기계 학습을 사용 하 여 이미지 기반 요법 치료 반응 예측: 간세포 암 종의 트랜스 동맥 치료 예

이 방법은 동맥 내 치료에 대한 반응을 예측하는 데 도움이 될 수 있습니다. 중재 종양학의 기계 학습 응용 프로그램은 우리가 이미지 유도 치료와 간암 및 기타 질병을 치료하는 방식을 바꿀 것입니다. 이 방법은 두 가지 중요한 결정이 내려지는 방식을 개선할 수 있습니다.

일반적으로 이 메서드를 새로 사용하는 개인은 기능을 생성하고 기계 학습 및 코드를 수행해야 하기 때문에 어려움을 겪게 됩니다. 이 방법의 시각적 데모는 기능 생성 단계가 이미징 마스크를 사용하여 이러한 기능을 추출하는 것을 수반하기 때문에 중요합니다. 모델을 학습하려면 잘 인음이 추가되고 임상적으로 대표적인 데이터 집합이 필요합니다.

이러한 기계 학습 알고리즘을 더욱 개선하기 위해서는 더 많은 환자 데이터와 대규모 코호트가 필요할 것입니다. 모델에 포함 할 임상 기능을 결정한 후 적절한 자연어 도구 키트를 사용하여 일반 텍스트 클리닉 노트를 문장으로 구문 분석하여 관심 있는 용어를 검색할 수 있습니다. 그런 다음 각 환자의 기능을 한 줄당 하나의 피쳐가 있는 파일에 저장합니다.

비 바이너리 피쳐의 경우 모든 환자에 걸쳐 각 피쳐의 중앙값값을 얻고 각 피쳐를 중앙값에 따라 true 또는 false 값으로 비나이즈합니다. 의료 이미지에서 평균 간 향상 기능을 계산합니다. 간을 포함하는 복셀을 격리 한 후 평균 간 향상 명령을 입력합니다.

간 부피 피쳐를 확인하려면 표시된 대로 명령을 입력합니다. 그런 다음 각 이미징 피쳐에 대한 중간 값을 계산하고 설명된 대로 피처를 비나이즈합니다. 피처의 집계 및 감소를 위해 먼저 낮은 분산 기능을 고려에서 제거하고 이진 행렬의 피처를 읽습니다.

다음으로 분산 임계값 모델을 사용하여 테이블에 나와 있는 것과 유사한 응답자와 비응답자 모두의 20% 이상에 나타나는 피쳐를 계산합니다. 결과와 낮은 univariate 연결기능을 제거하고 n이 환자의 수인 n 기능을 유지 n 기능을 유지 원래 낮은 변이체 스크리닝을 통과하는 기능만 필터링합니다. 그런 다음 테이블에 표시된 것과 유사한 각 피쳐에 대한 이진 행렬을 읽습니다.

피처가 비나화되고 필터링된 후에는 모델을 학습할 시간입니다. 모델 교육은 연구 결과에 기능에 맞는 간단한 프로세스이며 새로운 환자에 대한 예측을 하는 데 사용할 수 있습니다. 간세포 암에 대한 트랜스 동맥 치료를 받은 36명의 환자를 대상으로 한 대표적인 분석에서, 25개의 특징은 변이체와 단변성 협회 필터를 모두 만족시키는 5개의 특징으로 입증된 바와 같이 확인되고 비나드화되었다.

각 환자는 간 반응 기준의 연구를 위한 정량적인 유럽 협회의 밑에 응답자 또는 비 응답자로 표시되었습니다. 도시된 바와 같이, 물류 회귀 및 무작위 산림 모델 모두 전체 정확도 78%의 전체 정확도로 트랜스 동맥 화학색색전화 치료 반응을 예측하고, 훈련 모델을 적용하여 새로운 환자에 대한 예측을 할 수 있다. 이 기계 학습 기술은 절차 전, 절차 간 및 절차 후 이미징을 포함하는 모든 치료에 보편적으로 적용 될 수 있습니다.