Радиомика в дифференциальной диагностике глиобластомы в условиях первичной нейроонковизуализации

Обложка

Цитировать

Полный текст

Аннотация

Введение. Согласно классификации ВОЗ опухолей ЦНС 2021 г. и практическим рекомендациям по лекарственному лечению первичных опухолей ЦНС 2023 г., определение статуса изоцитратдегидрогеназы (IDH) является начальным этапом молекулярно-генетического тестирования при идентификации патоморфологических форм диффузных глиом взрослых. Однако традиционный диагностический стандарт, подразумевающий исследование биопсийного материала, обладает рядом ограничений, потенциально нивелируемых внедрением в алгоритм интерпретации традиционных магнитно-резонансных (МР) изображений принципов радиомики.

Цель исследования — разработка применимой в условиях первичных диагностических мероприятий радиомической модели прогнозирования IDH-статуса диффузных глиом взрослых.

Материалы и методы. Посредством применения метода машинного обучения Random Forest осуществляли ретроспективный сравнительный статистический анализ радиомических характеристик 46 традиционных МР-исследований головного мозга пациентов с диффузными глиомами взрослых и известным IDH-статусом в зависимости от вида предварительной обработки исходных данных визуализации с использованием полуавтоматизированного инструмента сегментации зон интереса LevelTracing.

Результаты. Установлена наиболее эффективная комбинация инструментов препроцессинга, сегментации и классификации — ScaleIntensity, LevelTracing и Random Forest соответственно. С её помощью верифицирована достоверность 6 выявленных на прошлом этапе исследования радиомических предикторов IDH-статуса, в большинстве являющихся характеристиками текстурной неоднородности зон интереса на воксельном уровне, а также увеличена прогностическая эффективность классификационной модели до AUC = 0.845 ± 0.089 (p < 0.05).

Заключение. Разработана мультипараметрическая предиктивная модель IDH-статуса при диффузных глиомах взрослых на основе рутинных данных МР-визуализации в условиях малой технически разнородной выборки. Сделан вывод о целесообразности использования относительно унифицированных методов предварительной обработки изображений, предполагающих равномерные изменения интенсивности вокселей с сохранной структурной детализацией. Выявленные радиомические характеристики, вероятно, на воксельном уровне иллюстрируют выраженность перифокального вазогенного отёка и феномена внутриопухолевой морфологической гетерогенности. Планируется оценка воспроизводимости полученных результатов на основе аналогичных данных медицинской визуализации из открытых источников, а также разработка методики цветового картирования зон интереса с целью привнесения элемента субъективного визуализационного анализа в процесс интерпретации количественных радиомических данных.

Об авторах

Никита Евгеньевич Маслов

Национальный медицинский исследовательский центр имени В.А. Алмазова; Санкт-Петербургский клинический научно-практический центр специализированных видов медицинской помощи (онкологический) имени Н.П. Напалкова

Автор, ответственный за переписку.
Email: atickinwallsome@gmail.com
ORCID iD: 0000-0001-6098-9146

аспирант каф. лучевой диагностики и медицинской визуализации с клиникой НМИЦ им. В.А. Алмазова; врач-рентгенолог отделения лучевой диагностики Санкт-Петербургского клинического научно-практического центра специализированных видов медицинской помощи (онкологический) им. Н.П. Напалкова

Россия, 197341, Санкт-Петербург, ул. Аккуратова, д. 2; Санкт-Петербург

Дария Андреевна Валенкова

Санкт-Петербургский государственный электротехнический университет «ЛЭТИ»

Email: atickinwallsome@gmail.com
ORCID iD: 0009-0005-3042-1476

инженер информационно-методического центра факультета компьютерных технологий и информатики 

Россия, Санкт-Петербург

Александр Михайлович Синица

Санкт-Петербургский государственный электротехнический университет «ЛЭТИ»

Email: atickinwallsome@gmail.com
ORCID iD: 0000-0001-9869-4909

с. н. с. каф. радиотехнических систем

Россия, Санкт-Петербург

Геннадий Евгеньевич Труфанов

Национальный медицинский исследовательский центр имени В.А. Алмазова

Email: atickinwallsome@gmail.com
ORCID iD: 0000-0002-1611-5000

д-р мед. наук, профессор, зав. каф. лучевой диагностики и медицинской визуализации с клиникой, заведующий НИО лучевой диагностики 

