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.
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.
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.
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…
The authors have nothing to disclose.
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.
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 |