计算机断层扫描和磁共振图像纹理分析在膀胱癌诊断中的应用困难与前景

封面图片

如何引用文章

全文:

详细

放射组学和纹理分析是基于专用软件和对肉眼不可见指标定量评估的数字医学图像研究的一个新阶段。通过数学变换提取的纹理指数与所研究区域的形态、分子和基因型特征相关。

本文对纹理分析在膀胱癌诊断中的可能性和困难的科学研究进行了概述。作者描述了该方法的实际意义，分析了其使用的困难和前景。利用PubMed和Google Scholar搜索引擎，使用关键词筛选出从2016年至2024年期间发表的40篇文章。

大量研究结果显示，放射组学在膀胱癌的局部分期、肿瘤形态学图像评估和远期临床结果预测方面具有很高的准确性。

由此可见，医学图像的纹理分析能在不明确的临床病例中为膀胱癌的诊断提供额外的信息。如今，方法的标准化是放射组学分析加速推广到临床实践中的关键任务之一。

作者简介

Anastasia A. Kovalenko

Central Clinical Hospital of the Management Affair

编辑信件的主要联系方式.
Email: nastua_kovalenko@mail.ru
ORCID iD: 0000-0001-8276-3594
SPIN 代码: 6158-0090
俄罗斯联邦, Moscow

Valentin E. Sinitsyn

Research and Practical Clinical Center for Diagnostics and Telemedicine Technologies; Lomonosov Moscow State University

Email: vsini@mail.ru
ORCID iD: 0000-0002-5649-2193
SPIN 代码: 8449-6590

MD, Dr. Sci. (Medicine), Professor

俄罗斯联邦, Moscow; Moscow

Victor Petrovichev

National Medical Research Centre “Treatment and Rehabilitation Centre”

Email: petrovi4ev@gmail.com
ORCID iD: 0000-0002-8391-2771
SPIN 代码: 7730-7420

MD, Cand. Sci. (Medicine)