Россия, 197341, Санкт-Петербург, ул. Аккуратова, д. 2

Владимир Михайлович Моисеенко

Санкт-Петербургский клинический научно-практический центр специализированных видов медицинской помощи (онкологический) имени Н.П. Напалкова

Email: atickinwallsome@gmail.com
ORCID iD: 0000-0002-2246-0441

член-корр. РАН, профессор, директор 

Россия, Санкт-Петербург

Александр Юрьевич Ефимцев

Национальный медицинский исследовательский центр имени В.А. Алмазова

Email: atickinwallsome@gmail.com
ORCID iD: 0000-0003-2249-1405

д-р мед. наук, доц. каф. лучевой диагностики и медицинской визуализации с клиникой, в. н. с. НИО лучевой диагностики 

Россия, 197341, Санкт-Петербург, ул. Аккуратова, д. 2

Вера Витальевна Чернобривцева

Национальный медицинский исследовательский центр имени В.А. Алмазова; Санкт-Петербургский клинический научно-практический центр специализированных видов медицинской помощи (онкологический) имени Н.П. Напалкова

Email: atickinwallsome@gmail.com
ORCID iD: 0000-0001-7037-177X

канд. мед. наук, ассистент каф. лучевой диагностики и медицинской визуализации с клиникой НМИЦ им. В.А. Алмазова; зав. отд. лучевой диагностики Санкт-Петербургского клинического научно-практического центра специализированных видов медицинской помощи (онкологический) им. Н.П. Напалкова

