放射组学和剂量组学在寻找肺辐射损伤预测因数方面的应用经验

封面图片

如何引用文章

全文:

详细

论证。放射组学是一种基于机器学习从数字医学影像中提取、分析和解释定量特征的技术。近年来，“剂量组学”一词在文献中越来越常见，标志着放射组学的新方向。剂量组学是一种对放射治疗过程中辐射剂量分布计划进行纹理分析的方法。剂量组学领域已发表的大多数研究都致力于其在预测辐射引起的肺损伤中的应用。

目的 — 利用放射组学的纹理方法和肺部图像的剂量组学分析，以及计算机断层扫描获得的胸部软组织，从而确定肺部辐射损伤的预测因数（生物标志物）。

材料和方法。研究中，使用了36名接受术后适形放射治疗的乳腺癌妇女的数据。根据放疗后肺部变化的程度回顾性地将患者分为两组。使用3D Slicer软件对所有患者在放疗计划阶段获得的CT扫描结果和辐射剂量分布计划进行分析，该软件具有上传研究区域的放射组学和剂量组学指标的功能。选择照射一侧的胸部软组织和肺部区域作为研究区域，剂量负荷分别超过3 Gy和10 Gy。

结果。第一组包括13名放疗后肺部变化最小的患者，第二组包括23名放疗后肺纤维化的患者。在剂量负荷超过3 Gy的照射侧肺区，三项放射组学指标和一项剂量组学指标在患者组间存在显著统计学差异。在剂量负荷超过10 Gy的照射侧肺区，12项放射组学指标和1项剂量组学指标存在显著统计学差异。在照射一侧的胸部软组织区域，18项放射组学指标和4项剂量组学指标存在显著差异。

结论。研究结果表明，在乳腺癌放疗后、肺部放疗后微小变化和放疗后肺纤维化的患者中，一 系列的放射组学和剂量组学指标存在统计学差异。我们根据纹理分析确定的预测因数（生物标志物）可用于预测放射后肺损伤，并确定发生肺损伤的发展风险较高的患者。

作者简介

Nikolay V. Nudnov

Russian Scientific Center of Roentgenoradiology; Russian Medical Academy of Continuous Professional Education; Peoples’ Friendship University of Russia

编辑信件的主要联系方式.
Email: nudnov@rncrr.ru
ORCID iD: 0000-0001-5994-0468
SPIN 代码: 3018-2527

MD, Dr. Sci. (Medicine), Professor

俄罗斯联邦, Moscow; Moscow; Moscow

Vladimir M. Sotnikov

Russian Scientific Center of Roentgenoradiology

Email: vmsotnikov@mail.ru
ORCID iD: 0000-0003-0498-314X
SPIN 代码: 3845-0154

MD, Dr. Sci. (Medicine), Professor

俄罗斯联邦, Moscow

Mikhail E. Ivannikov

Russian Scientific Center of Roentgenoradiology

Email: ivannikovmichail@gmail.com
ORCID iD: 0009-0007-0407-0953
SPIN 代码: 3419-2977

MD

俄罗斯联邦, Moscow

Elina S.-A. Shakhvalieva

Russian Scientific Center of Roentgenoradiology

Email: shelina9558@gmail.com
ORCID iD: 0009-0000-7535-8523

MD

俄罗斯联邦, Moscow

Aleksandr A. Borisov

Russian Scientific Center of Roentgenoradiology

Email: aleksandrborisov10650@gmail.com
ORCID iD: 0000-0003-4036-5883
SPIN 代码: 4294-4736

MD

俄罗斯联邦, Moscow

Vasiliy V. Ledenev

Central Clinical Military Hospital

Email: Ledenevvv007@gmail.com
ORCID iD: 0000-0002-2856-2107
SPIN 代码: 2791-0329

MD, Cand. Sci. (Medicine)

俄罗斯联邦, Moscow

Aleksei Yu. Smyslov

Russian Scientific Center of Roentgenoradiology

Email: smyslov.ay@gmail.com
ORCID iD: 0000-0002-6409-6756
SPIN 代码: 9341-0037

Cand. Sci. (Engineering)

