Bu protokol, erken metastatik hastalığı tespit etmek ve makrometazelere sonraki ilerlemeyi tahmin etmek için meme kanseri kemik metastazlarının sıçan modelinde manyetik rezonans görüntüleme (MRG) ve pozitron emisyon tomografisinden (PET/BT) elde edilen görüntüleme parametrelerinin bir kombinasyonunu kullanmak üzere bir makine öğrenme algoritması yetiştirmek üzere tasarlanmıştır.
Makine öğrenimi (ML) algoritmaları, bileşenlerini aşan bir doğrulukla sınıflandırma veya regresyon görevlerini gerçekleştirmek için farklı özelliklerin bir modele entegrasyonuna izin verir. Bu protokol, herhangi bir anormallik standart görüntüleme yöntemleri ile gözlemlenebilir önce bir sıçan modelinde meme kanseri kemik makrometazes büyümesini tahmin etmek için bir ML algoritması gelişimini açıklar. Böyle bir algoritma evreleme muayeneleri sırasında düzenli olarak kaçırılan erken metastatik hastalıkların (mikrometastaz) saptanması kolaylaşabilir.
Uygulanan metastaz modeli bölgeye özgüdür, yani sıçanlar sadece sağ arka ayaklarında metastaz gelişir. Modelin tümör alma oranı %60-%80 arasındadır, makrometazonlar manyetik rezonans görüntülemede (MRG) ve pozitron emisyon tomografisinde (PET/BT) indüksiyondan 30 gün sonra hayvanların bir alt kümesinde görünür hale gelirken, hayvanların ikinci bir alt kümesitümör büyüme göstermez.
Daha erken bir zaman noktasında edinilen görüntü incelemelerinden başlayarak, bu protokol MRG ile saptanan doku vasküvasomunu, PET/BT ile glukoz metabolizmasını gösteren özelliklerin çıkarılmasını ve makrometastatik hastalığın tahmini için en uygun özelliklerin belirlenmesini açıklamaktadır. Bu özellikler daha sonra iki gruptan biri olarak hayvanları sınıflandırmak için bir model ortalama nöral ağ (avNNet) içine beslenir: metastaz gelişecek ve diğer herhangi bir tümör geliştirmek olmaz. Protokol ayrıca, genel doğruluk, duyarlılık, özgüllük, negatif/pozitif tahmin değerleri, olasılık oranları ve bir alıcı çalışma karakteristiğinin geliştirilmesi gibi standart tanıparametrelerinin hesaplanmasını da açıklar. Önerilen protokolün bir avantajı esnekliğidir, çünkü sınırsız sayıda özellik içeren ayarlanabilir kombinasyonlarla farklı ML algoritmaları bir bolluğu eğitmek için kolayca adapte edilebilir. Ayrıca, onkoloji, enfeksiyon ve inflamasyon farklı sorunları analiz etmek için kullanılabilir.
Bu protokolün amacı, MRI ve PET/CT’den çeşitli fonksiyonel görüntüleme parametrelerini model ortalamasılı bir sinir ağı (avNNet) ML algoritmasına entegre etmektir. Bu algoritma erken bir zaman diliminde meme kanseri kemik metastazları bir sıçan modelinde makrometazazların büyümesini tahmin, kemik içinde makroskopik değişiklikler henüz görünür değildir.
Makrometazların büyümesi öncesinde, yaygın olarak mikrometastatik hastalık olarak adlandırılan, yaygın olarak adlandırılan tümör hücrelerinin bir kemik iliği invazyonu oluşur1,2. Bu ilk invazyon metastatik hastalıkta erken bir adım olarak kabul edilebilir, ancak genellikle konvansiyonel evreleme muayeneleri sırasında cevapsız3,4. Mevcut görüntüleme yöntemleri tek başına kullanıldığında kemik iliği mikroinvazını tespit edemese de, vaskülarizasyon ve metabolik aktivite hakkında bilgi veren görüntüleme parametrelerinin bir kombinasyonunun daha iyi performans gösterdiği gösterilmiştir5. Bu tamamlayıcı fayda, farklı görüntüleme parametrelerinin ml algoritması olan bir avNNet’e birleştirilmesiyle elde edilir. Böyle bir avNNet herhangi bir görünür metastaz lar mevcut önce kemik makrometaztazoluşumunun güvenilir tahmin sağlar. Bu nedenle, görüntüleme biyobelirteçlerinin bir avNNet’e entegre edilmesi kemik iliği mikroinisti ve erken metastatik hastalık için bir taşıyıcı parametre görevi görebılabilir.
Protokolü geliştirmek için, çıplak sıçanlarda meme kanseri kemik metastazları daha önce açıklanan bir model kullanılmıştır6,7,8. Bu modelin avantajı site özgüllüğüdür, yani hayvanlar sadece sağ arka ayaklarında kemikli metastazlar geliştirirler. Ancak bu yaklaşımın tümör alma oranı %60-%80’dir, bu nedenle önemli sayıda hayvançalışma sırasında metastaz gelişmez. MRG ve PET/BT gibi görüntüleme yöntemleri kullanılarak metastaz varlığı enjeksiyon sonrası 30 günden (PI) saptanabilir. Daha önceki zaman noktalarında (örn. 10 PI) görüntüleme metastatik hastalık gelişecek hayvanlar la bu hastalık arasında ayrım yapmaz (Şekil 1).
Aşağıdaki protokolde açıklandığı gibi, 10. Sinir Ağları yapay düğümleri farklı katmanlar içinde birleştirir. Çalışma protokolünde, kemik iliği kan akımı ve metabolik aktivite için fonksiyonel görüntüleme parametreleri alt tabakayı temsil ederken, malignite tahmini üst tabakayı temsil eder. Ek bir ara katman, hem üst hem de alt katmana bağlı gizli düğümler içerir. Farklı düğümler arasındaki bağlantıların gücü yüksek doğruluk la ilgili sınıflandırma görevi gerçekleştirmek için ağın eğitimi sırasında güncelleştirilir9. Böyle bir sinir ağının doğruluğu daha da çeşitli modellerin çıkışları ortalama tarafından artırılabilir, bir avNNet sonuçlanan10.
ML algoritmaları, birkaç tahmine dayalı özelliği birleştirilmiş modele entegre etmek ve tek başına kullanıldığında ayrı bileşenlerinin kini aşan bir doğruluk elde etmek için kullanılan güçlü araçlardır. Yine de, gerçek sonuç birkaç kritik adıma bağlıdır. Farklı ML algoritmaları farklı sonuçlar verdiğiiçin kullanılan ML algoritması ilk olarak çok önemli bir faktördür. Bu protokolde kullanılan algoritma bir avNNet, ancak diğer umut verici algoritmalar Extreme Gradient Boosting<s…
The authors have nothing to disclose.
Bu çalışma Alman Araştırma Vakfı (DFG, İşbirlikçi Araştırma Merkezi CRC 1181, alt proje Z02; Öncelikli Program μBone, projeler BA 4027/10-1 ve BO 3811), tarama cihazları için ek destek dahil (INST 410/77-1 FUGG ve INST 410/93-1 FUGG), ve Friedrich Alexander-Üniversitesi Erlangen-Nürnberg Gelişen Alanlar Girişimi (EFI) “Big Thera” tarafından.
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 |