Machine Learning-Algorithmen zur Früherkennung von Knochenmetastasen in einem experimentellen Rattenmodell
Summary
Dieses Protokoll wurde entwickelt, um einen Machine Learning-Algorithmus zu trainieren, um eine Kombination von bildgebenden Parametern zu verwenden, die aus der Magnetresonanztomographie (MRT) und der Positronenemissionstomographie/Computertomographie (PET/CT) in einem Rattenmodell von Brustkrebsknochenmetastasen abgeleitet wurden, um frühe metastasierende Erkrankungen zu erkennen und das spätere Fortschreiten zu Makrometastasen vorherzusagen.
Abstract
Machine Learning (ML)-Algorithmen ermöglichen die Integration verschiedener Features in ein Modell, um Klassifizierungs- oder Regressionsaufgaben mit einer Genauigkeit durchzuführen, die ihre Bestandteile überschreitet. Dieses Protokoll beschreibt die Entwicklung eines ML-Algorithmus, um das Wachstum von Brustkrebsknochenmetastasen in einem Rattenmodell vorherzusagen, bevor Anomalien mit Standard-Bildgebungsmethoden beobachtet werden können. Ein solcher Algorithmus kann die Erkennung von frühen metastasierenden Erkrankungen (d. h. Mikrometastasen) erleichtern, die bei Staging-Untersuchungen regelmäßig übersehen werden.
Das angewandte Metastasenmodell ist standortspezifisch, was bedeutet, dass die Ratten Metastasen ausschließlich in ihrem rechten Hinterbein entwickeln. Die Tumoraufnahmerate des Modells liegt bei 60%–80%, wobei Makrometastasen in der Magnetresonanztomographie (MRT) und der Positronenemissionstomographie/Computertomographie (PET/CT) in einer Teilmenge von Tieren 30 Tage nach der Induktion sichtbar werden, während eine zweite Teilmenge von Tieren kein Tumorwachstum aufweist.
Ausgehend von Bilduntersuchungen, die zu einem früheren Zeitpunkt erfasst wurden, beschreibt dieses Protokoll die Extraktion von Merkmalen, die auf eine durch MRT erkannte Gewebevaskularisation, den Glukosestoffwechsel durch PET/CT und die anschließende Bestimmung der relevantesten Merkmale für die Vorhersage makrometastasierender Erkrankungen hinweisen. Diese Merkmale werden dann in ein modellgemitteltes neuronales Netzwerk (avNNet) eingespeist, um die Tiere in eine von zwei Gruppen einzuteilen: eine, die Metastasen entwickelt, und die andere, die keine Tumore entwickelt. Das Protokoll beschreibt auch die Berechnung von Standard-Diagnoseparametern, wie Gesamtgenauigkeit, Empfindlichkeit, Spezifität, negative/positive Vorhersagewerte, Wahrscheinlichkeitsverhältnisse und die Entwicklung eines Empfängerbetriebsmerkmals. Ein Vorteil des vorgeschlagenen Protokolls ist seine Flexibilität, da es leicht angepasst werden kann, um eine Vielzahl von verschiedenen ML-Algorithmen mit einstellbaren Kombinationen einer unbegrenzten Anzahl von Funktionen zu trainieren. Darüber hinaus kann es verwendet werden, um verschiedene Probleme in der Onkologie zu analysieren, Infektion, und Entzündungen.
Introduction
Der Zweck dieses Protokolls ist es, mehrere funktionale Bildgebungsparameter aus MRT und PET/CT in einen modellgemittelten neuronalen Netzwerk(avNNet) ML-Algorithmus zu integrieren. Dieser Algorithmus sagt das Wachstum von Makrometastasen in einem Rattenmodell von Brustkrebsknochenmetastasen zu einem frühen Zeitpunkt voraus, wenn makroskopische Veränderungen innerhalb des Knochens noch nicht sichtbar sind.
