de aprendizagem de máquina para prever o crescimento de metástases ósseas em um modelo experimental na fase de colonização precoce de órgãos. A principal vantagem dessa técnica é que ela combina vários parâmetros de imagem em um algoritmo de aprendizagem de máquina que supera significativamente a capacidade produtiva de cada parâmetro individual. Embora este protocolo visa o diagnóstico precoce de metástases no osso, podendo ser adaptado a diferentes órgãos ou áreas de pesquisa de imagem multimodal e multiparamétrica.10 dias após a cirurgia e injeção em um visualizador DICOM com um plugin DCE. Escolha importar para carregar a sequência DCE no modo 4D e selecione a pasta DICOM contendo as imagens de ressonância magnética. Coloque uma circular de 1,5 milímetro quadrado para a região dimensional de interesse na medula óssea proximal do eixo tibial da perna traseira direita dentro da quarta ou quinta imagem de ressonância magnética e selecione o aprimoramento relativo no tipo de parcela.Digite a faixa de linha de base a partir de pontos de tempo, de um a cinco para os respectivos campos e exporte a análise como um arquivo ponto TXT chamado DCE raw dot TXT. Abra o RStudio e carregue o arquivo DCE dot R fornecido. Selecione código, execute a região e execute tudo para executar todo o script e copie a saída para o arquivo de modelo fornecido de recursos de imagem.No visualizador DICOM, coloque uma segunda região de interesse dentro do músculo traseiro do animal e repita as medidas de DCE como demonstrado. Na planilha de recursos de imagem, as respectivas medidas ósseas serão automaticamente divididas pelas respectivas medidas musculares para normalização dos dados. Para analisar as imagens PET/CT abra o software de análise PET/CT e importe as imagens PET/CT.Clique em análise geral e selecione a quantificação de interesse, crie e crie uma região de interesse a partir de um modelo. Coloque uma região de quatro por seis milímetros, para região dimensional de interesse dentro da medula óssea do eixo tibial proximal da perna traseira direita e selecione regiões de interesse alvo de uma sobreposição. Observe os valores médios, mínimos e máximos em becquerels por mililitro.Em seguida, divida o valor máximo pela atividade injetada e multiplique o resultado pelo peso animal em gramas para calcular o valor de absorção padronizado. Para diagnosticar a taxa de crescimento do tumor na perna traseira injetada. Após a obtenção de imagens de ressonância magnética e PET/CT no dia 30 pós-injeção, analise as imagens como demonstrado e adicione uma coluna tumoral à planilha de recursos de imagem.Em seguida, entre um ou zero para animais com metástase ou sem uma carga tumoral visível, respectivamente. Para determinar os recursos mais relevantes para a previsão de crescimento futuro do tumor, importe a planilha em um kit de ferramentas de visualização de dados de código aberto e kit de ferramentas de mineração de dados. Arraste a sub-rotina do arquivo do menu de dados para o espaço de trabalho e clique duas vezes no arquivo.Clique no ícone da pasta para carregar a planilha e selecione a planilha de recursos de imagem. Selecione a planilha de exportação e atribua o atributo alvo ao tumor variável. Atribua a função de salto ao número do animal.Arraste a sub-rotina de classificação para o espaço de trabalho e desenhe uma linha para se conectar ao arquivo e classificar sub-rotinas. Em seguida, clique duas vezes para abrir a sub-rotina de classificação e selecione o algoritmo de ganho de informações. Para análise de aprendizado de máquina, abra rstudio 3.4.1 e carregue o script modelo R fornecido.Selecione as linhas três a seis dentro do script para carregar as bibliotecas necessárias. Clique em código para executar o código selecionado e clique em executar linhas selecionadas para executar as linhas selecionadas. Para treinar uma média de modelo para algoritmo de rede neural, selecione as linhas de oito a 39 do script modelo R do trem e clique em código e execute linhas selecionadas.Em seguida, para avaliar os parâmetros padrão de precisão diagnóstica, selecione as linhas 41 a 50 do script modelo R do trem e clique em código e execute linhas selecionadas. No dia 10, após cirurgia e injeção de células cancerosas, podem ser adquiridas imagens de ressonância magnética e PET/CT. A análise do DCE permite a medição de áreas de interesse muscular e de tecido ósseo.Esses valores podem ser normalizados dividindo as medidas ósseas pelas medidas musculares. No dia 30 pós-injeção, todos os animais são avaliados para determinar se desenvolveram metasticies com um indicando uma carga tumoral positiva e um zero indicando animais saudáveis sem tumores visíveis. A execução do script modelo R do trem permite que a combinação ideal de hiper parâmetros seja determinada e o modelo final seja calculado usando a combinação ideal de hiper parâmetros.Esses dados permitem calcular um conjunto de parâmetros de diagnóstico padrão e a curva característica de operação do receptor do modelo a ser plotada. Por exemplo, nesta análise de 28 amostras o modelo tem um desempenho significativamente melhor do que todos os seus três constituintes. Vários algoritmos de aprendizado de máquina tendem a ter melhor desempenho quando os dados de entrada são normalizados.Neste protocolo a normalização é alcançada usando a função Box Cox. Este protocolo usa uma média de modelo durante a rede como um algoritmo de aprendizado de máquina. No entanto, a estrutura fornecida pode ser facilmente adaptada a outros algoritmos, como florestas aleatórias ou máquinas vetoriais de suporte.Extrair informações numéricas do material da imagem tornou-se essencial. Algoritmos como esses podem facilitar a integração de grandes quantidades de dados para permitir a estratificação do paciente.

Research

JoVE Journal

Cancer Research

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

Injeção Artéria Intra-ilíaca para eficiente e seletiva Modelagem de microscópico metástase óssea

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

Pesquisa do câncer

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

Murino Experimental Modelo de desenvolvimento do tumor original e Peritoneal Metástase<em&gt; via</em&gt; Ortotópico injetar células do ovário 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

Um modelo de pele Melanoma de Organotypic 3D esferoide

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

Avaliação da viabilidade, segurança e precisão de uma alta intensidade intra-operatória focado dispositivo de ultra-som para o tratamento de metástases hepáticas

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

Modelo de matriz extracelular óssea tridimensional para osteossarcoma

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

Detecção de Progressão do Tumor Pulmonar em Camundongos por ultrassom

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

Quantificando o microambique do tumor metastático cerebral usando um modelo 3D de chip de órgão, aprendizado de máquina e tomografia confocal

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

Um modelo de rato resemcional ortotópico de câncer pancreático

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

Detecção simultânea baseada em imagens e flutometria de marcadores de senescência fluorescentes múltiplas em células cancerígenas senescentes induzidas por 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

Modelo Experimental de Imunoterapia para Melanoma utilizando Vacinação Tumoral com Citocina Hematopoiética

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