用于实验大鼠模型中骨转移早期检测的机器学习算法

本方案有助于开发一种机器学习算法，用于在实验模型中骨转移灶早期器官定植阶段预测其生长情况。该技术的主要优势在于，它将多个成像参数整合到机器学习算法中，其预测能力显著优于任一单独参数的预测效果。尽管本方案旨在实现骨转移的早期诊断，但其可适用于其他器官，或用于多模态和多参数成像研究的不同领域。

术后及注射后10天，在带有DCE插件的DICOM查看器中进行观察。选择“导入”以4D模式加载DCE序列，并选择包含MRI图像的DICOM文件夹。在右侧后肢胫骨近端骨干骨髓区域的第四或第五张MRI图像内，放置一个1.5平方毫米的圆形感兴趣区域，并在绘图类型中选择相对增强。

在相应字段中输入从时间点一到五的基线范围，并将分析结果导出为名为 DCE raw dot TXT 的点 TXT 文件。打开 RStudio 并加载提供的 DCE script dot R 文件。选择代码，运行区域并运行全部，以执行整个脚本，并将输出结果复制到提供的影像特征模板文件中。

在DICOM查看器中，于动物背部肌肉内放置第二个感兴趣区域，并按照演示方法重复DCE测量。在成像特征电子表格中，相应的骨组织测量值将自动除以相应的肌肉测量值，以进行数据归一化。要分析PET/CT图像，请打开PET/CT分析软件并导入PET/CT图像。

点击常规分析，选择感兴趣区域定量，创建并使用模板生成感兴趣区域。在右后肢近端胫骨干的骨髓内放置一个四乘六毫米的二维感兴趣区域，并选择感兴趣区域目标叠加。记录以贝可/毫升为单位的平均值、最小值和最大值。

然后，将最大值除以注射的放射活性，并将结果乘以动物的体重（单位为克），以计算标准化摄取值。用于诊断注射侧后肢的肿瘤生长速率。在注射后第30天获取MRI和PET/CT图像后，按照演示方法分析图像，并在影像特征电子表格中添加一列用于记录肿瘤数据。

然后，对于有转移的动物输入1，对于无可见肿瘤负荷的动物输入0。为了确定预测未来肿瘤生长的最重要特征，将电子表格导入一个开源的数据可视化、机器学习和数据挖掘工具包中。从数据菜单中将文件子程序拖入工作区，然后双击该文件。

单击文件夹图标以加载电子表格，并选择成像特征电子表格。选择导出工作表，并将目标属性指定为变量 tumor。将跳过功能分配给动物编号。

将排序子程序拖入工作区，并绘制连线以连接文件和排序子程序。然后，双击打开排序子程序，选择信息增益算法。进行机器学习分析时，打开 RStudio 3.4.1 并加载提供的训练模型 R 脚本。

在脚本中选择第三到第六行以加载所需的库。点击“code”运行所选代码，点击“run selected lines”运行所选行。要使用平均神经网络算法训练模型，请从训练模型 R 脚本中选择第八到第三十九行，然后点击“code”和“run selected lines”。

然后，为了评估诊断准确性的标准参数，从训练模型 R 脚本中选择第 41 至 50 行，点击代码并运行所选行。在手术及癌细胞注射后的第 10 天，可获取 MRI 和 PET/CT 图像。DCE 分析可用于测量肌肉和骨组织的兴趣区域。

这些数值可以通过将骨测量值除以肌肉测量值进行归一化。在注射后第30天，对所有动物进行评估，以确定其是否出现转移，其中用1表示存在肿瘤负荷，用0表示未见明显肿瘤的健康动物。运行训练模型R脚本可确定最优的超参数组合，并利用该最优超参数组合计算最终模型。

这些数据可用于计算一组标准诊断参数，并绘制模型的受试者工作特征曲线。例如，在对28个样本的此项分析中，该模型的表现显著优于其三个组成部分。当输入数据经过归一化处理后，多种机器学习算法的性能往往更优。

本方案中，标准化通过Box Cox函数实现。该方案在机器学习算法中采用网络中的模型平均方法。然而，所提供的框架也可轻松适配于其他算法，例如随机森林或支持向量机。

从图像资料中提取数值信息已变得至关重要。此类算法可能有助于整合大量数据，从而实现患者的分层。