该协议旨在训练机器学习算法,以结合从磁共振成像 (MRI) 和正电子发射断层扫描 (PET/CT) 中乳腺癌骨转移的大鼠模型中得出的成像参数,以检测早期转移性疾病并预测宏位值的后续进展。
机器学习 (ML) 算法允许将不同要素集成到模型中,以执行精度超过其成分的分类或回归任务。该协议描述了ML算法的发展,用于预测大鼠模型中乳腺癌骨骼微量酶的生长,然后通过标准成像方法观察到任何异常。这种算法可以促进早期转移性疾病(即微虫病)的检测,这种疾病在分期检查期间经常遗漏。
应用的转移模型是站点特定的,这意味着大鼠只在右后腿发展转移。该模型的肿瘤接受率为60%~80%,在诱导30天后,在动物子集中,磁共振成像(MRI)和正电子发射断层扫描/计算机断层扫描(PET/CT)中,宏位酶变得可见,而第二部分动物则没有肿瘤生长。
从早期获得的图像检查开始,本协议描述了通过MRI检测到的指示组织血管化特征的提取、PET/CT检测到的葡萄糖代谢,以及随后确定预测宏观代谢疾病最相关特征的特征。然后,这些功能被输入到模型平均神经网络(avNNet)中,将动物分为两组:一组会发展转移,另一组不会发展任何肿瘤。该协议还描述了标准诊断参数的计算,例如总体精度、灵敏度、特异性、负/阳性预测值、可能性比以及接收器操作特性的制定。建议的协议的优点是它的灵活性,因为它可以很容易地适应,以训练大量的不同的ML算法与无限数量的功能的可调组合。此外,它可以用来分析不同的问题在肿瘤学,感染和炎症。
该协议的目的是将MRI和PET/CT的多个功能成像参数集成到模型平均神经网络(avNNet)ML算法中。该算法预测乳腺癌骨转移大鼠模型中宏位值的生长,此时骨骼内的宏观变化尚不可见。
在巨肉生长之前,骨髓入侵传播的肿瘤细胞,俗称微米静病,1,2。1这种最初的入侵可以被认为是转移性疾病的早期步骤,但通常在常规分期检查3,4,期间错过。虽然目前可用的成像模式不能检测骨髓微创时单独使用,结合成像参数产生血管化和代谢活动的信息已被证明是效果更好5。这种互补的好处是通过将不同的成像参数组合成一个avNet,这是一个ML算法。这种 avNNet 允许在存在任何可见转移之前可靠地预测骨宏酶的形成。因此,将成像生物标志物集成到avNet中可以作为骨髓微创和早期转移性疾病的代理参数。
为了开发这个方案,在裸体大鼠中使用了先前描述的乳腺癌骨转移模型,使用了6,7,8。,7,8这种模式的优点是它的站点特异性,这意味着动物在右后腿只发展骨质转移。然而,这种方法的肿瘤接受率为60%~80%,因此相当多的动物在研究期间不会发展出任何转移。使用成像方式(如 MRI 和 PET/CT),从注射后第 30 天 (PI) 开始可检测到转移的存在。在较早的时间点(例如,10 PI)成像不区分动物将发展转移性疾病和那些不会(图1)。
avNNet 接受过关于第 10 天 PI 上采集的功能成像参数的训练,如以下协议所述,可可靠地预测或排除宏位值在未来 3 周内的生长。神经网络将人工节点组合在不同的层内。在研究方案中,骨髓供血和代谢活动的功能成像参数代表底层,恶性肿瘤的预测代表顶层。其他中间层包含连接到顶部层和底部层的隐藏节点。在网络训练期间更新不同节点之间的连接强度,以高精度执行各自的分类任务9。通过平均多个模型的输出,可以进一步提高这种神经网络的精度,从而产生一个 avNNet10。
ML 算法是强大的工具,用于将多个预测功能集成到组合模型中,并在单独使用时获得超过其单独成分的精度。尽管如此,实际结果取决于几个关键步骤。首先,使用的ML算法是一个关键因素,因为不同的ML算法产生不同的结果。此协议中使用的算法是 avNNet,但其他有前途的算法包括极端梯度提升21 或 随机林。RStudio 的 caret 包20 提供了大量不同的算法(目前是 >17…
The authors have nothing to disclose.
这项工作得到了德国研究基金会(DFG,合作研究中心CRC 1181,子项目Z02的支持;优先方案 +Bone,项目 BA 4027/10-1 和 BO 3811),包括对扫描设备(INST 410/77-1 FUGG 和 INST 410/93-1 FUGG)和新兴领域倡议 (EFI) “大 Thera” 的弗里德里希- 亚历山大大学埃尔兰根-纽伦堡提供的额外支持。
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 |