Перспективы применения радиомики при опухолях головного мозга

Обложка

Цитировать

Полный текст

Аннотация

Радиомика — новое направление в диагностике, основанное на количественном подходе к медицинской визуализации, способное обеспечить более эффективное использование медицинской аппаратуры, оптимизировать временные затраты на каждого пациента, а также повысить точность дифференциальной диагностики в различных областях медицины. Ответвлением радиомики является радиогеномика, призванная для установления связи между генотипом пациента и фенотипической картиной, представленной методом медицинской визуализации. В обзоре приведены общие вопросы о радиомике и радиогеномике в онкологии с результатами исследований в этой области, полученными в последние годы, с особым вниманием к роли этих методов в нейроонкологии, а также к решению проблем диагностики опухолей головного мозга. Одной из актуальных проблем в нейроонкологии является возможность определения прогноза заболевания у больных с неверифицированными срединными глиомами ввиду невозможности морфологического подтверждения диагноза и молекулярно-генетического исследования тканей. Кроме того, высокая гетерогенность злокачественного новообразования, свойственная как в пространственном, так и временном смысле, препятствует полноценной оценке биологических свойств опухоли, даже с использованием методов стереотаксической биопсии. Методы радиомики могут помочь врачам дифференцировать степень злокачественности опухоли, выполняя роль «виртуальной биопсии», при этом избежать целого ряда инвазивных процедур. Результаты исследований по радиомике и радиогеномике в нейроонкологии свидетельствуют о несомненной перспективности этих методик, однако, как и в других областях медицины и биологии, нельзя полностью исключить ошибки, и задача команды вовлечённых в неё специалистов — свести эту вероятность к минимуму.

Об авторах

Ольга Сергеевна Регентова

Российский научный центр рентгенорадиологии

Автор, ответственный за переписку.
Email: olgagraudensh@mail.ru
ORCID iD: 0000-0002-0219-7260
SPIN-код: 9657-0598

канд. мед. наук

Россия, Москва

Роман Алексеевич Пархоменко

Российский научный центр рентгенорадиологии; Российский университет дружбы народов имени Патриса Лумумбы