Россия, 197341, Санкт-Петербург, ул. Аккуратова, д. 2; Санкт-Петербург

Список литературы

  1. Ostrom QT, Patil N, Cioffi G, et al. CBTRUS statistical report: primary brain and other central nervous system tumors diagnosed in the United States in 2013–2017. Neuro Oncol. 2020;22(12 Suppl 2):iv1–iv96. doi: 10.1093/neuonc/noaa200
  2. Дяченко А.А. Эпидемиология и выживаемость больных первичными опухолями центральной нервной системы: популяционное исследование: дис. … канд. мед. наук. СПб., 2014. Dyachenko AA. Epidemiology and survival of patients with primary tumors of the central nervous system: a population-based study. St. Peterburg, 2014. (In Russ.)
  3. McKinnon C, Nandhabalan M, Murray SA, Plaha P. Glioblastoma: clinical presentation, diagnosis, and management. BMJ. 2021;374:n1560. doi: 10.1136/bmj.n1560
  4. Кобяков Г.Л., Бекяшев А.Х., Голанов А.В. и др. Практические рекомендации по лекарственному лечению первичных опухолей центральной нервной системы. Злокачественные опухоли: Практические рекомендации RUSSCO #3s2. 2018;(8):83–99. DOI: 10.18 027/2224-5057-2018-8-3s2-83-99 Kobyakov GL, Bekyashev AH, Golanov AV, et al. Practical recommendations for drug treatment of primary tumors of the central nervous system. Malignant tumors: Practical recommendations RUSSCO. 2018;(8):83–99. DOI: 10.18 027/2224-5057-2018-8-3s2-83-99
  5. Мацко М.В., Мацко Е.Д. Нейроонкология, 2021. Краткий анализ новой классификации Всемирной организации здравоохранения опухолей центральной нервной системы. Вестник Санкт-Петербургского университета. Медицина. 2022;17(2):88–100. doi: 10.21638/spbu11.2022.202 Matsko MV, Matsko ED. Neuro-oncology, 2021. Brief analysis of the new World Health Organization classification of tumors of the central nervous system. Vestnik of Saint Petersburg University. Medicine. 2022;17(2):88–100. doi: 10.21638/spbu11.2022.202
  6. Louis DN, Perry A, Wesseling P, et al. The 2021 WHO classification of tumors of the central nervous system: a summary. Neuro Oncol. 2021;23(8):1231–1251. doi: 10.1093/neuonc/noab106
  7. Крылов В.В., Евзиков Г.Ю., Кобяков Г.Л. Морфогенетическая характеристика глиальных опухолей у взрослых в классификациях ВОЗ 2007, 2016, 2021 гг. Изменения классификаций и их значение для клинической практики. Нейрохирургия. 2023;25(3):135–148. doi: 10.17650/1683-3295-2023-25-3-135-148 Krylov VV, Evzikov GYu, Kobyakov GL. Morphogenetic characteristics of glial tumors in adults per the WHO classifications of 2007, 2016, 2021. Changes in the classifications and their significance for clinical practice. Russian journal of neurosurgery. 2023;25(3):135–148. doi: 10.17650/1683-3295-2023-25-3-135-148
  8. Улитин А.Ю., Мацко М.В., Кобяков Г.Л. и др. Практические рекомендации по лекарственному лечению первичных опухолей центральной нервной системы. Практические рекомендации RUSSCO, часть 1. Злокачественные опухоли. 2023;13(#3s2):120–147. doi: 10.18027/2224-5057-2023-13-3s2-1-120-147 Ulitin AYu, Macko MV, Kobyakov GL, et al. Practical recommendations for drug treatment of primary tumors of the central nervous system. Malignant tumors: Practical recommendations RUSSCO. 2023;13(#3s2):120–147. doi: 10.18027/2224-5057-2023-13-3s2-1-120-147
  9. Chung CY, Pigott LE. Predicting IDH and ATRX mutations in gliomas from radiomic features with machine learning: a systematic review and meta-analysis. Front Radiol. 2024;4:1493824. doi: 10.3389/fradi.2024.1493824
  10. Malone H, Yang J, Hershman DL, et al. Complications following stereotactic needle biopsy of intracranial tumors. World Neurosurg. 2015;84(4):1084–1089. doi: 10.1016/j.wneu.2015.05.025
  11. Шашкин Ч.С., Жетписбаев Б.Б., Абдулгужина Р.М., Жуков Е.С. Стереотаксическая биопсия опухолей головного мозга. Нейрохирургия и неврология Казахстана. 2013;4(33):23–25. Shashkin ChS, Zhetpisbaev BB, Abdulguzhina RM, Zhukov ES. Stereotaxic biopsy of brain tumors. Nejrohirurgiya i nevrologiya Kazahstana. 2013;4(33):23–25.
  12. Li Y, Qin Q, Zhang Y, Cao Y. Noninvasive determination of the IDH status of gliomas using MRI and MRI-based radiomics: impact on diagnosis and prognosis. Curr Oncol. 2022;29(10):6893–6907. doi: 10.3390/curroncol29100542
  13. Chang K, Bai HX, Zhou H, et al. Residual convolutional neural network for the determination of IDH status in low- and high-grade gliomas from MR imaging. Clin Cancer Res. 2018;24(5):1073–1081. doi: 10.1158/1078-0432.CCR-17-2236
  14. Choi Y, Nam Y, Lee YS, et al. IDH1 mutation prediction using MR-based radiomics in glioblastoma: comparison between manual and fully automated deep learning-based approach of tumor segmentation. Eur J Radiol. 2020;128:109031. doi: 10.1016/j.ejrad.2020.109031
  15. Hashido T, Saito S, Ishida T. Radiomics-based machine learning classification for glioma grading using diffusion- and perfusion-weighted magnetic resonance imaging. J Comput Assist Tomogr. 2021;45(4):606–613. doi: 10.1097/RCT.0000000000001180
  16. Lin K, Cidan W, Qi Y, Wang X. Glioma grading prediction using multiparametric magnetic resonance imaging-based radiomics combined with proton magnetic resonance spectroscopy and diffusion tensor imaging. Med Phys. 2022;49(7):4419–4429. doi: 10.1002/mp.15648
  17. Shen N, Lv W, Li S, et al. Noninvasive evaluation of the notch signaling pathway via radiomic signatures based on multiparametric MRI in association with biological functions of patients with glioma: a multi-institutional study. J Magn Reson Imaging. 2023;57(3):884–896. doi: 10.1002/jmri.28378