Vor dem Wachstum von Makrometastasen tritt eine Knochenmarkinvasion von disseminierten Tumorzellen auf, die gemeinhin als mikrometastasierende Erkrankung1,2bezeichnet wird. Diese anfängliche Invasion kann als ein früher Schritt in der metastasierenden Krankheit betrachtet werden, wird aber in der Regel bei herkömmlichenInszenierungsuntersuchungen3,4übersehen. Obwohl die derzeit verfügbaren bildgebenden Modalitäten die Mikroinvasion des Knochenmarks nicht erkennen können, wenn sie allein verwendet werden, hat sich gezeigt, dass eine Kombination von bildgebenden Parametern, die Informationen über Vaskularisation und stoffwechselaktivität liefern,besser5 funktioniert. Dieser ergänzende Nutzen wird durch die Kombination verschiedener Bildparameter zu einem avNNet, einem ML-Algorithmus, erreicht. Ein solches avNNet ermöglicht die zuverlässige Vorhersage der Knochenmakrometastasenbildung, bevor sichtbare Metastasen vorhanden sind. Daher könnte die Integration von bildgebenden Biomarkern in ein avNNet als Ersatzparameter für die Mikroinvasion des Knochenmarks und frühe metastasierende Erkrankungen dienen.
Zur Entwicklung des Protokolls wurde ein zuvor beschriebenes Modell von Brustkrebsknochenmetastasen bei nackten Ratten6,7,8verwendet. Der Vorteil dieses Modells ist seine Standortspezifität, was bedeutet, dass die Tiere knöcherne Metastasen ausschließlich in ihrem rechten Hinterbein entwickeln. Die Tumoraufnahmerate dieses Ansatzes liegt jedoch bei 60 %–80 %, so dass eine beträchtliche Anzahl der Tiere während der Studie keine Metastasen entwickelt. Anhand von bildgebenden Verfahren wie MRT und PET/CT ist das Vorhandensein von Metastasen ab Tag 30 nach der Injektion (PI) nachweisbar. Zu einem früheren Zeitpunkt (z. B. 10 PI) unterscheidet die Bildgebung nicht zwischen Tieren, die eine metastasierende Krankheit entwickeln, und solchen, die nicht auftreten(Abbildung 1).
Ein avNNet, der auf funktionellebildende Parameter trainiert, die am Tag 10 PI erfasst wurden, wie im folgenden Protokoll beschrieben, sagt das Wachstum von Makrometastasen innerhalb der folgenden 3 Wochen zuverlässig voraus oder schließt es aus. Neurale Netzwerke kombinieren künstliche Knoten in verschiedenen Schichten. Im Studienprotokoll stellen die funktionellen bildgebenden Parameter für die Blutversorgung und metabolische Aktivität des Knochenmarks die untere Schicht dar, während die Vorhersage der Malignität die oberste Schicht darstellt. Eine zusätzliche Zwischenebene enthält ausgeblendete Knoten, die sowohl mit der oberen als auch mit der unteren Ebene verbunden sind. Die Stärke der Verbindungen zwischen den verschiedenen Knoten wird während des Trainings des Netzwerks aktualisiert, um die jeweilige Klassifizierungsaufgabe mit hoher Genauigkeitauszuführen 9. Die Genauigkeit eines solchen neuronalen Netzwerks kann durch die Mittelung der Ausgänge mehrerer Modelle weiter erhöht werden, was zu einem avNNet10führt.
Protocol
Representative Results
Discussion
ML-Algorithmen sind leistungsstarke Werkzeuge, die verwendet werden, um mehrere prädiktive Features in ein kombiniertes Modell zu integrieren und eine Genauigkeit zu erhalten, die die ihrer einzelnen Bestandteile übertrifft, wenn sie allein verwendet werden. Dennoch hängt das tatsächliche Ergebnis von mehreren kritischen Schritten ab. Erstens ist der verwendete ML-Algorithmus ein entscheidender Faktor, da verschiedene ML-Algorithmen unterschiedliche Ergebnisse liefern. Der in diesem Protokoll verwendete Algorithmus i…
Disclosures
The authors have nothing to disclose.
Acknowledgements
Diese Arbeit wurde von der Deutschen Forschungsgemeinschaft (DFG, Sonderforschungsbereich CRC 1181, Teilprojekt Z02; Schwerpunktprogramm “Knochen”, Projekte BA 4027/10-1 und BO 3811), einschließlich zusätzlicher Unterstützung für die Scangeräte (INST 410/77-1 FUGG und INST 410/93-1 FUGG) sowie durch die Emerging Fields Initiative (EFI) “Big Thera” der Friedrich-Alexander-Universität 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).
