خوارزميات التعلم الآلي للكشف المبكر عن الانبثاث العظام في نموذج الفئران التجريبية
Summary
وقد صُمِّم هذا البروتوكول لتدريب خوارزمية للتعلم الآلي لاستخدام مزيج من بارامترات التصوير المستمدة من التصوير بالرنين المغناطيسي (MRI) والتصوير المقطعي /التصوير المقطعي للانبعاثات البوزيترونية (PET/CT) في نموذج فأر من أنبثاث عظام سرطان الثدي للكشف المبكر عن الأمراض النقيالة والتنبؤ بالتقدم اللاحق إلى الماكروميتاستاسات.
Abstract
تسمح خوارزميات التعلم الآلي (ML) بدمج ميزات مختلفة في نموذج لأداء مهام التصنيف أو الانحدار بدقة تتجاوز مكوناتها. يصف هذا البروتوكول تطور خوارزمية ML للتنبؤ بنمو ماكروميتاستاسات العظام لسرطان الثدي في نموذج الفئران قبل أن تكون أي تشوهات ملحوظة باستخدام طرق التصوير القياسية. ويمكن لهذه الخوارزمية أن تسهل الكشف عن الأمراض النقيلية المبكرة (أي ميكروميتاساساتيس) التي يتم تفويتها بانتظام أثناء الفحوص المرحلية.
نموذج الانبثاث المطبق هو موقع محدد ، مما يعني أن الفئران تطور الانبثاث حصريًا في ساقها الخلفية اليمنى. معدل أخذ الورم في النموذج هو 60٪ -80٪، مع ماكروميتاسات تصبح مرئية في التصوير بالرنين المغناطيسي (MRI) والتصوير المقطعي للانبعاثات البوزيترونية /التصوير المقطعي المحوسب (PET/CT) في مجموعة فرعية من الحيوانات بعد 30 يوما من الحث، في حين أن مجموعة فرعية ثانية من الحيوانات لا تظهر أي نمو الورم.
بدءا من فحص الصورة المكتسبة في وقت سابق من نقطة، ويصف هذا البروتوكول استخراج الميزات التي تشير إلى الأوعية الدموية الأنسجة التي اكتشفت بواسطة التصوير بالرنين المغناطيسي، والتمثيل الغذائي الجلوكوز PET / CT، وتحديد لاحقة من الميزات الأكثر أهمية للتنبؤ بمرض ماكروميتاستاتيك. ثم يتم تغذية هذه الميزات في شبكة عصبية متوسطة الطراز (avNNet) لتصنيف الحيوانات إلى واحدة من مجموعتين: واحدة من شأنها أن تطور الانبثاث والأخرى التي لن تتطور أي أورام. كما يصف البروتوكول حساب المعلمات التشخيصية القياسية، مثل الدقة الكلية، والحساسية، وخصوصية، والقيم التنبؤية السلبية/الإيجابية، ونسب الاحتمال، وتطوير خصائص التشغيل الخاصة بالمستقبِل. ومن مزايا البروتوكول المقترح مرونته، حيث يمكن تكييفه بسهولة لتدريب عدد كبير من خوارزميات ML المختلفة مع تركيبات قابلة للتعديل لعدد غير محدود من الميزات. وعلاوة على ذلك، يمكن استخدامه لتحليل مشاكل مختلفة في علم الأورام، والعدوى، والتهاب.
Introduction
الغرض من هذا البروتوكول هو دمج العديد من معلمات التصوير الوظيفية من التصوير بالرنين المغناطيسي وPET / CT في خوارزمية شبكة عصبية متوسطة الطراز (avNNet) ML. هذه الخوارزمية تتوقع نمو macrometastases في نموذج الفئران من سرطان الثدي العظام الانبثاث في وقت مبكر، عندما التغييرات العيانية داخل العظام ليست مرئية حتى الآن.
قبل نمو ميكروميتاسس، يحدث غزو نخاع العظم للخلايا السرطانية المنشورة، ويشار إليها عادة باسم مرض ميكروميتاستاتيكي1،2. يمكن اعتبار هذا الغزو الأولي خطوة مبكرة في مرض النقيلي ، ولكن عادة ما يغيب خلال فحوص التدريج التقليدية3،4. على الرغم من أن طرائق التصوير المتاحة حاليا لا يمكن الكشف عن نخاع العظم microinvasion عند استخدامها وحدها، وقد تبين مزيج من المعلمات التصوير التي تعطي معلومات عن الأوعية الدموية والنشاط الأيضي لأداء أفضل5. ويتحقق هذا فائدة تكميلية من خلال الجمع بين مختلف المعلمات التصوير في avNNet، وهو خوارزمية ML. مثل avNNet يسمح للتنبؤ موثوق بها من تشكيل ماكروميتاسساتيس العظام قبل أي الانبثاث مرئية موجودة. ولذلك، يمكن أن يكون دمج المؤشرات الحيوية للتصوير في avNNet بمثابة معلمة بديلة لأمراض النخاع العظمي الدقيقة والأمراض النقيلية المبكرة.
