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

Detta arbete stöddes av den tyska forskningsstiftelsen (DFG, Collaborative Research Centre CRC 1181, subproject Z02; Det prioriterade programmet μBone, projekten BA 4027/10-1 och BO 3811), inklusive ytterligare stöd för skanningsanordningarna (INST 410/77-1 FUGG och INST 410/93-1 FUGG), och av Initiativet för nya fält (EFI) "Big Thera" från Friedrich-Alexander-University Erlangen-Nürnberg.

Alla vård- och försöksförfaranden utfördes i enlighet med nationell och regional lagstiftning om djurskydd, och alla djurprocedurer godkändes av delstatsregeringen i Franken, Tyskland (referensnummer 55,2 DMS-2532-2-228).
1. Induktion av bröstcancer benmetastaser i högra bakbenet av nakna råttor
OBS: En detaljerad beskrivning av induktion av bröstcancer benmetastaser i nakenråttor har publicerats någon annanstans6,<sup cl...

<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 är kraftfulla verktyg som används för att integrera flera prediktiva funktioner i en kombinerad modell och få en noggrannhet som överstiger den hos dess separata beståndsdelar när de används ensam. Icke desto mindre beror det faktiska resultatet på flera kritiska steg. För det första är ML-algoritmen som används en avgörande faktor, eftersom olika ML-algoritmer ger olika resultat. Algoritmen som används i det här protokollet är en avNNet, men andra lovande algoritmer inkluderar Extreme Grad...

Syftet med detta protokoll är att integrera flera funktionella bildbehandlingsparametrar från MRI och PET/CT i en modellsnittad neuralt nätverk (avNNet) ML-algoritm. Denna algoritm förutspår tillväxten av makrometastaser i en råtta modell av bröstcancer ben metastaser vid en tidig tidpunkt, när makroskopiska förändringar inom benet är ännu inte synliga.
Före tillväxten av makrometastaser, en benmärg invasion av spridas tumörceller förekommer, vanligen kallad mikrometastatisk sjukdom1,2. Denna inledande invasion kan betraktas som ett tidigt steg i metastaserande sjukdom, men är vanligtvis missat under konventionella mellanstationerundersökningar 3,4. Även om de för närvarande tillgängliga bildhanteringsmodaliteterna inte kan detektera mikroinvasion av benmärg när den används ensam, har en kombination av bildframställningsparametrar som ger information om vaskularisering och metabolisk aktivitet visat sig presterabättre 5. Denna kompletterande fördel uppnås genom att kombinera olika avbildningsparametrar till en avNNet, som är en ML-algoritm. En sådan avNNet möjliggör tillförlitlig förutsägelse av ben macrometastases bildning innan några synliga metastaser är närvarande. Därför kan integrera imaging biomarkörer i en avNNet fungera som en surrogat parameter för benmärg microinvasion och tidig metastaserande sjukdom.
För att utveckla protokollet, en tidigare beskriven modell av bröstcancer benmetastaser i naken råttor användes6,7,8. Fördelen med denna modell är dess plats-specificitet, vilket innebär att djuren utvecklar beniga metastaser uteslutande i sitt högra bakben. Dock är tumör-ta andelen av detta tillvägagångssätt 60%–80%, så ett ansenligt antal av djuren inte utvecklar några metastaser under studien. Med hjälp av bildframställning modaliteter såsom MRI och PET / CT, förekomsten av metastaser är detekterbar från dag 30 postinjection (PI). Vid tidigare tidpunkter (t.ex. 10 PI) avbildning skiljer inte mellan djur som kommer att utveckla metastaserande sjukdom och de kommer inte (Figur 1).
En avNNet utbildad på funktionella bildframställning parametrar förvärvade dag 10 PI, som beskrivs i följande protokoll, tillförlitligt förutsäger eller utesluter tillväxten av makrometastaser inom följande ~ 3 veckor. Neural Networks kombinera konstgjorda noder inom olika lager. I studieprotokollet representerar de funktionella bildframställningsparametrarna för benmärgsblodtillförsel och metabolisk aktivitet det nedersta lagret, medan förutsägelsen av malignitet representerar det översta lagret. Ett ytterligare mellanlager innehåller dolda noder som är kopplade till både det övre och det nedersta lagret. Styrkan i sambanden mellan de olika noderna uppdateras under utbildningen av nätverket för att utföra respektive klassificeringsuppgift med hög noggrannhet9. Noggrannheten i ett sådant neuralt nätverk kan ökas ytterligare genom att medelvärdet av utgångarna av flera modeller, vilket resulterar 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