俄罗斯联邦, Moscow

参考

  1. Panebianco V, Narumi Y, Altun E, et al. Multiparametric Magnetic Resonance Imaging for Bladder Cancer: Development of VI-RADS (Vesical Imaging Reporting And Data System). European Urology. 2018;74(3):294–306. doi: 10.1016/j.eururo.2018.04.029
  2. Wang Z, Shang Y, Luan T, et al. Evaluation of the value of the VI-RADS scoring system in assessing muscle infiltration by bladder cancer. Cancer Imaging. 2020;20(1):26. doi: 10.1186/s40644-020-00304-3
  3. Cumberbatch MGK, Foerster B, Catto JWF, et al. Repeat Transurethral Resection in Non muscle invasive Bladder Cancer: A Systematic Review. European Urology. 2018;73(6):925–933. doi: 10.1016/j.eururo.2018.02.014
  4. Parekh V, Jacobs MA. Radiomics: a new application from established techniques. Expert Review of Precision Medicine and Drug Development. 2016;1(2):207–226. doi: 10.1080/23808993.2016.1164013
  5. van Timmeren JE, Cester D, Tanadini Lang S, et al. Radiomics in medical imaging »how to» guide and critical reflection. Insights Imaging. 2020;11:91. doi: 10.1186/s13244-020-00887-2
  6. Bologna M, Corino V, Mainardi L. Technical Note: Virtual phantom analyses for preprocessing evaluation and detection of a robust feature set for MRI radiomics of the brain. Medical Physics. 2019;46(11):5116–5123. doi: 10.1002/mp.13834
  7. Moradmand H, Aghamiri SMR, Ghaderi R. Impact of image preprocessing methods on reproducibility of radiomic features in multimodal magnetic resonance imaging in glioblastoma. Journal of Applied Clinical Medical Physics. 2020;21(1):179–190. doi: 10.1002/acm2.12795
  8. Shafiq ul Hassan M, Zhang GG, Latifi K, et al. Intrinsic dependencies of CT radiomic features on voxel size and number of gray levels. Medical Physics. 2017;44(3):1050–1062. doi: 10.1002/mp.12123
  9. Li X, Ma Q, Tao C, et al. A CT-based radiomics nomogram for differentiation of small masses (< 4 cm) of renal oncocytoma from clear cell renal cell carcinoma. Abdom Radiol. 2021;46(11):5240–5249. doi: 10.1007/s00261-021-03213-6
  10. Chu LC, Park S, Soleimani S, et al. Classification of pancreatic cystic neoplasms using radiomic feature analysis is equivalent to an experienced academic radiologist: a step toward computer-augmented diagnostics for radiologists. Abdom Radiol. 2022;47(12):4139–4150. doi: 10.1007/s00261-022-03663-6
  11. Marusyk A, Janiszewska M, Polyak K. Intratumor Heterogeneity: The Rosetta Stone of Therapy Resistance. Cancer Cell. 2020;37(4):471–484. doi: 10.1016/j.ccell.2020.03.007
  12. Mayerhoefer ME, Materka A, Langs G, et al. Introduction to Radiomics. Journal of Nuclear Medicine. 2020;61(4):488–495. doi: 10.2967/jnumed.118.222893
  13. Yip SSF, Aerts HJWL. Applications and limitations of radiomics. Phys. Med. Biol. 2016;61(13):R150. doi: 10.1088/0031-9155/61/13/R150
  14. Wang J, Shen L, Zhong H, et al. Radiomics features on radiotherapy treatment planning CT can predict patient survival in locally advanced rectal cancer patients. Scientific Reports. 2019;9:15346. doi: 10.1038/s41598-019-51629-4
  15. Oikonomou A, Khalvati F, Tyrrell PN, et al. Radiomics analysis at PET/CT contributes to prognosis of recurrence and survival in lung cancer treated with stereotactic body radiotherapy. Scientific Reports. 2018;8:4003. doi: 10.1038/s41598-018-22357-y
  16. Horvat N, Veeraraghavan H, Khan M, et al. MR Imaging of Rectal Cancer: Radiomics Analysis to Assess Treatment Response after Neoadjuvant Therapy. Radiology. 2018;287(3):833–843. doi: 10.1148/radiol.2018172300
  17. Xu S, Yao Q, Liu G, et al. Combining DWI radiomics features with transurethral resection promotes the differentiation between muscle invasive bladder cancer and non muscle invasive bladder cancer. European Radiology. 2020;30:1804–1812. doi: 10.1007/s00330-019-06484-2
  18. Xu X, Zhang X, Tian Q, et al. Quantitative Identification of Nonmuscle Invasive and Muscle Invasive Bladder Carcinomas: A Multiparametric MRI Radiomics Analysis. J. Magn. Reson. Imaging. 2019;49(5):1489–1498. doi: 10.1002/jmri.26327
  19. Wang H, Hu D, Yao H, et al. Radiomics analysis of multiparametric MRI for the preoperative evaluation of pathological grade in bladder cancer tumors. European Radiology. 2019;29(11):6182–6190. doi: 10.1007/s00330-019-06222-8
  20. Zhang X, Xu X, Tian Q, et al. Radiomics assessment of bladder cancer grade using texture features from diffusion-weighted imaging. J. Magn. Reson. Imaging. 2017;46(5):1281–1288. doi: 10.1002/jmri.25669
  21. Zheng J, Kong J, Wu S, et al. Development of a noninvasive tool to preoperatively evaluate the muscular invasiveness of bladder cancer using a radiomics approach. Cancer. 2019;125(24):4388–4398. doi: 10.1002/cncr.32490
