אלגוריתמים למידת מכונה לגילוי מוקדם של גרורות עצם במודל עכברוש ניסיוני
Summary
פרוטוקול זה נועד לאמן אלגוריתם למידת מכונה להשתמש בשילוב של פרמטרי הדמיה הנגזרים מהדמיית תהודה מגנטית (MRI) ומטוגרפיה של פליטת פוזיטרונים/טומוגרפיה ממוחשבת (PET/CT) במודל חולדה של גרורות עצם סרטן השד כדי לזהות מחלה גרורתית מוקדמת ונבא התקדמות עוקבת למקרומטאזאזים.
Abstract
אלגוריתמי למידת מכונה (ML) מאפשרים שילוב של תכונות שונות במודל כדי לבצע משימות סיווג או רגרסיה בדיוק העולה על מרכיביו. פרוטוקול זה מתאר את הפיתוח של אלגוריתם ML כדי לחזות את הצמיחה של סרטן השד עצם macrometastases במודל חולדה לפני כל חריגות נצפות עם שיטות הדמיה סטנדרטיות. אלגוריתם כזה יכול להקל על זיהוי של מחלה גרורתית מוקדמת (כלומר, מיקרומטאזיס) כי הוא חסר באופן קבוע במהלך בדיקות היערכות.
מודל גרורות מיושם הוא ספציפי לאתר, כלומר החולדות לפתח גרורות אך ורק ברגל האחורית הימנית שלהם. קצב גידול לקחת של המודל הוא 60%-80%, עם macrometastases הופך גלוי בהדמיית תהודה מגנטית (MRI) טומוגרפיה פליטת פוזיטרונים / טומוגרפיה ממוחשבת (PET / CT) בתת קבוצה של בעלי חיים 30 ימים לאחר אינדוקציה, בעוד קבוצת משנה שנייה של בעלי חיים אינם מציגים גידול.
החל מבדיקות תמונה שנרכשו בנקודת זמן מוקדמת יותר, פרוטוקול זה מתאר את החילוץ של תכונות המצביעות על כלי דם רקמות שזוהו על ידי MRI, חילוף חומרים גלוקוז על ידי PET / CT, ואת הקביעה הבאה של התכונות הרלוונטיות ביותר לחיזוי של מחלה מקרומטסטטית. תכונות אלה מוזן לאחר מכן לרשת עצבית ממוצעת מודל (avNNet) כדי לסווג את בעלי החיים לאחת משתי קבוצות: אחד שיפתח גרורות והשני שלא יפתח כל גידולים. הפרוטוקול מתאר גם את החישוב של פרמטרי אבחון סטנדרטיים, כגון דיוק כולל, רגישות, ספציפיות, ערכי חיזוי שליליים/חיוביים, יחסי סבירות ופיתוח מאפיין הפעלה של מקלט. יתרון של הפרוטוקול המוצע הוא הגמישות שלה, כפי שהוא יכול להיות מותאם בקלות כדי לאמן שפע של אלגוריתמים ML שונים עם שילובים מתכווננים של מספר בלתי מוגבל של תכונות. יתר על כן, זה יכול לשמש כדי לנתח בעיות שונות באונקולוגיה, זיהום, ודלקת.
Introduction
מטרת פרוטוקול זה היא לשלב מספר פרמטרי הדמיה פונקציונליים מ-MRI ו-PET/CT באלגוריתם ML של רשת עצבית ממוצעת מודל (avNNet). אלגוריתם זה חוזה את הצמיחה של macrometastases במודל חולדה של גרורות עצם סרטן השד בנקודת זמן מוקדמת, כאשר שינויים מאקרוסקופיים בתוך העצם עדיין לא גלויים.