Email: raparkhomenko@rncrr.ru
ORCID iD: 0000-0001-9249-9272
SPIN-код: 9902-4244

д-р мед. наук, профессор

Россия, Москва; Москва

Николай Иванович Сергеев

Российский научный центр рентгенорадиологии

Email: sergeev_n@rncrr.ru
ORCID iD: 0000-0003-4147-1928
SPIN-код: 2408-6502

д-р мед. наук

Россия, Москва

Владимир Константинович Боженко

Российский научный центр рентгенорадиологии

Email: vkbojenko@rncrr.ru
ORCID iD: 0000-0001-8351-8152
SPIN-код: 8380-6617

д-р мед. наук, профессор

Россия, Москва

Павел Владимирович Полушкин

Российский научный центр рентгенорадиологии

Email: roentradpc@gmail.com
ORCID iD: 0000-0001-6661-0280
SPIN-код: 7600-7304

канд. мед. наук

Россия, Москва

Владимир Алексеевич Солодкий

Российский научный центр рентгенорадиологии

Email: mailbox@rncrr.ru
ORCID iD: 0000-0002-1641-6452
SPIN-код: 9556-6556

д-р мед. наук, профессор, академик РАН

Россия, Москва

Список литературы

  1. Lambin P., Rios-Velazquez E., Leijenaar R., et al. Radiomics: Extracting more information from medical images using advanced feature analysis // European Journal of Cancer. 2012. Vol. 48, N 4. P. 441–446. doi: 10.1016/j.ejca.2011.11.036
  2. Kumar V., Gu Y., Basu S., et al. Radiomics: the process and the challenges // Magnetic Resonance Imaging. 2012. Vol. 30, N 9. P. 1234–1248. doi: 10.1016/j.mri.2012.06.010
  3. Литвин А.А., Буркин Д.А., Кропинов А.А., Парамзин Ф.Н. Радиомика и анализ текстур цифровых изображений в онкологии (обзор) // Современные технологии в медицине. 2021. T. 13, № 2. C. 97–104. doi: 10.17691/stm2021.13.2.11
  4. Mayerhoefer M.E., Materka A., Langs G., et al. Introduction to Radiomics // Journal of Nuclear Medicine. 2020. Vol. 61, N 4. P. 488–495. doi: 10.2967/jnumed.118.222893
  5. Beig N., Bera K., Tiwari P. Introduction to radiomics and radiogenomics in neuro-oncology: implications and challenges // Neuro-Oncology Advances. 2021. Vol. 2, Suppl. 4. P. iv3–iv14. doi: 10.1093/noajnl/vdaa148
  6. Чернобривцева В.В., Мисюрин А.С. Новые технологии лучевой диагностики // Практическая онкология. 2022. Т. 23, № 4. С. 203–210. EDN: DUCVOW doi: 10.31917/2304203
  7. Данилов Г.В., Ишанкулов Т.А., Котик К.В., и др. Технологии искусственного интеллекта в клинической нейроонкологии // Вопросы нейрохирургии им. Н.Н. Бурденко. 2022. Т. 86, № 6. С. 127–133. EDN: XPLMSB doi: 10.17116/neiro202286061127
  8. Солодкий В.А., Каприн А.Д., Нуднов Н.В., и др. Возможности искусственного интеллекта в оценке риска рака молочной железы на маммографических изображениях (клинические примеры) // Вестник Российского научного центра рентгенорадиологии. 2023. Т. 23, № 1. С. 24–31. EDN: BWYQPJ
  9. Prokop M. Multislice CT: technical principles and future trends // European Radiology. 2003. Vol. 13, Suppl. 5. P. M3–13. doi: 10.1007/s00330-003-2178-z
  10. Groheux D., Quere G., Blanc E., et al. FDG PET-CT for solitary pulmonary nodule and lung cancer: Literature review // Diagnostic and Interventional Imaging. 2016. Vol. 97, N 10. P. 1003–1017. doi: 10.1016/j.diii.2016.06.020
  11. Goo H.W., Goo J.M. Dual-Energy CT: New Horizon in Medical Imaging // Korean Journal of Radiology. 2017. Vol. 18, N 4. P. 555–569. doi: 10.3348/kjr.2017.18.4.555
  12. Zaharchuk G. Next generation research applications for hybrid PET/MR and PET/CT imaging using deep learning // European Journal of Nuclear Medicine and Molecular Imaging. 2019. Vol. 46, N 13. P. 2700–2707. doi: 10.1007/s00259-019-04374-9
  13. Hsieh J., Flohr T. Computed tomography recent history and future perspectives // Journal of Medical Imaging. 2021. Vol. 8, N 5. P. 052109. doi: 10.1117/1.JMI.8.5.052109
  14. Gouel P., Decazes P., Vera P., et al. Advances in PET and MRI imaging of tumor hypoxia // Frontiers in Medicine. 2023. Vol. 10. P. 1055062. doi: 10.3389/fmed.2023.1055062
  15. Szczykutowicz T.P., Bour R.K., Rubert N., et al. CT protocol management: simplifying the process by using a master protocol concept // Journal of Applied Clinical Medical Physics. 2015. Vol. 16, N 4. P. 228–243. doi: 10.1120/jacmp.v16i4.5412