Maskininlärning (ML) algoritmer tillåter integrering av olika funktioner i en modell för att utföra klassificering eller regression uppgifter med en noggrannhet som överstiger dess beståndsdelar. Detta protokoll beskriver utvecklingen av en ML algoritm för att förutsäga tillväxten av bröstcancer ben macrometastases i en råtta modell innan några avvikelser är observerbara med standard bildframställning metoder. En sådan algoritm kan underlätta detektering av tidig metastaserande sjukdom (dvs. mikrometastasis) som regelbundet missas under mellanstationer undersökningar.
Den tillämpade metastasmodellen är platsspecifik, vilket innebär att råttorna utvecklar metastaser uteslutande i sitt högra bakben. Modellens tumör-take-hastighet är 60%–80%, med macrometastases blir synliga i magnetic resonance imaging (MRI) och positron emissions tomografi/datortomografi (PET/CT) i en delmängd av djur 30 dagar efter induktion, medan en andra delmängd av djur uppvisar ingen tumör tillväxt.
Med utgångspunkt från bild undersökningar som förvärvats vid en tidigare tidpunkt, beskriver detta protokoll extraktion av funktioner som indikerar vävnad vascularization detekteras av MRI, glukos metabolism av PET/CT, och den efterföljande bestämning av de mest relevanta funktionerna för förutsägelse av makrometastatisk sjukdom. Dessa funktioner matas sedan in i ett modellsnitt neuralt nätverk (avNNet) för att klassificera djuren i en av två grupper: en som kommer att utveckla metastaser och den andra som inte kommer att utveckla några tumörer. Protokollet beskriver också beräkningen av standarddiagnostiska parametrar, såsom total noggrannhet, känslighet, specificitet, negativa/ positiva prediktiva värden, sannolikhetsförhållanden och utvecklingen av en mottagaroperativ. En fördel med det föreslagna protokollet är dess flexibilitet, eftersom det lätt kan anpassas för att träna en uppsjö av olika ML algoritmer med justerbara kombinationer av ett obegränsat antal funktioner. Dessutom, Det kan användas för att analysera olika problem i onkologi, infektion, och inflammation.

Råttorna återhämtade sig snabbt från operationen och injektionen av MDA-MB-231 bröstcancerceller och utsattes sedan för MR- och PET/CT-avbildning dag 10 och 30 PI (Figur 1). En representativ DCE-analys av en råttas högra proximala skenben presenteras i figur 2A. DCE-råmåtten sparades genom att välja "Export" -knappen och välja "DCEraw.txt" som filnamn.
Efterföljande beräkningar av de dynamiska parametrar...

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

Detta protokoll har utformats för att träna en maskininlärningsalgoritm för att använda en kombination av bildbehandlingsparametrar som härrör från magnetisk resonanstomografi (MRI) och positronemissionstomografi/datortomografi (PET/CT) i en råttmodell av bröstcancerben metastaser för att upptäcka tidig metastaserande sjukdom och förutsäga efterföljande progression till makrometastaser.

Machine Learning Algoritmer för tidig upptäckt av Ben metastaser i en experimentell Rat Model