לפני הצמיחה של macrometastases, פלישת מח עצם של תאים סרטניים מוזרים מתרחשת, המכונה בדרך כלל מחלה מיקרומטסטטית1,,2. פלישה ראשונית זו יכולה להיחשב כצעד מוקדם במחלה גרורתית, אך בדרך כלל היא חסרה במהלך בדיקותהיערכות קונבנציונליות 3,4. למרות שמערכת ההדמיה הזמינה כיום אינה יכולה לזהות מיקרו-חדירה של מח עצם בעת שימוש בלבד, שילוב של פרמטרי הדמיה המניבים מידע על vascularization ופעילות מטבולית הוצג הביצועיםטובים יותר 5. יתרון משלים זה מושגת על ידי שילוב פרמטרי הדמיה שונים לתוך avNNet, שהוא אלגוריתם ML. avNNet כזה מאפשר חיזוי אמין של היווצרות מקרומטאזים עצם לפני כל גרורות גלויות נמצאים. לכן, שילוב סמנים ביולוגיים הדמיה לתוך avNNet יכול לשמש פרמטר חלופי עבור מיקרו-חדירה מח עצם ומחלה גרורתית מוקדמת.
כדי לפתח את הפרוטוקול, מודל שתואר בעבר של גרורות עצם סרטן השד בחולדות עירוםשימש 6,7,8. היתרון של מודל זה הוא ספציפיות האתר שלה, כלומר בעלי החיים לפתח גרורות גרמיות אך ורק ברגל האחורית הימנית שלהם. עם זאת, שיעור הגידול לקחת של גישה זו הוא 60%-80%, כך מספר ניכר של בעלי חיים אינם מפתחים גרורות במהלך המחקר. באמצעות נהלי הדמיה כגון MRI ו- PET/CT, הנוכחות של גרורות ניתנת לזיהוי מהיום 30 postinjection (PI). בנקודות זמן מוקדמות יותר (למשל, 10 PI) הדמיה אינה מבדילה בין בעלי חיים שיפתחו מחלה גרורתית ואלה לא(איור 1).
avNNet שהוכשר על פרמטרי הדמיה פונקציונליים שנרכשו ביום 10 PI, כמתואר בפרוטוקול הבא, מנבא או לא כולל את הצמיחה של macrometastases בתוך ~ 3 שבועות הבאים. רשתות עצביות משלבות צמהים מלאכותיים בשכבות שונות. בפרוטוקול המחקר, הפרמטרים הדמיה פונקציונלית לאספקת דם מח עצם ופעילות מטבולית מייצגים את השכבה התחתונה, בעוד החיזוי של ממאירות מייצג את השכבה העליונה. שכבת ביניים נוספת מכילה צמהים מוסתרים המחוברים הן לשכבה העליונה והן לשכבה התחתונה. עוצמת החיבורים בין צמהוני השונות מתעדכנת במהלך ההדרכה של הרשת לביצוע משימת הסיווג המתאימה עם דיוק גבוה9. הדיוק של רשת עצבית כזו ניתן להגדיל עוד יותר על ידי ממוצע הפלטים של מספר דגמים, וכתוצאה מכך avNNet10.
Protocol
Representative Results
Discussion
אלגוריתמים של ML הם כלים רבי עוצמה המשמשים לשילוב מספר תכונות חזוי במודל משולב ולהשגת דיוק העולה על זה של המרכיבים הנפרדים שלו כאשר משתמשים בהם לבד. עם זאת, התוצאה בפועל תלויה במספר שלבים קריטיים. ראשית, אלגוריתם ML בשימוש הוא גורם מכריע, כי אלגוריתמים ML שונים מניבים תוצאות שונות. האלגוריתם ה…
Disclosures
The authors have nothing to disclose.
Acknowledgements
עבודה זו נתמכה על ידי קרן המחקר הגרמנית (DFG, מרכז המחקר השיתופי CRC 1181, תת פרוייקט Z02; תוכנית עדיפות μBone, פרויקטים BA 4027/10-1 ו BO 3811), כולל תמיכה נוספת עבור מכשירי הסריקה (INST 410/77-1 FUGG ו INST 410/93-1 FUGG), ועל ידי יוזמת השדות המתעוררים (EFI) “ביג ת’רה” של פרידריך אלכסנדר-אוניברסיטת ארלנגן-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).
