用机器学习预测图像引导疗法的治疗反应--肝细胞癌的跨动脉治疗实例

此方法可以帮助预测对动脉内疗法的反应。介入肿瘤学中的机器学习应用将改变我们使用图像引导疗法治疗肝癌和其他疾病的方式。这种方法有可能改进两个重要决策的制作方式。

通常，由于需要生成功能并执行机器学习和代码，对此方法的新功能人员将难以操作。此方法的可视化演示至关重要，因为特征生成步骤需要使用成像掩码提取这些功能。需要有一个注释良好的、具有临床代表性的数据集来训练模型。

为了进一步改进这种机器学习算法，需要更多的患者数据和庞大的队列。在确定模型中包括哪些临床特征后，使用适当的自然语言工具包将纯文本临床笔记解析为句子，以便搜索感兴趣的术语。然后将每个患者的功能存储在每行一个功能的文件中。

对于非二进制要素，获取所有患者中每个要素的中位数，并基于中位数将每个要素二进制为真值或假值。从医学图像中计算平均肝脏增强功能。隔离含有肝脏的体素后，输入平均肝脏增强命令。

要确定肝脏体积功能，请输入指示的命令。然后计算每个成像要素的中值，并按演示的要素二进制。要聚合和减少要素，请首先从考虑中删除低方差要素，并读取二进制矩阵中的要素。

接下来，使用方差阈值模型计算至少 20% 的响应方和非响应方中显示的要素，与表中所示的要素类似。删除与结果单变量关联率较低的任何特征，并仅筛选那些通过原始低变型筛选保留 n 要素的要素，其中 n 是患者数量。然后在每个要素的二进制矩阵中阅读，类似于表中所示。

将特征二进制化和筛选后，是时候训练模型了。模型培训是一个简单明了的过程，它符合研究结果的特点，可用于预测新患者。在这项对36名接受肝细胞癌跨动脉治疗的患者的代表性分析中，25个特征被识别和二进制，证明有5个特征，既满足了变异，又符合单变量关联过滤器。

每个患者被标记为响应者或非反应者根据定量欧洲协会研究肝脏反应标准。如图所示，逻辑回归和随机森林模型都预测了一个整体精度为78%的跨动脉化疗治疗响应。这种机器学习技术可以普遍应用于任何涉及程序前、程序间和程序后成像的疗法。