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

Detta protokoll underlättar utvecklingen av en maskininlärningsalgoritm för att förutsäga tillväxten av benmetastaser i en experimentell modell i det skede av tidiga organkoloniseringen. Den största fördelen med denna teknik är att den kombinerar flera bildframställningsparametrar till en maskininlärningsalgoritm som markant överträffar den produktiva förmågan hos varje enskild parameter. Även om detta protokoll syftar till tidig diagnos av metastaser i ben, kan det anpassas till olika organ eller områden av multimodal och multiparametric imaging forskning.10 dagar efter operationen och injektion i en DICOM-tittare med en DCE-plugin. Plocka import för att läsa in DCE-sekvensen i 4D-läge och välj den DICOM-mapp som innehåller MRI-bilderna. Placera en cirkulär 1,5 kvadrat millimeter till dimensionell region av intresse i den proximala tibial skaft benmärg av höger bakben inom fjärde eller femte MRI bild och välj relativ förbättring i tomten typ.Ange baslinjeintervallet från tidspunkter, en till fem i respektive fält och exportera analysen som en punkt TXT-fil med namnet DCE raw dot TXT. Öppna RStudio och läs in den medföljande DCE-skriptpunkt R-filen. Välj kod, kör region och kör alla för att köra hela skriptet och kopiera utdata till den medföljande bildhanteringsfunktioner mallfilen.I DICOM-betraktaren placerar du en andra region av intresse inom djurets ryggmuskel och upprepar DCE-mätningarna som de visats. I imaging funktionen kalkylblad respektive ben mätningar kommer automatiskt att delas av respektive muskel mätningar för data normalisering. För att analysera PET/CT-bilderna öppna PET/CT-analysprogramvaran och importera PET/CT-bilderna.Klicka på allmän analys och välj region av intresse kvantifiering, skapa och skapa en region av intresse från en mall. Förlägga en fyra vid sex millimetrar, till den dimensionella regionen av intresserar inom benmärgen av den proximala tibial axeln av den högra baken lägger benen på ryggen och väljer regioner av intresserar uppsätta som mål en overlay. Observera medelvärdet, minimi- och maximivärdena i becquerels per milliliter.Sedan delar du upp det maximala värdet med den injicerade aktiviteten och multiplicerar resultatet med djurets vikt i gram för att beräkna det standardiserade upptagningsvärdet. För att diagnostisera tumörtillväxthastigheten i det injicerade bakbenet. Efter att ha erhållit MRI och PET/CT bilder på dag 30 efter injektion, analysera bilderna som visat och lägga till en tumör kolumn till bildåtergivning funktioner kalkylblad.Ange sedan en en eller noll för djur med metastasering eller utan en synlig tumör börda respektive. För att fastställa de mest relevanta funktionerna för förutsägelse av framtida tumörtillväxt, importera kalkylbladet till en öppen källkod datavisualisering maskininlärning och data mining toolkit. Dra filens underrutin från datamenyn till arbetsytan och dubbelklicka på filen.Klicka på mappikonen om du vill läsa in kalkylarket och välja kalkylbladet för bildhanteringsfunktioner. Markera exportkalkylbladet och tilldela målattributet till variabeltumören. Tilldela djurnumret hoppfunktionen.Dra den frodiga sub-rutinen i arbetsytan och rita en linje för att ansluta till filen och rangordna sub-rutiner. Sedan dubbelklickar du för att öppna den rang sub-rutin och välj algoritmen informationsförstÃ.nde. För maskininlärningsanalys öppnar du RStudio 3.4.1 och laddar det förutsatta tågmodellen R-skriptet.Välj rader tre till sex inom skriptet för att läsa in de bibliotek som krävs. Klicka på kod för att köra den valda koden och klicka på kör markerade rader för att köra de markerade raderna. Om du vill träna en modell genomsnitt till neurala nätverk algoritm, välj linjer åtta till 39 från tåget modell R-skript och klicka på kod och köra valda linjer.Sedan för att bedöma standardparametrarna för diagnostisk noggrannhet, välj linjer 41 till 50 från tåget modell R-skript och klicka på kod och köra valda rader. Dag 10 efter operation och cancercellsinjektion kan MR-och PET/CT-bilder förvärvas. DCE analys möjliggör mätning av muskel-och benvävnad områden av intresse.Dessa värden kan normaliseras genom att dividera benmätningarna med muskelmätningarna. Dag 30 efter injektionen utvärderas alla djur för att avgöra om de har utvecklat metasticies med en som indikerar en positiv tumör börda och en nolla som anger friska djur utan synliga tumörer. Köra tåget modell R-skriptet kan optimal hyper parameter kombinationen fastställas och den slutliga modellen som ska beräknas med hjälp av optimal hyper parameter kombination.Dessa data gör att en uppsättning av standarddiagnostiska parametrar beräknas och mottagaren drifts karakteristiska kurvan för modellen som skall ritas. Till exempel, i denna analys av 28 prover modellen presterar betydligt bättre än alla sina tre beståndsdelar. Flera maskininlärningsalgoritmer tenderar att prestera bättre när indata normaliseras.I detta protokoll normalisering uppnås med hjälp av Box Cox funktion. Det här protokollet använder ett modellgenomsnitt under nätverket som en maskininlärningsalgoritm. Den tillhandahållna ramen kan dock enkelt anpassas till andra algoritmer som slumpmässiga skogar eller stödvektormaskiner.Att extrahera numerisk information från bildmaterial har blivit väsentligt. Algoritmer som dessa kan underlätta integreringen av stora mängder data för att tillåta patientstratifiering.

Research

JoVE Journal

Cancer Research

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

Intra-iliaca Injection för effektiv och selektiv Modellering av Mikroskopisk skelettmetastaser

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

Murina Experimentellt av ursprungliga tumören utveckling och peritonealdialys metastasering<em&gt; via</em&gt; Orthotopic Ympning med ovarialcancer celler

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

En 3D Organotypic melanom sfäroid hud 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

Utvärdering av genomförbarhet, säkerhet och noggrannhet av en intraoperativ högintensiva fokuserat ultraljud enhet för behandling av levermetastaser

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

Tredimensionella ben extracellulärmatrix modell för osteosarkom

Osteosarcoma (OS) is the most common and a highly aggressive primary bone tumor. It is characterized with anatomic and histologic variations along with ...

Detection of Lung Tumor Progression in Mice by Ultrasound Imaging

Upptäckt av lungtumörprogression hos möss av ultraljudsavbildning

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

Kvantifiera hjärnan metastaserande tumör mikromiljö med hjälp av en organ-on-A Chip 3D-modell, machine learning, och confocal 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 ortopisk sambandsmusmodell av bukspottskörtelcancer

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 och flödescytometribaserad detektion av flera fluorescerande åldrande markörer i terapiinducerade senescenta cancerceller

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

Experimentell melanomimmunterapimodell med tumörvaccination med ett hematopoetiskt 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 ...