Vorhersage der Behandlungserfolg für bildgestützte Therapien mit maschinellem lernen: ein Beispiel für eine Trans-arterielle Behandlung des hepatozellulären Karzinoms

Diese Methode kann helfen, die Reaktion auf intraarterielle Therapien vorherzusagen. Machine Learning-Anwendungen in der interventionellen Onkologie werden die Art und Weise, wie wir Leberkrebs und andere Krankheiten behandeln, mit bildgesteuerten Therapien verändern. Diese Methode hat das Potenzial, die Art und Weise, wie zwei wichtige Entscheidungen getroffen werden, zu verbessern.

Im Allgemeinen werden Personen, die neu in dieser Methode sind, Schwierigkeiten haben, weil die Features generiert und maschinelles Lernen und Code ausgeführt werden müssen. Die visuelle Demonstration dieser Methode ist von entscheidender Bedeutung, da die Schritte zur Featuregenerierung das Extrahieren dieser Features mithilfe von Bildverarbeitungsmasken erfordern. Ein gut annotierter und klinisch repräsentativer Datensatz ist notwendig, um das Modell zu trainieren.

Mehr Patientendaten und große Kohorten werden notwendig sein, um einen solchen Machine Learning-Algorithmus weiter zu verbessern. Nachdem Sie entschieden haben, welche klinischen Merkmale in das Modell aufgenommen werden sollen, verwenden Sie ein geeignetes Toolkit für natürliche Sprachen, um die Klartext-Kliniknotizen in Sätze zu analysieren, um die Suche nach Begriffen von Interesse zu ermöglichen. Speichern Sie dann die Funktionen jedes Patienten in einer Datei mit einer Funktion pro Zeile.

Rufen Sie bei nichtbinären Features den Medianwert jedes Features für alle Patienten ab, und binarisieren Sie jedes Feature basierend auf dem Medianwert als wahrer oder falscher Wert. Um eine mittlere Leberverbesserungsfunktion aus einem medizinischen Bild zu berechnen. Nach der Isolierung der Voxel, die die Leber enthalten, geben Sie den mittleren Leberverbesserungsbefehl ein.

Um das Lebervolumen-Feature zu bestimmen, geben Sie die Befehle wie angegeben ein. Berechnen Sie dann die Medianwerte für jedes Bildgebungs-Feature, und binarisieren Sie die Features wie gezeigt. Entfernen Sie für die Aggregation und Reduzierung der Features zunächst die Features mit geringer Varianz aus der Betrachtung und lesen Sie die Features in der Binärmatrix.

Verwenden Sie als Nächstes das Varianzschwellenmodell, um die Features zu berechnen, die in mindestens 20 % der Responder und Nicht-Responder angezeigt werden, ähnlich dem in der Tabelle dargestellten. Entfernen Sie alle Features mit einer niedrigen univariaten Assoziation mit dem Ergebnis und filtern Sie nur die Features, die das ursprüngliche niedrige Variantenscreening passieren, wobei n-Features die Anzahl der Patienten beträgt. Lesen Sie dann in der binären Matrix für jedes Feature, ähnlich wie in der Tabelle dargestellt.

Nachdem die Features binarisiert und gefiltert wurden, ist es an der Zeit, das Modell zu trainieren. Modelltraining ist ein einfacher Prozess, der die Funktionen an das untersuchte Ergebnis anpasst und verwendet werden kann, um Vorhersagen über neue Patienten zu treffen. In dieser repräsentativen Analyse von 36 Patienten, die transarterielle Therapien für hepatozelluläres Karzinom unterzogen wurden, wurden 25 Merkmale identifiziert und binarisiert, wie mit 5 Merkmalen nachgewiesen wurde, die sowohl die Varianten als auch die univariaten Assoziationsfilter erfüllten.

Jeder Patient wurde im Rahmen der quantitativen Europäischen Vereinigung für die Untersuchung der Kriterien für die Reaktion auf die Leber entweder als Responder oder Als Nicht-Responder bezeichnet. Wie dargestellt, prognostizierten sowohl die logistische Regression als auch die zufälligen Waldmodelle eine transarterielle Chemoembolisierungsbehandlung mit einer Gesamtgenauigkeit von 78%Nach dieser Methode ist es möglich, Vorhersagen über neue Patienten zu treffen, indem das Trainingsmodell angewendet wird. Diese maschinelle Lerntechnik kann universell auf jede Therapie angewendet werden, die eine vorprozedurale, interprozedurale und postprozedurale Bildgebung umfasst.