이 프로토콜은 유방암 뼈 전이의 쥐 모델에서 자기 공명 영상 (MRI) 및 양전자 방출 단층 촬영 /컴퓨터 단층 촬영 (PET/CT)에서 파생 된 이미징 매개 변수의 조합을 사용하여 기계 학습 알고리즘을 훈련하여 조기 전이성 질환을 감지하고 거식세포에 대한 후속 진행을 예측하도록 설계되었습니다.
ML(기계 학습) 알고리즘은 다양한 기능을 모델에 통합하여 구성 성분을 초과하는 정확도로 분류 또는 회귀 작업을 수행할 수 있습니다. 이 프로토콜은 표준 이미징 방법으로 관찰할 수 있는 이상이 발생하기 전에 쥐 모델에서 유방암 뼈 거산제의 성장을 예측하는 ML 알고리즘의 개발을 설명합니다. 이러한 알고리즘은 응시 시험 중에 정기적으로 누락되는 조기 전이성 질환(즉, 미세메타증)의 검출을 용이하게 할 수 있습니다.
적용된 전이 모델은 현장별이므로 쥐가 오른쪽 뒷다리에만 전이를 개발한다는 의미입니다. 이 모델의 종양-테이크 비율은 60%-80%로, 매크로메타제는 유도 후 30일 동안 동물의 하위 집합에서 자기 공명 영상(MRI) 및 양전자 방출 단층 촬영(PET/CT)에서 가시화되는 반면, 동물의 두 번째 하위 집합은 종양 성장을 나타내지 않습니다.
이전 시점에서 획득 한 화상 검사에서 시작하여 MRI에 의해 검출 된 조직 혈관화, PET /CT에 의한 포도당 대사 및 거식성 질환 의 예측을위한 가장 관련성이 있는 특징의 후속 결정등을 나타내는 특징의 추출을 설명합니다. 이러한 특징은 다음 모델 평균 신경망으로 공급 (avNNet) 두 그룹 중 하나로 동물을 분류: 전이를 개발할 것입니다 하나 와 어떤 종양을 개발 하지 않습니다 다른. 또한 이 프로토콜은 전체 정확도, 감도, 특이성, 음수/긍정 예측 값, 가능성 비율 및 수신기 작동 특성의 개발과 같은 표준 진단 파라미터의 계산을 설명합니다. 제안된 프로토콜의 장점은 무제한 기능의 조정 가능한 조합으로 다양한 ML 알고리즘을 쉽게 학습하도록 쉽게 조정할 수 있기 때문에 유연성입니다. 또한 종양학, 감염 및 염증에 있는 다른 문제를 분석하기 위하여 이용될 수 있습니다.
이 프로토콜의 목적은 MRI 및 PET/CT의 여러 기능 적 이미징 매개 변수를 모델 평균 신경망(avNNet) ML 알고리즘에 통합하는 것입니다. 이 알고리즘은 뼈 내의 거시적 변화가 아직 보이지 않는 초기 시점에서 유방암 뼈 전이의 쥐 모델에서 거시메타제의 성장을 예측합니다.
macrometastases의 성장 전에, 전파된 종양 세포의 골수 침입이 발생하며, 일반적으로 미세 전이성 질환1,,2로지칭된다. 이러한 초기 침공은 전이성 질환의 초기 단계로 간주될 수 있지만, 통상적으로 기존의 스테이징 시험3,,4에서 놓친다. 현재 사용 가능한 이미징 양식은 단독으로 사용될 때 골수 미세 침입을 검출할 수 없지만, 혈관화 및 대사 활동에 대한 정보를 산출하는 이미징 파라미터의 조합은 더 나은5를수행하는 것으로 나타났다. 이러한 보완적인 이점은 다양한 이미징 매개 변수를 ML 알고리즘인 avNNet에 결합하여 얻을 수 있습니다. 이러한 avNNet은 눈에 보이는 전이가 나타나기 전에 뼈 거형 형성의 신뢰할 수있는 예측을 허용합니다. 따라서, 이미징 바이오마커를 avNNet에 통합하면 골수 미세 침공 및 초기 전이성 질환에 대한 대리 매개변수가 될 수 있다.
프로토콜을 개발하기 위해, 이전에 설명된 유방암 뼈 전이의 모델이 누드 쥐에서6,7,,8을사용되었다.6 이 모델의 장점은 동물이 오른쪽 뒷다리에만 뼈 전이를 개발한다는 것을 의미하는 사이트 특이성입니다. 그러나, 이 접근법의 종양 소요율은 60%-80%이므로 상당수의 동물이 연구 기간 동안 전이를 개발하지 않는다. MRI 및 PET/CT와 같은 이미징 모달을 사용하여 전이의 존재는 30일째부터 주사 후(PI)부터 검출할 수 있습니다. 이전 시점에서(예를 들어, 10 PI) 이미징은 전이성 질환을 일으킬 동물과 그렇지 않은 동물을 구별하지않는다(그림 1).
다음 프로토콜에 설명된 바와 같이 10PI일째에 획득한 기능성 이미징 매개변수에 대해 학습된 avNNet은 다음 ~3주 이내에 거시메타제의 성장을 안정적으로 예측하거나 배제합니다. 신경망은 서로 다른 계층 내에서 인공 노드를 결합합니다. 연구 프로토콜에서, 골수 혈액 공급 및 대사 활성을 위한 기능적인 화상 진찰 매개변수는 최상층을 나타내고, 악성종양의 예측은 상부 층을 나타낸다. 추가 중간 층에는 위쪽 레이어와 아래쪽 레이어모두에 연결된 숨겨진 노드가 포함됩니다. 서로 다른 노드 간의 연결 강도는 네트워크 학습 중에 업데이트되어 정확도가 높은9로각각의 분류 작업을 수행합니다. 이러한 신경망의 정확도는 여러 모델의 출력을 평균화하여 더욱 증가할 수 있으며, 그 결과 avNNet10이됩니다.
ML 알고리즘은 여러 예측 기능을 결합된 모델에 통합하고 단독으로 사용할 때 별도의 구성 요소보다 높은 정확도를 얻는 데 사용되는 강력한 도구입니다. 그럼에도 불구하고 실제 결과는 몇 가지 중요한 단계에 따라 달라집니다. 첫째, 사용되는 ML 알고리즘은 다른 ML 알고리즘이 다른 결과를 산출하기 때문에 중요한 요소입니다. 이 프로토콜에 사용되는 알고리즘은 avNNet이지만 다른 유망한 알고리…
The authors have nothing to disclose.
이 작품은 독일 연구 재단 (DFG, 공동 연구 센터 CRC 1181, 하위 프로젝트 Z02)에 의해 지원되었다; 우선 프로그램 μBone, 프로젝트 BA 4027/10-1 및 BO 3811), 스캔 장치에 대한 추가 지원을 포함 (INST 410/77-1 FUGG 및 INST 410/93-1 FUGG), 그리고 신흥 필드 이니셔티브에 의해 (EFI) 프리드리히 – 알렉산더 대학 에를랑겐 – Nürnberg의 “빅 테라”.
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 |