لتطوير البروتوكول، تم استخدام نموذج سبق وصفه من الانبثاث العظام سرطان الثدي في الفئران عارية6،7،8. ميزة هذا النموذج هو خصوصية الموقع، وهذا يعني أن الحيوانات تطوير الانبثاث العظمية حصرا في ساقها الخلفية اليمنى. ومع ذلك، فإن معدل تناول الورم لهذا النهج هو 60٪ -80٪، وبالتالي فإن عددا كبيرا من الحيوانات لا تتطور أي الانبثاث خلال الدراسة. باستخدام طرائق التصوير مثل التصوير بالرنين المغناطيسي و PET/CT، يمكن الكشف عن وجود الانبثاث من اليوم 30 بعد الحقن (PI). في وقت سابق من النقاط (على سبيل المثال ، 10 PI) التصوير لا يميز بين الحيوانات التي سوف تتطور مرض النقيلي وتلك لن (الشكل 1).
وavNNet تدريب على المعلمات التصوير الوظيفي المكتسبة في يوم 10 PI ، كما هو موضح في البروتوكول التالي ، ويتوقع بشكل موثوق أو يستبعد نمو ماكروميتاستاس خلال الأسابيع التالية ~ 3. تجمع الشبكات العصبية بين العقد الاصطناعية داخل طبقات مختلفة. في بروتوكول الدراسة، تمثل معلمات التصوير الوظيفية لإمدادات الدم نخاع العظم والنشاط الأيضي الطبقة السفلية، في حين أن التنبؤ بالثمانة يمثل الطبقة العليا. طبقة متوسطة إضافية تحتوي على عقد مخفية متصلة بكل من الطبقة العليا والسفلى. يتم تحديث قوة الاتصالات بين العقد المختلفة أثناء تدريب الشبكة لأداء مهمة التصنيف ذات الصلة بدقة عالية9. ويمكن زيادة دقة هذه الشبكة العصبية عن طريق زيادة متوسط نواتج عدة نماذج، مما أدى إلى avNNet10.
Protocol
Representative Results
Discussion
ML خوارزميات هي أدوات قوية تستخدم لدمج العديد من الميزات التنبؤية في نموذج مجتمعة والحصول على دقة تتجاوز أن من مكونات منفصلة عند استخدامها وحدها. ومع ذلك، تعتمد النتيجة الفعلية على عدة خطوات حاسمة. أولاً، تعتبر خوارزمية ML المستخدمة عاملاً حاسماً، لأن خوارزميات ML المختلفة تسفر عن نتائج مخت…
Disclosures
The authors have nothing to disclose.
Acknowledgements
وقد دعم هذا العمل مؤسسة البحوث الألمانية (DFG، مركز البحوث التعاونية CRC 1181، المشروع الفرعي Z02؛ برنامج الأولوية μBone، مشاريع BA 4027/10-1 و BO 3811)، بما في ذلك دعم إضافي لأجهزة المسح الضوئي (INST 410/77-1 FUGG و INST 410/93-1 FUGG)، ومن قبل مبادرة الحقول الناشئة (EFI) “Big Thera” من جامعة فريدريش ألكسندر إرلانجن-نورنبيرغ.
Materials
| Binocular Operating Microscope | Leica | NA | |
| ClinScan MR System | Bruker | NA | |
| DICOM Viewer | Horos | NA | www.horosproject.org |
| Excel: Spreadsheet | Microsoft | NA | |
| FCS | Sigma | F2442-500ML | |
| Gadovist | Bayer-Schering | NA | |
| Inveon PET/CT | Siemens | NA | |
| Inveon Research Workplace Software | Siemens Healthcare GmbH | NA | |
| IVIS Spectrum | PerkinElmer | NA | |
| MDA-MB-231 human breast cancer cells | American Type Culture Collection | N/A | |
| Open-source data visualization, machine learning and data mining toolkit. | Orange3, University of Ljubljana | NA | https://orange.biolab.si/ |
| RPMI-1640 | Invitrogen/ThermoFisher | 11875093 | |
| Trypsin | Sigma | 9002-07-7 | |
| Vevo 3100 | VisualSonics | NA |
References
- D’Oronzo, S., Brown, J., Coleman, R. The role of biomarkers in the management of bone-homing malignancies. Journal of Bone Oncology. 9, 1-9 (2017).
- Ellmann, S., Beck, M., Kuwert, T., Uder, M., Bäuerle, T. Multimodal imaging of bone metastases: From preclinical to clinical applications. Journal of Orthopaedic Translation. 3 (4), 166-177 (2015).
- Braun, S., Pantel, K. Clinical significance of occult metastatic cells in bone marrow of breast cancer patients. The Oncologist. 6 (2), 125-132 (2001).
- Braun, S., Rosenberg, R., Thorban, S., Harbeck, N. Implications of occult metastatic cells for systemic cancer treatment in patients with breast or gastrointestinal cancer. Seminars in surgical oncology. 20 (4), 334-346 (2001).