  16. Залог успеха — большие данные в умелых руках. В: Биомолекула [интернет]. 2007–2024. Режим доступа: https://biomolecula.ru/articles/zalog-uspekha-bolshie-dannye-v-umelykh-rukakh Дата обращения: 26.10.2023.
  17. Огнерубов Н.А., Шатов И.А., Шатов А.В. Радиогеномика и радиомика в диагностике злокачественных опухолей: обзор литературы // Вестник Тамбовского университета. Серия: естественные и технические науки. 2017. Т. 22, № 6-2. С. 1453–1460. EDN: YRNTMV doi: 10.20310/1810-0198-2017-22-6-1453-1460
  18. Никульшина Я.О., Редькин А.Н. Радиомика и радиогеномика в диагностике, клиническом прогнозе и оценке ответа на лечение при онкологических заболеваниях (Обзор литературы) // Диагностическая и интервенционная радиология. 2022. T. 16, № 3. C. 70–78. EDN: KHLFNT doi: 10.25512/DIR.2022.16.3.07
  19. Peng Z., Wang Y., Wang Y., et al. Application of radiomics and machine learning in head and neck cancers // International Journal of Biological Sciences. 2021. Vol. 17, N 2. P. 475–486. doi: 10.7150/ijbs.55716
  20. Bernatz S., Böth I., Ackermann J., et al. Radiomics for therapy-specific head and neck squamous cell carcinoma survival prognostication (part I) // BMC Medical Imaging. 2023. Vol. 23, N 1. P. 71. doi: 10.1186/s12880-023-01034-1
  21. Wang Y., Jin Z.-Y. Radiomics approaches in gastric cancer // Chinese Medical Journal. 2019. Vol. 132, N 16. P. 1983–1989. doi: 10.1097/CM9.0000000000000360
  22. Liu D., Zhang W., Hu F., et al. A Bounding Box-Based Radiomics Model for Detecting Occult Peritoneal Metastasis in Advanced Gastric Cancer: A Multicenter Study // Frontiers in Oncology. 2021. Vol. 11. P. 777760. doi: 10.3389/fonc.2021.777760
  23. Gong X-Q., Tao Y-Y., Wu Y., et al. Progress of MRI Radiomics in Hepatocellular Carcinoma // Frontiers in Oncology. 2021. Vol. 11. P. 698373 doi: 10.3389/fonc.2021.698373
  24. Miranda J., Horvat N., Fonseca G.M., et al. Current status and future perspectives of radiomics in hepatocellular carcinoma // World Journal of Gastroenterology. 2023. Vol. 29, N 1. P. 43–60. doi: 10.3748/wjg.v29.i1.43
  25. Ferro M., de Cobelli O., Musi G., et al. Radiomics in prostate cancer: an up-to-date review // Therapeutic Advances in Urology. 2022. Vol. 14. P. 175628722211090. doi: 10.1177/17562872221109020
  26. Chaddad A., Tan G., Liang X., et al. Advancements in MRI-Based Radiomics and Artificial Intelligence for Prostate Cancer: A Comprehensive Review and Future Prospects // Cancers (Basel). 2023. Vol. 15, N 15. P. 3839. doi: 10.3390/cancers15153839
  27. Логинова М.В., Павлов В.Н., Гилязова И.Р. Радиомика и радиогеномика рака предстательной железы // Якутский медицинский журнал. 2021. № 1. С. 101–104. EDN: QPZIWO doi: 10.25789/YMJ.2021.73.27
  28. Говорухина В.Г., Семенов С.С., Гележе П.Б., и др. Роль маммографии в радиомике рака молочной железы // Digital Diagnostics. 2021. Т. 2, № 2. С. 185–199. EDN: RFSJYH doi: 10.17816/DD70479
  29. Сергеев Н.И., Котляров П.М., Солодкий В.А. Дифференциальная диагностика очаговых изменений позвоночника с использованием стандартного и радиомического анализа: ретроспективное исследование // Вестник травматологии и ортопедии им. Н.Н. Приорова. 2023. Т. 30, № 1. С. 77–86. EDN: ZVWOVA doi: 10.17816/vto322858
  30. Штайнгауэр В., Сергеев Н.И. Радиомика при раке молочной железы: использование глубокого машинного анализа МРТ-изображений метастатического поражения позвоночника // Современные технологии в медицине. 2022. Т. 14, № 2. С. 16–25. EDN: XFVITL doi: 10.17691/stm2022.14.2.02
  31. Данилов Г.В., Калаева Д.Б., Вихрова Н.Б., и др. Технологии радиомики в определении индекса накопления радиофармпрепарата в глиобластоме по данным ПЭТ/КТ с 11с-метионином // Современные технологии в медицине. 2023. Т. 15, № 1. С. 5–13. EDN: XDCHTK doi: 10.17691/stm2023.15.1.01
  32. Капишников А.В., Суровцев Е.Н., Удалов Ю.Д. Магнитно-резонансная томография первичных внемозговых опухолей: проблемы диагностики и перспективы радиомики // Медицинская радиология и радиационная безопасность. 2022. Т. 67, № 4. С. 49–56. EDN: HRDUJG doi: 10.33266/1024-6177-2022-67-4-49-56