俄罗斯联邦, Moscow

Alina V. Ananina

Russian Scientific Center of Roentgenoradiology

Email: vastruhina.a.v@yandex.ru
ORCID iD: 0009-0002-4562-9729
SPIN 代码: 9699-7690
俄罗斯联邦, Moscow

参考

  1. Khmelevsky EV, Kaprin AD. The state of a radiotherapy service in Russia: Comparative analysis and prospects for development. P.A. Herzen Journal of Oncology. 2017;6(4):38-41. EDN: ZFCHGJ doi: 10.17116/onkolog20176438-41
  2. Kuipers ME, van Doorn Wink KCJ, Hiemstra PS, Slats AM. Predicting radiation induced lung injury in lung cancer patients — challenges and opportunities: Predicting radiation induced lung injury. Int J Radiat Oncol Biol Phys. 2023;118(3):639–649. doi: 10.1016/j.ijrobp.2023.10.044
  3. Mayerhoefer ME, Materka A, Langs G, et al. Introduction to Radiomics. J Nucl Med. 2020;61(4):488–495. doi: 10.2967/jnumed.118.222893
  4. Radiomic Features: pyradiomics v3.0.1.post15+g2791e23 documentation [Internet]. [cited 25 Nov 2023]. Available from: https://pyradiomics.readthedocs.io/en/latest/features.html#.
  5. Avanzo M, Stancanello J, Pirrone G, Sartor G. Radiomics and deep learning in lung cancer. Strahlenther Onkol. 2020;196(10):879–887. doi: 10.1007/s00066-020-01625-9
  6. Gabryś HS, Buettner F, Sterzing F, et al. Design and selection of machine learning methods using radiomics and dosiomics for normal tissue complication probability modeling of xerostomia. Front Oncol. 2018;8:35. doi: 10.3389/fonc.2018.00035
  7. Solodkiy VA, Nudnov NV, Ivannikov ME, et al. Dosiomics in the analysis of medical images and prospects for its use in clinical practice. Digital Diagnostics. 2023;4(3):340–355. EDN: EQRWGJ doi: 10.17816/DD420053
  8. Arroyo Hernández M, Maldonado F, Lozano Ruiz F, et al. Radiation induced lung injury: Current evidence. BMC Pulm Med. 2021;21(1):9. doi: 10.1186/s12890-020-01376-4
  9. Rahi MS, Parekh J, Pednekar P, et al. Radiation Induced Lung Injury — Current Perspectives and Management. Clin Pract. 2021;11(3):410–429. doi: 10.3390/clinpract11030056
  10. Yan Y, Fu J, Kowalchuk RO, et al. Exploration of radiation induced lung injury, from mechanism to treatment: a narrative review. Transl Lung Cancer Res. 2022;11(2):307–322. doi: 10.21037/tlcr-22-108
  11. Gladilina IA, Shabanov MA, Kravets OA, et al. Radiation Induced Lung Injury. Journal of oncology: diagnostic radiology and radiotherapy. 2020;3(2):9–18. EDN: SKOAAY doi: 10.37174/2587-7593-2020-3-2-9-18
  12. Nudnov NV, Sotnikov VM, Ledenev VV, Baryshnikova DV. Features a Qualitative Assessment of Radiation Induced Lung Damage by CT. Medical Visualization. 2016;(1):39–46. EDN: VWOIIB
  13. Ledenev VV. Methodology for quantitative assessment of radiation damage to lungs in cancer patients using CT [dissertation]. Moscow, 2023. Available from: https://www.rncrr.ru/nauka/dissertatsionnyysovet/obyavleniyaozashchitakh/upload%202023/Леденев_ Диссертация.pdf (In Russ.) EDN: YBWROM
  14. Zhou C, Yu J. Chinese expert consensus on diagnosis and treatment of radiation pneumonitis. Prec Radiat Oncol. 2022;6(3):262–271. doi: 10.1002/pro6.1169
  15. Konkol M, Śniatała P, Milecki P. Radiation induced lung injury — what do we know in the era of modern radiotherapy? Rep Pract Oncol Radiother. 2022;27(3):552–565. doi: 10.5603/RPOR.a2022.0046
  16. Shaymuratov RI. Radiation induced lung injury. A review. The Bulletin of Contemporary Clinical Medicine. 2020;13(3):63–73. EDN: BIZZHU doi: 10.20969/VSKM.2020.13(3).63-73