  18. Zhong S, Ren JX, Yu ZP, et al. Predicting glioblastoma molecular subtypes and prognosis with a multimodal model integrating convolutional neural network, radiomics, and semantics. J Neurosurg. 2022;139(2):305–314. doi: 10.3171/2022.10.JNS22801
  19. Rui W, Zhang S, Shi H, et al. Deep learning-assisted quantitative susceptibility mapping as a tool for grading and molecular subtyping of gliomas. Phenomics. 2023;3(3):243–254. doi: 10.1007/s43657-022-00087-6
  20. 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. Front Oncol. 2022;12:796583. doi: 10.3389/fonc.2022.796583
  21. Маслов Н.Е., Труфанов Г.Е., Моисеенко В.М. и др. Разработка принципов адаптации радиогеномного подхода к визуализации глиальных опухолей в рамках инициальных диагностических мероприятий. Вестник медицинского института «РЕАВИЗ». Реабилитация, Врач и Здоровье. 2024;14(1):168–176. doi: 10.20340/vmi-rvz.2024.1.MIM.3 Maslov NE, Trufanov GE, Moiseenko VM, et al. Radiogenomic approach to glial tumors imaging under conditions of initial diagnostic measures: adaptation principles development. Bulletin of the Medical Institute “REAVIZ”. Rehabilitation, Doctor and Health. 2024;14(1):168–176. doi: 10.20340/vmi-rvz.2024.1.MIM.3
  22. Маслов Н.Е., Валенкова Д.А., Труфанов Г.Е., Моисеенко В.М. Анализ методик нормализации данных МРТ и сегментации зон интереса при рутинизации радиогеномного подхода к визуализации глиом. Вестник Смоленской государственной медицинской академии. 2024;(4):149–158. Maslov NE, Valenkova DA, Trufanov GE, Moiseenko VM. Analysis of MRI normalization techniques and ROI segmentation tools during routinization of radiogenomic approach to gliomas imaging. Vestnik Smolenskoj gosudarstvennoj medicinskoj akademii. 2024;(4):149–158. doi: 10.37903/vsgma.2024.4.19
  23. Valenkova D, Lyanova A, Sinitca A, et al. A fuzzy rank-based ensemble of CNN models for MRI segmentation. Biomed Signal Proc Control. 2025;102:107342. doi: 10.1016/j.bspc.2024.107342
  24. Antoine JP. Wavelet transforms and their applications. Physics Today. 2003;56(4):68–8. doi: 10.1063/1.1580056
  25. Li Y, Ammari S, Balleyguier C, et al. Impact of preprocessing and harmonization methods on the removal of scanner effects in brain MRI radiomic features. Cancers. 2021;13(12):3000. doi: 10.3390/cancers13123000
  26. Horng H, Singh A, Yousefi B, et al. Generalized ComBat harmonization methods for radiomic features with multi-modal distributions and multiple batch effects. Scientific Reports. 2022r;12(1):4493. doi: 10.1038/s41598-022-08412-9
  27. Hasanzadeh A, Moghaddam HS, Shakiba M, et al. The role of multimodal imaging in differentiating vasogenic from infiltrative edema: a systematic review. Indian J. Radiol. Imaging. 2023;33(4):514–521. doi: 10.1055/s-0043-1772466
  28. Min Zh, Niu Ch, Rana N, et al. Differentiation of pure vasogenic edema and tumor-infiltrated edema in patients with peritumoral edema by analyzing the relationship of axial and radial diffusivities on 3.0T MRI. Clin. Neurol. Neurosurg. 2013;115(8):1366–1370. doi: 10.1016/j.clineuro.2012.12.031
  29. Li Y, Qian Z, Xu K, et al. Radiomic features predict Ki-67 expression level and survival in lower grade gliomas. J Neurooncol. 2017 ;135(2):317–324. doi: 10.1007/s11060-017-2576-8
  30. Reuss DE, Kratz A, Sahm F, et al. Adult IDH wild type astrocytomas biologically and clinically resolve into other tumor entities. Acta Neuropathol. 2015;130(3):407–417. doi: 10.1007/s00401-015-1454-8
  31. Suzuki H, Aoki K, Chiba K, et al. Mutational landscape and clonal architecture in grade II and III gliomas. Nat Genet. 2015;47(5):458–468. doi: 10.1038/ng.3273
  32. Brat DJ, Aldape K, Colman H, et al. cIMPACT-NOW update 3: recommended diagnostic criteria for “Diffuse astrocytic glioma, IDH-wildtype, with molecular features of glioblastoma, WHO grade IV”. Acta Neuropathol. 2018;136(5):805–810. doi: 10.1007/s00401-018-1913-0
  33. Hasselblatt M, Jaber M, Reuss D, et al. Diffuse astrocytoma, IDH-wildtype: a dissolving diagnosis. J Neuropathol Exp Neurol. 2018;77(6):422–425. doi: 10.1093/jnen/nly012
  34. McNamara C, Mankad K, Thust S, et al. 2021 WHO classification of tumours of the central nervous system: a review for the neuroradiologist. Neuroradiology. 2022;64(10):1919–1950. doi: 10.1007/s00234-022-03008-6
  35. Smith HL, Wadhwani N, Horbinski C. Major features of the 2021 WHO classification of CNS tumors. Neurotherapeutics. 2022;19(6):1691–1704. doi: 10.1007/s13311-022-01249-0
  36. Louis DN, Perry A, Reifenberger G, et al. The 2016 World Health Organization classification of tumors of the central nervous system: a summary. Acta Neuropathol. 2016;131(6):803–820. doi: 10.1007/s00401-016-1545-1
  37. Di Salle G, Tumminello L, Laino ME, et al. Accuracy of radiomics in predicting IDH mutation status in diffuse gliomas: a bivariate meta-analysis. Radiol Artif Intell. 2024;6(1):e220257. doi: 10.1148/ryai.220257
  38. Verduin M, Primakov S, Compter I, et al. Prognostic and predictive value of integrated qualitative and quantitative magnetic resonance imaging analysis in glioblastoma. Cancers (Basel). 2021;13(4):722. doi: 10.3390/cancers13040722
  39. Zachariah RM, Priya PS, Pendem S. Classification of low- and high-grade gliomas using radiomic analysis of multiple sequences of MRI brain. J Cancer Res Ther. 2023;19(2):435–446. doi: 10.4103/jcrt.jcrt_1581_22
  40. Zhang Z, Xiao J, Wu S, et al. Deep convolutional radiomic features on diffusion tensor images for classification of glioma grades. J Digit Imaging. 2020;33(4):826–837. doi: 10.1007/s10278-020-00322-4