  33. Маслов Н.Е., Труфанов Г.Е., Ефимцев А.Ю. Некоторые аспекты радиомики и радиогеномики глиобластом: что лежит за пределами изображения? // Трансляционная медицина. 2022. Т. 9, № 2. С. 70–80. EDN: NMDJBU doi: 10.18705/2311-4495-2022-9-2-70-80
  34. Zhang Y., Liang K., He J., et al. Deep Learning With Data Enhancement for the Differentiation of Solitary and Multiple Cerebral Glioblastoma, Lymphoma, and Tumefactive Demyelinating Lesion // Frontiers in Oncology. 2021. Vol. 11. P. 665891. doi: 10.3389/fonc.2021.665891
  35. Соловьева С.Н., Шершевер А.С., Дайнеко Е.А., и др. Дифференциация рецидивирующей глиальной опухоли и лучевого некроза с помощью признаков радиомики // Российский нейрохирургический журнал имени профессора А.Л. Поленова. 2023. Т. 15, № 3. С. 128–133. EDN: LHQOOQ doi: 10.56618/2071-2693_2023_15_3_128
  36. Dong J., Li L., Liang S., et al. Differentiation Between Ependymoma and Medulloblastoma in Children with Radiomics Approach // Academic Radiology. 2021. Vol. 28, N 3. P. 318–327. doi: 10.1016/j.acra.2020.02.012
  37. Quon J.L., Bala W., Chen L.C., et al. Deep Learning for Pediatric Posterior Fossa Tumor Detection and Classification: A Multi-Institutional Study // American Journal of Neuroradiology. 2020. Vol. 41, N 9. P. 1718–1725. doi: 10.3174/ajnr.A6704
  38. Tam L.T., Yeom K.W., Wright J.N., et al. MRI-based radiomics for prognosis of pediatric diffuse intrinsic pontine glioma: an international study // Neuro-Oncology Advances. 2021. Vol. 3, N 1. P. vdab042. doi: 10.1093/noajnl/vdab042
  39. Guo W., She D., Xing Z., et al. Multiparametric MRI-Based Radiomics Model for Predicting H3 K27M Mutant Status in Diffuse Midline Glioma: A Comparative Study Across Different Sequences and Machine Learning Techniques // Frontiers in Oncology. 2022. Vol. 12. P. 796583 doi: 10.3389/fonc.2022.796583
  40. Shboul Z.A., Chen J., Iftekharuddin K.M. Prediction of Molecular Mutations in Diffuse Low-Grade Gliomas using MR Imaging Features // Scientific Reports. 2020. Vol. 10, N 1. P. 3711. doi: 10.1038/s41598-020-60550-0
  41. Wagner M.W., Hainc N., Khalvati F., et al. Radiomics of Pediatric Low-Grade Gliomas: Toward a Pretherapeutic Differentiation of BRAF-Mutated and BRAF-Fused Tumors // American Journal of Neuroradiology. 2021. Vol. 42, N 4. P. 759–765. doi: 10.3174/ajnr.A6998
  42. Lassaletta A., Zapotocky M., Mistry M., et al. Therapeutic and Prognostic Implications of BRAF V600E in Pediatric Low-Grade Gliomas // Journal of Clinical Oncology. 2017. Vol. 35, N 25. P. 2934–2941. doi: 10.1200/JCO.2016.71.8726
  43. Khalid F., Goya-Outi J., Escobar T., et al. Multimodal MRI radiomic models to predict genomic mutations in diffuse intrinsic pontine glioma with missing imaging modalities // Frontiers in Medicine. 2023. Vol. 10. P. 1071447. doi: 10.3389/fmed.2023.1071447
  44. Данилов Г.В., Пронин И.Н., Королев В.В., и др. Первые результаты неинвазивного типирования глиом головного мозга по данным магнитно-резонансной томографии с помощью машинного обучения // Вопросы нейрохирургии им. Н.Н. Бурденко. 2022. Т. 86, № 6. С. 36–42. EDN: JDQJJB doi: 10.17116/neiro20228606136
  45. Kocher M., Ruge M.I., Galldiks N., Lohmann P. Applications of radiomics and machine learning for radiotherapy of malignant brain tumors // Strahlentherapie Und Onkologie. 2020. Vol. 196, N 10. P. 856–867. doi: 10.1007/s00066-020-01626-8
  46. Кирпичев Ю.С., Семенов С.С., Голуб С.В., Андрейченко А.Е. Радиомика при планировании лучевой терапии // Медицинская физика. 2022. № 1. С. 36–37. EDN: GPDLZI
  47. Zhuge Y., Krauze A.V., Ning H., et al. Brain tumor segmentation using holistically nested neural networks in MRI images // Medical Physics. 2017. Vol. 44, N 10. P. 5234–5243. doi: 10.1002/mp.12481

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML

© Эко-вектор, 2024

Creative Commons License
Эта статья доступна по лицензии Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».