このプロトコルは、早期転移性疾患を検出し、マクロ転移へのその後の進行を予測するために、乳癌骨転移のラットモデルにおける磁気共鳴画像(MRI)および陽電子放出断層撮影/コンピュータ断層撮影(PET/CT)に由来する画像化パラメータを組み合わせて使用する機械学習アルゴリズムを訓練するように設計された。
機械学習 (ML) アルゴリズムを使用すると、さまざまな機能をモデルに統合して、その構成要素を超える精度で分類または回帰タスクを実行できます。このプロトコルは、標準的なイメージング法で異常が観察される前に、ラットモデルにおける乳癌骨マクロメタスターゼの成長を予測するMLアルゴリズムの開発を記述する。このようなアルゴリズムは、ステージング検査中に定期的に見逃される早期転移性疾患(すなわち微小転移)の検出を容易にすることができる。
適用された転移モデルは部位特異的であり、ラットは右後ろ足だけで転移を発症することを意味する。モデルの腫瘍取り率は60%~80%で、マクロメタスターゼは誘導の30日後に動物のサブセット中の磁気共鳴画像(MRI)および陽電子放出断層撮影(PET/CT)で見えるようになり、動物の第2サブセットは腫瘍増殖を示さない。
このプロトコルは、早期に取得した画像検査から始まり、MRIによって検出された組織血管化、PET/CTによるグルコース代謝、およびマクロ転移性疾患の予測に最も関連する特徴のその後の決定を示す特徴の抽出を記述する。これらの特徴は、モデル平均ニューラルネットワーク(avNNet)に供給され、動物を転移を発症するグループと腫瘍を発症しない2つのグループのいずれかに分類します。このプロトコルは、全体的な精度、感度、特異性、負/正の予測値、尤度比、および受信機動作特性の開発など、標準の診断パラメータの計算についても説明します。提案されたプロトコルの利点は、機能の無制限の調整可能な組み合わせで異なるMLアルゴリズムの多くを訓練するために容易に適応することができるので、その柔軟性です。さらに、腫瘍学、感染、炎症の異なる問題を分析するために使用することができます。
このプロトコルの目的は、MRIおよびPET/CTの複数の機能的イメージングパラメータをモデル平均ニューラルネットワーク(avNNet)MLアルゴリズムに統合することです。このアルゴリズムは、骨内の巨視的変化がまだ見えない早期の時点で乳癌骨転移のラットモデルにおけるマクロ転移の成長を予測する。
マクロメタスターゼの増殖に先立ち、骨髄浸潤性腫瘍細胞の浸潤が起こり、一般に微小転移性疾患11,22と呼ばれる。この初期の侵入は転移性疾患の初期段階と考えられるが、通常は従来の段階試験33,44の間に見逃される。現在利用可能な撮像様式では単独で使用した場合に骨髄微小浸潤を検出することはできないが、血管化と代謝活性に関する情報を得る画像化パラメータの組み合わせが、より良い5を行うことが示されている。この補完的な利点は、異なるイメージングパラメータをMLアルゴリズムであるavNNetに組み合わせることによって達成されます。このようなavNNetは、目に見える転移が存在する前に、骨マクロメタスターゼ形成の信頼性の高い予測を可能にする。したがって、イメージングバイオマーカーをavNNetに統合することは、骨髄微小浸潤および早期転移性疾患の代理パラメータとして役立つ可能性がある。
プロトコルを開発するために、ヌードラットにおける乳癌骨転移の以前に説明したモデルを66、7、87,8を使用した。このモデルの利点は、その部位特異性であり、動物が右後肢だけで骨転移を発症することを意味する。しかし、このアプローチの腫瘍取り率は60%~80%であるため、かなりの数の動物が研究中に転移を起こすわけではありません。MRIやPET/CTなどの画像化モダリティを用いて、30日目からインジェクション後に転移の存在が検出可能である。初期の時点(例えば、10PI)イメージングでは、転移性疾患を発症する動物とそうでない動物を区別しない(図1)。
10日目に取得した機能的イメージングパラメータについて訓練されたavNNetは、以下のプロトコルに記載されているように、マクロメタスターゼの増殖を以下の〜〜3週間以内に確実に予測または除外する。ニューラルネットワークは、異なる層内の人工的なノードを組み合わせます。研究プロトコルにおいて、骨髄血液供給および代謝活性のための機能的イメージングパラメータは最下層を表し、悪性腫瘍の予測は最上層を表す。追加の中間層には、上部レイヤーと下部レイヤーの両方に接続されている非表示ノードが含まれます。異なるノード間の接続の強度は、高精度9でそれぞれの分類タスクを実行するために、ネットワークのトレーニング中に更新されます。このようなニューラルネットワークの精度は、複数のモデルの出力を平均化することによってさらに向上することができ、その結果、avNNet10.
ML アルゴリズムは、複数の予測機能を組み合わせたモデルに統合し、単独で使用した場合に個別の構成要素を超える精度を得るために使用される強力なツールです。それにもかかわらず、実際の結果はいくつかの重要なステップに依存します。まず、使用される ML アルゴリズムは、異なる ML アルゴリズムによって異なる結果が得られるため、重要な要素です。このプロトコルで使用される?…
The authors have nothing to disclose.
この研究はドイツ研究財団(DFG、共同研究センターCRC 1181、サブプロジェクトZ02;とZ02;)優先プログラムμBoneは、スキャンデバイス(INST 410/77-1 FUGGおよびINST 410/93-1 FUGG)、フリードリヒ・アレクサンダー大学アーランゲン・ニュルンベルクの新興フィールドイニシアチブ(EFI)「ビッグテラ」による追加サポートを含むBA 4027/10-1とBO 3811をプロジェクトします。
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 |