機械学習を用いた画像誘導治療治療に対する反応を予測: 肝細胞癌における経動脈的治療の例

この方法は、動脈内療法に対する応答を予測するのに役立ちます。介入腫瘍学における機械学習アプリケーションは、画像誘導療法による肝臓癌やその他の疾患の治療方法を変えます。この方法は、2つの重要な決定が行われる方法を改善する可能性を秘めています。

一般に、このメソッドを新しく作成するユーザーは、機能を生成し、機械学習とコードを実行する必要があるため、苦労します。この方法の視覚的なデモンストレーションは、イメージングマスクを使用してそれらのフィーチャーを抽出する必要があるフィーチャー生成ステップとして重要です。モデルをトレーニングするには、適切な情報を持つ臨床的に代表的なデータセットが必要です。

このような機械学習アルゴリズムをさらに改善するには、より多くの患者データと大規模なコホートが必要になります。モデルに含める臨床機能を決定した後、適切な自然言語ツールキットを使用して、プレーンテキストのクリニックノートを文に解析し、関心のある用語を検索できるようにします。次に、各患者の特徴を、1行に1つの特徴を持つファイルに保存します。

非バイナリ機能の場合、すべての患者の各特徴の中央値を取得し、各特徴を中央値に基づいて真または偽の値として二値化します。医療画像から平均肝増強機能を計算する。肝臓を含むボクセルを分離した後、平均肝増強コマンドを入力します。

肝臓の容積の特徴を決定するには、指示に従ってコマンドを入力します。次に、各イメージング フィーチャーの中央値を計算し、実証したようにフィーチャを二値化します。フィーチャの集約と削減については、まず低分散フィーチャーを考慮から削除し、二項行列のフィーチャーを読み取る必要があります。

次に、分散しきい値モデルを使用して、レスポンダーと非応答者の両方の少なくとも 20% に現れるフィーチャを計算します。結果との一変量関連性が低い特徴を削除し、元の低変種スクリーニングに合格した機能のみをフィルタリングし、nは患者数であるn特徴を保持します。次に、表に示すように、各機能のバイナリ行列を読み取ります。

フィーチャがバイナリ化され、フィルタリングされた後、モデルをトレーニングする時間です。モデルトレーニングは、研究中の結果に機能を適合させ、新しい患者についての予測を行うために使用できる簡単なプロセスです。肝細胞癌に対するトランス動脈療法を受けた36人の患者のこの代表的な分析では、25の特徴が同定され、変異体および一変量会合フィルターの両方を満たす5つの特徴で実証されたように二値化された。

各患者は、肝臓応答基準の研究のための定量的な欧州協会の下で応答者または非応答者のいずれかとしてラベル付けされた。図示したように、ロジスティック回帰モデルとランダムフォレストモデルの両方が、この方法に従って78%の全体的な精度でトランス動脈ケミオンボル化治療応答を予測し、トレーニングモデルを適用することによって新しい患者に予測を行うことができる。この機械学習技術は、手続き前、手続き間、および手続き後のイメージングを含むあらゆる治療法に普遍的に適用できます。