  22. Xu X, Liu Y, Zhang X, et al. Preoperative prediction of muscular invasiveness of bladder cancer with radiomic features on conventional MRI and its high-order derivative maps. Abdominal Radiology. 2017;42(7):1896–1905. doi: 10.1007/s00261-017-1079-6
  23. Lim CS, Tirumani S, van der Pol CB, et al. Use of Quantitative T2-Weighted and Apparent Diffusion Coefficient Texture Features of Bladder Cancer and Extravesical Fat for Local Tumor Staging After Transurethral Resection. American Journal of Roentgenology. 2019;212(5):1060–1069. doi: 10.2214/AJR.18.20718
  24. Razik A, Das CJ, Sharma R, et al. Utility of first order MRI-Texture analysis parameters in the prediction of histologic grade and muscle invasion in urinary bladder cancer: a preliminary study. British Journal of Radiology. 2021;94(1122). doi: 10.1259/bjr.20201114
  25. Cui Y, Sun Z, Liu X, et al. CT-based radiomics for the preoperative prediction of the muscle invasive status of bladder cancer and comparison to radiologists’ assessment. Clinical Radiology. 2022;77(6):e473–e482. doi: 10.1016/j.crad.2022.02.019
  26. Zhang R, Jia S, Zhai L, et al. Predicting preoperative muscle invasion status for bladder cancer using computed tomography based radiomics nomogram. BMC Medical Imaging. 2024;24:98. doi: 10.1186/s12880-024-01276-7
  27. Ren J, Gu H, Zhang N, et al. Preoperative CT-based radiomics for diagnosing muscle invasion of bladder cancer. Egyptian Journal of Radiology and Nuclear Medicine. 2023;54(131). doi: 10.1186/s43055-023-01044-7
  28. Jing Q, Yang L, Hu S, et al. Radiomics prediction of the pathological grade of bladder cancer based on multi-phase CT images. Research Square. 2022. doi: 10.21203/rs.3.rs2385545/v1
  29. Woźnicki P, Laqua FC, Messmer K, et al. Radiomics for the Prediction of Overall Survival in Patients with Bladder Cancer Prior to Radical Cystectomy. Cancers. 2022;14(18):4449. doi: 10.3390/cancers14184449
  30. Sylvester RJ, van der Meijden AP, Oosterlinck W, et al. Predicting Recurrence and Progression in Individual Patients with Stage Ta T1 Bladder Cancer Using EORTC Risk Tables: A Combined Analysis of 2596 Patients from Seven EORTC Trials. European Urology. 2006;49(3):466–477. doi: 10.1016/j.eururo.2005.12.031
  31. Fernandez Gomez J, Madero R, Solsona E, et al. Predicting Nonmuscle Invasive Bladder Cancer Recurrence and Progression in Patients Treated With Bacillus Calmette Guerin: The CUETO Scoring Model. Journal of Urology. 2009;182(5):2195–2203. doi: 10.1016/j.juro.2009.07.016
  32. Zhang X, Wang Y, Zhang J, et al. Development of a MRI-Based Radiomics Nomogram for Prediction of Response of Patients With Muscle Invasive Bladder Cancer to Neoadjuvant Chemotherapy. Front. Oncol. 2022;12. doi: 10.3389/fonc.2022.878499
  33. Kimura K, Yoshida S, Tsuchiya J, et al. Usefulness of texture features of apparent diffusion coefficient maps in predicting chemoradiotherapy response in muscle invasive bladder cancer. European Radiology. 2022;32:671–679. doi: 10.1007/s00330-021-08110-6
  34. Cha KH, Hadjiiski L, Chan HP, et al. Bladder Cancer Treatment Response Assessment in CT using Radiomics with Deep Learning. Scientific Reports. 2017;7:8738. doi: 10.1038/s4159801709315w
  35. Cai Q, Huang Y, Ling J, et al. Radiomics nomogram for predicting disease free survival after partial resection or radical cystectomy in patients with bladder cancer. British Journal of Radiology. 2024;97(1153):201–209. doi: 10.1093/bjr/tqad010
  36. Ibrahim A, Primakov S, Beuque M, et al. Radiomics for precision medicine: Current challenges, future prospects, and the proposal of a new framework. Methods. 2021;188:20–29. doi: 10.1016/j.ymeth.2020.05.022
  37. Wichtmann BD, Harder FN, Weiss K, et al. Influence of Image Processing on Radiomic Features From Magnetic Resonance Imaging. Investigative Radiology. 2023;58(3):199–208. doi: 10.1097/RLI.0000000000000921
  38. Park JE, Park SY, Kim HJ, et al. Reproducibility and Generalizability in Radiomics Modeling: Possible Strategies in Radiologic and Statistical Perspectives. Korean J Radiol. 2019;20(7):1124–1137. doi: 10.3348/kjr.2018.0070
  39. Li Q, Bai H, Chen Y, et al. A Fully Automatic Multiparametric Radiomics Model: Towards Reproducible and Prognostic Imaging Signature for Prediction of Overall Survival in Glioblastoma Multiforme. Scientific Reports. 2017;7:14331. doi: 10.1038/s41598017147537
  40. Foy JJ, Armato SG, Al Hallaq HA. Effects of variability in radiomics software packages on classifying patients with radiation pneumonitis. Journal of Medical Imaging. 2020;7(1):014504. doi: 10.1117/1.JMI.7.1.014504

补充文件

附件文件
动作
1. JATS XML
下载
2. Supplement 1. Generalized the largest studies based on texture analysis of MRI in bladder cancer
下载 (19KB)
索引源数据

版权所有 © Eco-Vector, 2024

Creative Commons License
此作品已接受知识共享署名-非商业性使用-禁止演绎 4.0国际许可协议的许可。

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».