- Ellmann, S., et al. Prediction of early metastatic disease in experimental breast cancer bone metastasis by combining PET/CT and MRI parameters to a Model-Averaged Neural Network. Bone. 120, 254-261 (2018).
- Bäuerle, T., Komljenovic, D., Berger, M. R., Semmler, W. Multi-modal imaging of angiogenesis in a nude rat model of breast cancer bone metastasis using magnetic resonance imaging, volumetric computed tomography and ultrasound. Journal of Visualized Experiments. (66), e4178 (2012).
- Merz, M., Komljenovic, D., Semmler, W., Bäuerle, T. Quantitative contrast-enhanced ultrasound for imaging antiangiogenic treatment response in experimental osteolytic breast cancer bone metastases. Investigative Radiology. 47 (7), 422-429 (2012).
- Bäuerle, T., et al. Characterization of a rat model with site-specific bone metastasis induced by MDA-MB-231 breast cancer cells and its application to the effects of an antibody against bone sialoprotein. International Journal of Cancer. 115 (2), 177-186 (2005).
- Patel, J., Goyal, R. Applications of Artificial Neural Networks in Medical Science. Current Clinical Pharmacology. 2 (3), 217-226 (2008).
- Naftaly, U., Intrator, N., Horn, D. Optimal ensemble averaging of neural networks. Network: Computation in Neural Systems. 8 (3), 283-296 (1997).
- Bäuerle, T., Merz, M., Komljenovic, D., Zwick, S., Semmler, W. Drug-induced vessel remodeling in bone metastases as assessed by dynamic contrast enhanced magnetic resonance imaging and vessel size imaging: A longitudinal in vivo study. Clinical Cancer Research. 16 (12), 3215-3225 (2010).
- Cheng, C., et al. Evaluation of treatment response of cilengitide in an experimental model of breast cancer bone metastasis using dynamic PET with 18F-FDG. Hellenic Journal of Nuclear Medicine. 14 (1), 15-20 (2011).
- Marturano-Kruik, A., et al. Human bone perivascular niche-on-a-chip for studying metastatic colonization. Proceedings of the National Academy of Sciences of the United States of America. 115 (6), 1256-1261 (2018).
- Sonntag, E., et al. In vivo proof-of-concept for two experimental antiviral drugs, both directed to cellular targets, using a murine cytomegalovirus model. Antiviral Research. 161, 63-69 (2019).
- . Horos – Free DICOM Medical Image Viewer | Open-Source Available from: https://www.horosproject.org/ (2015)
- . RStudio Team RStudio: Inteegrated Development for R Available from: https://rstudio.com (2015)
- Demšar, J., et al. Orange: Data Mining Toolbox in Python. Journal of Machine Learning Research. 14, 2349-2353 (2013).
- Saeys, Y., Inza, I., Larrañaga, P. A review of feature selection techniques in bioinformatics. Bioinformatics. 23 (19), 2507-2517 (2007).
- . CRAN – Package caret Available from: https://cran.r-project.org/web/packages/caret/index.html (2016)
- . CRAN: Package xgboost – Extreme Gradient Boosting Available from: https://cran.r-project.org/web/packages/xgboost/ (2019)
- Fernández-Delgado, M., Cernadas, E., Barro, S., Amorim, D., Fernández-Delgado, A. Do we Need Hundreds of Classifiers to Solve Real World Classification Problems. Journal of Machine Learning Research. 15, 3133-3181 (2014).
- Hira, Z. M., Gillies, D. F. A Review of Feature Selection and Feature Extraction Methods Applied on Microarray Data. Advances in Bioinformatics. 2015, 198363 (2015).
- Sánchez-Maroño, N., Alonso-Betanzos, A., Tombilla-Sanromán, M. Filter methods for feature selection – A comparative study. Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics). 4881, 178-187 (2007).
- Cawley, G. C., Talbot, N. L. C. C. Fast exact leave-one-out cross-validation of sparse least-squares support vector machines. Neural Network. 17 (10), 1467-1475 (2004).
- Forghani, R., et al. Radiomics and Artificial Intelligence for Biomarker and Prediction Model Development in Oncology. Computational and Structural Biotechnology Journal. 17, 995-1008 (2019).
- Jaffe, C. C. Measures of response: RECIST, WHO, and new alternatives. Journal of Clinical Oncology Official Journal of the American Society of Clinical Oncology. 24 (20), 3245-3251 (2006).
- Lambin, P., et al. Radiomics: Extracting more information from medical images using advanced feature analysis. European Journal of Cancer. 48 (4), 441-446 (2012).
- Gillies, R. J., Kinahan, P. E., Hricak, H. Radiomics: Images are more than pictures, they are data. Radiology. 278 (2), 563-577 (2016).
- Nioche, C., et al. Lifex: A freeware for radiomic feature calculation in multimodality imaging to accelerate advances in the characterization of tumor heterogeneity. Cancer Research. 78 (16), 4786-4789 (2018).
- Ellmann, S., et al. Application of machine learning algorithms for multiparametric MRI-based evaluation of murine colitis. PLOS ONE. 13 (10), 0206576 (2018).
