Радиомика в дифференциальной диагностике глиобластомы в условиях первичной нейроонковизуализации
- Авторы: Маслов Н.Е.1,2, Валенкова Д.А.3, Синица А.М.3, Труфанов Г.Е.1, Моисеенко В.М.2, Ефимцев А.Ю.1, Чернобривцева В.В.1,2
-
Учреждения:
- Национальный медицинский исследовательский центр имени В.А. Алмазова
- Санкт-Петербургский клинический научно-практический центр специализированных видов медицинской помощи (онкологический) имени Н.П. Напалкова
- Санкт-Петербургский государственный электротехнический университет «ЛЭТИ»
- Выпуск: Том 19, № 1 (2025)
- Страницы: 30-42
- Раздел: Оригинальные статьи
- URL: https://ogarev-online.ru/2075-5473/article/view/290079
- DOI: https://doi.org/10.17816/ACEN.1251
- ID: 290079
Цитировать
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.
Полный текст
Открыть статью на сайте журналаОб 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-ПетербургДария 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-ПетербургАлександр 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-ПетербургГеннадий 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. 2Владимир 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-ПетербургАлександр 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. 2Вера 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-ПетербургСписок литературы
- 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
- 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.)
- McKinnon C, Nandhabalan M, Murray SA, Plaha P. Glioblastoma: clinical presentation, diagnosis, and management. BMJ. 2021;374:n1560. doi: 10.1136/bmj.n1560
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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.
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- Antoine JP. Wavelet transforms and their applications. Physics Today. 2003;56(4):68–8. doi: 10.1063/1.1580056
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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
