Algoritmi di apprendimento automatico per il rilevamento precoce delle metastasi ossee in un modello di ratto sperimentale
Summary
Questo protocollo è stato progettato per addestrare un algoritmo di apprendimento automatico per utilizzare una combinazione di parametri di imaging derivati dalla risonanza magnetica (RMI) e dalla tomografia a emissione di positroni (PET/CT) in un modello di ratto delle metastasi ossee del cancro al seno per rilevare la malattia metastatica precoce e prevedere la successiva progressione alle macrometastasi.
Abstract
Gli algoritmi di apprendimento automatico (ML) consentono l’integrazione di diverse funzionalità in un modello per eseguire attività di classificazione o regressione con una precisione superiore ai relativi componenti. Questo protocollo descrive lo sviluppo di un algoritmo ML per prevedere la crescita delle macrometastasi ossee del cancro al seno in un modello di ratto prima che eventuali anomalie siano osservabili con metodi di imaging standard. Tale algoritmo può facilitare la diagnosi della malattia metastatica precoce (cioè la micrometastasi) che viene regolarmente persa durante gli esami di messa in scena.
Il modello di metastasi applicato è specifico del sito, il che significa che i ratti sviluppano metastasi esclusivamente nella gamba posteriore destra. Il tasso di acquisizione del tumore del modello è del 60%-80%, con macrometastasi che diventano visibili nella risonanza magnetica (RMI) e nella tomografia a emissione di positroni/TC (PET/CT) in un sottoinsieme di animali 30 giorni dopo l’induzione, mentre un secondo sottoinsieme di animali non presenta crescita tumorale.
Partendo dagli esami delle immagini acquisiti in un momento precedente, questo protocollo descrive l’estrazione di caratteristiche che indicano la vascolarizzazione del tessuto rilevata dalla risonanza magnetica, il metabolismo del glucosio da PET/CT e la successiva determinazione delle caratteristiche più rilevanti per la previsione della malattia macrometastatica. Queste caratteristiche vengono poi indotta in una rete neurale media del modello (avNNet) per classificare gli animali in uno dei due gruppi: uno che svilupperà metastasi e l’altro che non svilupperà alcun tumore. Il protocollo descrive anche il calcolo dei parametri diagnostici standard, come l’accuratezza complessiva, la sensibilità, la specificità, i valori predittivi negativi/positivi, i rapporti di probabilità e lo sviluppo di una caratteristica operativa del ricevitore. Un vantaggio del protocollo proposto è la sua flessibilità, in quanto può essere facilmente adattato per addestrare una pletora di diversi algoritmi ML con combinazioni regolabili di un numero illimitato di funzionalità. Inoltre, può essere utilizzato per analizzare diversi problemi in oncologia, infezione, e l’infiammazione.
Introduction
Lo scopo di questo protocollo è integrare diversi parametri di imaging funzionale da RMI e PET/CT in un algoritmo ML di rete neurale media (avNNet) basato su modelli. Questo algoritmo prevede la crescita delle macrometastasi in un modello di ratto di metastasi ossee del cancro al seno in un momento precoce, quando i cambiamenti macroscopici all’interno dell’osso non sono ancora visibili.
Prima della crescita delle macrometastasi, si verifica un’invasione del midollo osseo delle cellule tumorali diffuse, comunemente indicata come malattia micrometastatica1,2. Questa invasione iniziale può essere considerata un primo passo nella malattia metastatica, ma in genere viene persa durante gli esami di stagingconvenzionali 3,4. Sebbene le modalità di imaging attualmente disponibili non siano in grado di rilevare la microinvasione del midollo osseo quando vengono utilizzate da sole, è stato dimostrato che una combinazione di parametri di imaging che producono informazioni sulla vascolarizzazione e sull’attivitàmetabolica ha dimostrato di ottenere prestazioni migliori 5. Questo vantaggio complementare si ottiene combinando diversi parametri di imaging in un avNNet, che è un algoritmo ML. Tale avNNet consente la previsione affidabile della formazione di macrometastasi ossee prima della presente di eventuali metastasi visibili. Pertanto, l’integrazione dei biomarcatori di imaging in un avNNet potrebbe servire come parametro surrogato per la microinvasione del midollo osseo e la malattia metastatica precoce.
Per sviluppare il protocollo, è stato utilizzato un modello precedentemente descritto di metastasi ossee per cancro al seno nei ratti nudi6,7,8. Il vantaggio di questo modello è la sua site-specificità, il che significa che gli animali sviluppano metastasi ossee esclusivamente nella gamba posteriore destra. Tuttavia, il tasso di tumore-prendere di questo approccio è 60%-80%, quindi un numero considerevole di animali non sviluppano metastasi durante lo studio. Utilizzando modalità di imaging come MRe e PET/CT, la presenza di metastasi è rilevabile dal giorno 30 postinjection (PI). In precedenza, l’imaging (ad esempio, 10 PI) non distingue tra gli animali che svilupperanno malattie metastatiche e quelli non lo faranno (Figura 1).
Un avNNet addestrato sui parametri di imaging funzionale acquisiti il giorno 10 PI, come descritto nel seguente protocollo, predice o esclude in modo affidabile la crescita delle macrometastasi entro le seguenti 3 settimane. Reti neurali combinano nodi artificiali all’interno di diversi livelli. Nel protocollo di studio, i parametri di imaging funzionale per l’afflusso di sangue del midollo osseo e l’attività metabolica rappresentano lo strato inferiore, mentre la previsione della malignità rappresenta lo strato superiore. Un livello intermedio aggiuntivo contiene nodi nascosti connessi sia al livello superiore che a quello inferiore. La forza delle connessioni tra i diversi nodi viene aggiornata durante il training della rete per eseguire la rispettiva attività di classificazione con alta precisione9. La precisione di tale rete neurale può essere ulteriormente aumentata calcolando la media delle uscite di diversi modelli, con conseguente avNNet10.
Protocol
Representative Results
Discussion
Gli algoritmi ML sono potenti strumenti utilizzati per integrare diverse funzionalità predittive in un modello combinato e ottenere una precisione che supera quella dei suoi costituenti separati quando vengono utilizzati da soli. Ciò nonostante, il risultato effettivo dipende da diversi passaggi critici. In primo luogo, l’algoritmo ML utilizzato è un fattore cruciale, perché diversi algoritmi ML producono risultati diversi. L’algoritmo utilizzato in questo protocollo è un avNNet, ma altri algoritmi promettenti inclu…
Disclosures
The authors have nothing to disclose.
Acknowledgements
Questo lavoro è stato sostenuto dalla Fondazione tedesca per la ricerca (DFG, Centro di ricerca collaborativa CRC 1181, sottoprogetto n. 02; Programma prioritario, progetti BA 4027/10-1 e BO 3811), incluso il supporto aggiuntivo per i dispositivi di scansione (INST 410/77-1 FUGG e INST 410/93-1 FUGG), e dall’Iniziativa Emerging Fields (EFI) “Big Thera” della Friedrich-Alexander-University Erlangen-N’rnberg.
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).