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
2. Рис. 1. Диаграмма размаха (бокс-плот), основанная на методе кросс-валидации с разбиением на 5 частей, для предварительной обработки изображений по методу ScaleIntensity. 1 — сферичность; 2 — энтропия зависимости_HHH; 3 — нормализованная неравномерность зависимости_HHH; 4 — дисперсия зависимости_HHH; 5 — дисперсия зависимости_HLH; 6 — акцент на малых областях_LHL; 7 — все признаки.

Скачать (75KB)
3. Рис. 2. Гистограммы количественного распределения вокселей с определёнными уровнями серого для всех изображений выборки. А — «сырые» данные; В — после применения метода ScaleIntensity.

Скачать (156KB)
4. Рис. 3. Диаграммный тип «скрипка» для показателя «сферичность».

Скачать (161KB)
5. Рис. 4. ROC-кривая и матрица путаницы предиктивной модели IDH-статуса (тестовый набор данных).

Скачать (143KB)
6. Рис. 5. Диффузная глиома (Т2-FLAIR-взвешенное изображение, ах). A — «сырые» данные; B — после обработки по методу AdjustContrast (γ = 0,9).

Скачать (186KB)
7. Рис. 6. Диффузная глиома (Т2-FLAIR-взвешенное изображение, ах). А — «сырые» данные; В — после обработки по методу ScaleIntensity.

Скачать (206KB)

© Маслов Н.Е., Валенкова Д.А., Синица А.М., Труфанов Г.Е., Моисеенко В.М., Ефимцев А.Ю., Чернобривцева В.В., 2025

Creative Commons License
Эта статья доступна по лицензии Creative Commons Attribution 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».