  17. D Slicer image computing platform [Internet]. [cited 25 Nov 2023]. Available from: https://www.slicer.org/
  18. Wang L, Gao Z, Li C, et al. Computed Tomography Based Delta Radiomics Analysis for Discriminating Radiation Pneumonitis in Patients With Esophageal Cancer After Radiation Therapy. Int J Radiat Oncol Biol Phys. 2021;111(2):443–455. doi: 10.1016/j.ijrobp.2021.04.047
  19. Begosh Mayne D, Kumar SS, Toffel S, et al. The dose response characteristics of four NTCP models: using a novel CT-based radiomic method to quantify radiation-induced lung density changes. Sci Rep. 2020;10(1):10559. doi: 10.1038/s41598-020-67499-0
  20. Korpela E, Liu SK. Endothelial perturbations and therapeutic strategies in normal tissue radiation damage. Radiat Oncol. 2014;9:266. doi: 10.1186/s13014-014-0266-7
  21. Zhao L, Sheldon K, Chen M, et al. The predictive role of plasma TGF-beta1 during radiation therapy for radiation induced lung toxicity deserves further study in patients with non small cell lung cancer. Lung Cancer. 2008;59(2):232–239. doi: 10.1016/j.lungcan.2007.08.010
  22. Chen S, Zhou S, Zhang J, et al. A neural network model to predict lung radiation induced pneumonitis. Med Phys. 2007;34(9):3420–3427. doi: 10.1118/1.2759601
  23. Jain V, Berman AT. Radiation Pneumonitis: Old Problem, New Tricks. Cancers (Basel). 2018;10(7):222. doi: 10.3390/cancers10070222
  24. Huang Y, Feng A, Lin Y, et al. Radiation pneumonitis prediction after stereotactic body radiation therapy based on 3D dose distribution: Dosiomics and/or deep learning-based radiomics features. Radiat Oncol. 2022;17(1):188. doi: 10.1186/s13014-022-02154-8
  25. Zhang Z, Wang Z, Yan M, et al. Radiomics and dosiomics signature from whole lung predicts radiation pneumonitis: A model development study with prospective external validation and decision curve analysis. Int J Radiat Oncol Biol Phys. 2023;115(3):746–758. doi: 10.1016/j.ijrobp.2022.08.047
  26. Puttanawarut C, Sirirutbunkajorn N, Khachonkham S, et al. Biological dosiomic features for the prediction of radiation pneumonitis in esophageal cancer patients. Radiat Oncol. 2021;16(1):220. doi: 10.1186/s13014-021-01950-y
  27. Liang B, Yan H, Tian Y, et al. Dosiomics: Extracting 3D spatial features from dose distribution to predict incidence of radiation pneumonitis. Front Oncol. 2019;(9):269.doi: 10.3389/fonc.2019.00269
  28. Liang B, Tian Y, Chen X, et al. Prediction of radiation pneumonitis with dose distribution: A convolutional neural network (CNN) based model. Front Oncol. 2020;9:1500. doi: 10.3389/fonc.2019.01500
  29. Adachi T, Nakamura M, Shintani T, et al. Multi institutional dose segmented dosiomic analysis for predicting radiation pneumonitis after lung stereotactic body radiation therapy. Med Phys. 2021;48(4):1781–1791. doi: 10.1002/mp.14769
  30. Zheng X, Guo W, Wang Y, et al. Multi omics to predict acute radiation esophagitis in patients with lung cancer treated with intensity modulated radiation therapy. Eur J Med Res. 2023;28(1):126. doi: 10.1186/s40001-023-01041-6

补充文件

附件文件
动作
1. JATS XML
下载
2. Fig. 1. Computed tomography of the chest organs of patients 6 months after radiation therapy: a — minimal post—radiation changes in the left lung; b - pronounced post-radiation pneumofibrosis in the right lung.

下载 (112KB)
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».