אלגוריתמים למידת מכונה לגילוי מוקדם של גרורות עצם במודל עכברוש ניסיוני

פרוטוקול זה מאפשר פיתוח של אלגוריתם למידת מכונה לחיזוי הצמיחה של גרורות עצם במודל ניסיוני בשלב של קולוניזציה ארגון מוקדם. היתרון העיקרי של טכניקה זו הוא שהיא משלבת מספר פרמטרי הדמיה לתוך אלגוריתם למידת מכונה כי באופן משמעותי עולה על היכולת היצרנית של כל פרמטר בודד. אמנם, פרוטוקול זה נועד לאבחון מוקדם של גרורות בעצמות, זה יכול להיות מותאם לאיברים שונים או אזורים של מחקר הדמיה רב-מודלית ורב-תכליתית.

10 ימים לאחר הניתוח והזרקה בצופה DICOM עם תוסף DCE. בחרו 'ייבוא' לטעינת רצף DCE במצב 4D ובחרו בתיקיה DICOM הכוללת את תמונות ה-MRI. מניחים מעגלי 1.5 מילימטר מרובע לאזור מימדי של עניין במח עצם פיר טיביאלי proximal של הרגל האחורית הימנית בתוך תמונת MRI הרביעית או החמישית ובחר שיפור יחסי בסוג העלילה.

הזן את הטווח הבסיסי מנקודות זמן, אחת עד חמש לתוך השדות המתאימים וייצא את הניתוח כקובץ TXT נקודה בשם DCE raw dot TXT. פתח את RStudio וטען את קובץ ה- DCE של DCE נקודה R. בחר קוד, הפעל אזור והפעל הכל כדי להפעיל את קובץ ה- Script כולו ולהעתיק את הפלט לקובץ התבנית של תכונות הדימות שסופק.

בצופה DICOM, למקם אזור שני של עניין בתוך השריר האחורי של החיה ולחזור על מדידות DCE כפי שהוכח. בגיליון האלקטרוני של תכונת ההדמיה מדידות העצם המתאימות יחולקו באופן אוטומטי על ידי מדידות השרירים המתאימות לנורמליזציה של נתונים. כדי לנתח את תמונות PET /CT לפתוח את תוכנת ניתוח PET / CT ולייבא את תמונות PET / CT.

לחץ על ניתוח כללי ובחר אזור של כימות עניין, צור וצור אזור מעניין מתבנית. מניחים ארבעה על שישה מילימטר, לאזור מימדי של עניין בתוך מח העצם של פיר טיביאלי proximal של הרגל האחורית הימנית ולבחור אזורים של עניין היעד שכבת-על אחת. שים לב לערכים הממוצעים, המינימליים והמקסימום ב- becquerels למיליליטר.

לאחר מכן, לחלק את הערך המרבי על ידי הפעילות מוזרק להכפיל את התוצאה על ידי משקל החיה בגרמים כדי לחשב את ערך ספיגה מתוקן. כדי לאבחן את קצב הגידול ברגל האחורית מוזרק. לאחר קבלת תמונות MRI ו- PET/CT ביום 30 לאחר ההזרקה, נתח את התמונות כפי שהוכח והוסף עמודת גידול לגיליון האלקטרוני של תכונות ההדמיה.

לאחר מכן הזן אחד או אפס עבור בעלי חיים עם גרורות או ללא נטל גידול גלוי בהתאמה. כדי לקבוע את התכונות הרלוונטיות ביותר לחיזוי צמיחת הגידול בעתיד, יבא את הגיליון האלקטרוני לתוך ערכת כלים של למידת מכונה וכריית נתונים בקוד פתוח. גרור את תת-השגרה של הקובץ מתפריט הנתונים לסביבת העבודה ולחץ פעמיים על הקובץ.

לחץ על סמל התיקיה כדי לטעון את הגיליון האלקטרוני ולבחור בגיליון האלקטרוני של תכונות הדימות. בחר את גליון העבודה של הייצוא והקצה את תכונת היעד לגידול המשתנה. הקצה את פונקציית הדילוג למספר החייתי.

גרור את שגרת המשנה של הדירוג לסביבת העבודה וצייר קו כדי להתחבר לשגרות המשנה של הקבצים והדרגות. לאחר מכן, לחץ פעמיים כדי לפתוח את שגרת המשנה של הדירוג ובחר את אלגוריתם רווח המידע. לניתוח למידת מכונה, פתח את RStudio 3.4.1 וטען את סקריפט R דגם הרכבת שסופק.

בחר שורות שלוש עד שש בתוך קובץ ה- Script כדי לטעון את הספריות הנדרשות. לחץ על קוד כדי להפעיל את הקוד הנבחר ולחץ על הפעל שורות נבחרות כדי להפעיל את השורות שנבחרו. כדי לאמן ממוצע דגמים לאלגוריתם רשת עצבית, בחר קווים 8 עד 39 מקובץ ה- Script של דגם הרכבת R ולחץ על קוד והפעל קווים נבחרים.

לאחר מכן, כדי להעריך את הפרמטרים הסטנדרטיים של דיוק אבחון, בחר קווים 41 עד 50 מקובץ ה- Script של דגם הרכבת R ולחץ על קוד והפעל קווים נבחרים. ביום 10 לאחר ניתוח והזרקת תאים סרטניים, ניתן לרכוש תמונות MRI ו- PET/CT. ניתוח DCE מאפשר מדידה של אזורי עניין של רקמת שריר ועצם.

ערכים אלה יכולים להיות מנורמלים על ידי חלוקת מדידות העצם על ידי מדידות השריר. ביום 30 לאחר ההזרקה, כל בעלי החיים מוערכים כדי לקבוע אם הם פיתחו מטסטיות עם אחד המציין נטל גידול חיובי ואפס המציין בעלי חיים בריאים ללא גידולים גלויים. הפעלת קובץ ה- Script של מודל הרכבת R מאפשרת לקבוע את שילוב פרמטר ההיפר האופטימלי ואת המודל הסופי שיש לחשב באמצעות שילוב פרמטר ההיפר האופטימלי.

נתונים אלה מאפשרים לחשב ערכה של פרמטרי אבחון סטנדרטיים ואת עקומת מאפיין הפעולה של המקלט של המודל להתוות. לדוגמה, בניתוח זה של 28 דגימות המודל מבצע באופן משמעותי טוב יותר מכל שלושת המרכיבים שלו. מספר אלגוריתמים של למידת מכונה נוטים לבצע ביצועים טובים יותר כאשר נתוני הקלט מנורמלים.

בפרוטוקול זה הנורמליזציה מושגת באמצעות הפונקציה Box Cox. פרוטוקול זה משתמש בממוצע מודלים במהלך הרשת כאלגוריתם למידת מכונה. עם זאת, ניתן להתאים בקלות את המסגרת שסופקה לאלגוריתמים אחרים כגון יערות אקראיים או מכונות וקטור תמיכה.

חילוץ מידע מספרי מחומר תמונה הפך חיוני. אלגוריתמים כאלה עשויים להקל על שילוב כמויות גדולות של נתונים כדי לאפשר ריבוד מטופלים.