Machine Learning-algoritmen voor vroegtijdige opsporing van botmetastasen in een experimenteel ratmodel
Summary
Dit protocol is ontworpen om een machine learning-algoritme te trainen om een combinatie van beeldvormingsparameters te gebruiken die zijn afgeleid van magnetic resonance imaging (MRI) en positron emissietomografie/computertomografie (PET/CT) in een ratmodel van botmetastasen van borstkanker om vroege gemetastaseerde ziekte op te sporen en latere progressie naar macrometastasen te voorspellen.
Abstract
Machine learning (ML)-algoritmen maken het mogelijk om verschillende functies in een model te integreren om classificatie- of regressietaken uit te voeren met een nauwkeurigheid die de bestanddelen overschrijdt. Dit protocol beschrijft de ontwikkeling van een ML-algoritme om de groei van borstkankerbotmacrometastasen in een ratmodel te voorspellen voordat afwijkingen waarneembaar zijn met standaard beeldvormingsmethoden. Een dergelijk algoritme kan de detectie vergemakkelijken van vroege gemetastaseerde ziekte (d.w.z. micrometastase) die regelmatig wordt gemist tijdens ensceneringsonderzoeken.
Het toegepaste metastasemodel is sitespecifiek, wat betekent dat de ratten uitsluitend uitzaaiingen ontwikkelen in hun rechterachterbeen. De tumor-take rate van het model is 60%-80%, waarbij macrometastasen zichtbaar worden in magnetic resonance imaging (MRI) en positron emissietomografie/computertomografie (PET/CT) in een subset van dieren 30 dagen na inductie, terwijl een tweede deel van de dieren geen tumorgroei vertoont.
Uitgaande van beeldonderzoeken die op een eerder tijdstip zijn verworven, beschrijft dit protocol de extractie van kenmerken die wijzen op weefselvasculaireisatie gedetecteerd door MRI, glucosemetabolisme door PET/CT, en de daaropvolgende bepaling van de meest relevante functies voor de voorspelling van macrometastatische ziekte. Deze functies worden vervolgens ingevoerd in een modelgemiddelde neurale netwerk (avNNet) om de dieren te classificeren in een van de twee groepen: een die uitzaaiingen zal ontwikkelen en de andere die geen tumoren zal ontwikkelen. Het protocol beschrijft ook de berekening van standaard diagnostische parameters, zoals algehele nauwkeurigheid, gevoeligheid, specificiteit, negatieve / positieve voorspellende waarden, waarschijnlijkheidsverhoudingen en de ontwikkeling van een ontvanger bedrijfskenmerk. Een voordeel van het voorgestelde protocol is de flexibiliteit, omdat het gemakkelijk kan worden aangepast om een overvloed aan verschillende ML-algoritmen te trainen met aanpasbare combinaties van een onbeperkt aantal functies. Bovendien kan het worden gebruikt om verschillende problemen in oncologie, infectie en ontsteking te analyseren.
Introduction
Het doel van dit protocol is om verschillende functionele beeldvormingsparameters van MRI en PET/CT te integreren in een modelgemiddeld neuraal netwerk (avNNet) ML-algoritme. Dit algoritme voorspelt de groei van macrometastasen in een ratmodel van botmetastasen van borstkanker op een vroeg moment, wanneer macroscopische veranderingen in het bot nog niet zichtbaar zijn.
Voorafgaand aan de groei van macrometastasen treedt een beenmerginvasie van verspreide tumorcellen op, meestal aangeduid als micrometastatische ziekte1,2. Deze eerste invasie kan worden beschouwd als een vroege stap in uitgezaaide ziekte, maar wordt meestal gemist tijdens conventionele enscenering onderzoeken3,4. Hoewel de thans beschikbare beeldvormingsmodaliteiten geen beenmergmicro-invasie kunnen detecteren wanneer ze alleen worden gebruikt, is aangetoond dat een combinatie van beeldvormingsparameters die informatie opleveren over vascularisatie en metabole activiteit beterpresteren 5. Dit complementaire voordeel wordt bereikt door het combineren van verschillende beeldvormingsparameters in een avNNet, dat is een ML-algoritme. Een dergelijke avNNet zorgt voor de betrouwbare voorspelling van bot macrometastasen vorming voordat er zichtbare metastasen aanwezig zijn. Daarom kan de integratie van beeldvormingsbiomarkers in een avNNet dienen als surrogaatparameter voor beenmergmicro-invasie en vroege gemetastasure ziekte.
Voor de ontwikkeling van het protocol werd een eerder beschreven model van botmetastasen met borstkanker bij naakte ratten gebruikt6,7,8. Het voordeel van dit model is de site-specificiteit, wat betekent dat de dieren benige metastasen uitsluitend ontwikkelen in hun rechterachterbeen. Echter, de tumor-take rate van deze aanpak is 60%-80%, dus een aanzienlijk aantal van de dieren ontwikkelen geen uitzaaiingen tijdens de studie. Met behulp van beeldvormingsmodaliteiten zoals MRI en PET/CT is de aanwezigheid van metastasen vanaf dag 30 nainjectie (PI) aantoonbaar. Op eerdere punten (bijvoorbeeld 10 PI) maakt beeldvorming geen onderscheid tussen dieren die uitgezaaide ziekten zullen ontwikkelen en die niet (figuur 1).
Een avNNet getraind op functionele imaging parameters verworven op dag 10 PI, zoals beschreven in het volgende protocol, betrouwbaar voorspelt of sluit de groei van macrometastasen binnen de volgende ~ 3 weken. Neurale netwerken combineren kunstmatige knooppunten binnen verschillende lagen. In het studieprotocol vertegenwoordigen de functionele beeldvormingsparameters voor beenmergbloedtoevoer en metabole activiteit de onderste laag, terwijl de voorspelling van maligniteit de bovenste laag vertegenwoordigt. Een extra tussenlaag bevat verborgen knooppunten die zijn verbonden met zowel de boven- als de onderste laag. De sterkte van de verbindingen tussen de verschillende knooppunten wordt bijgewerkt tijdens de training van het netwerk om de respectieve classificatietaak met hoge nauwkeurigheid uit te voeren9. De nauwkeurigheid van een dergelijk neuraal netwerk kan verder worden verhoogd door middeling van de uitgangen van verschillende modellen, wat resulteert in een avNNet10.
Protocol
Representative Results
Discussion
ML-algoritmen zijn krachtige tools die worden gebruikt om verschillende voorspellende functies in een gecombineerd model te integreren en een nauwkeurigheid te verkrijgen die groter is dan die van de afzonderlijke bestanddelen wanneer ze alleen worden gebruikt. Toch is het werkelijke resultaat afhankelijk van een aantal kritieke stappen. Ten eerste is het gebruikte ML-algoritme een cruciale factor, omdat verschillende ML-algoritmen verschillende resultaten opleveren. Het algoritme dat in dit protocol wordt gebruikt is ee…
Disclosures
The authors have nothing to disclose.
Acknowledgements
Dit werk werd ondersteund door de German Research Foundation (DFG, Collaborative Research Centre CRC 1181, subproject Z02; Prioriteitsprogramma μBone, projecten BA 4027/10-1 en BO 3811), inclusief extra ondersteuning voor de scanapparaten (INST 410/77-1 FUGG en INST 410/93-1GG FU), en door het Emerging Fields Initiative (EFI) “Big Thera” van de Friedrich-Alexander-University Erlangen-Nürnberg.
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).
