医学图像分析中的Dosiomics及其在临床实践中的应用前景

封面图片

如何引用文章

全文:

详细

论证。近年来，使用“dosiomics”一词的文章数量不断增加，但却没有关于这一主题的俄文文献综述。

本综述的目的是描述dosiomics作为放射组学分支的基本原理，并分析相关研究，以评估其在临床实践中的潜在应用。

材料和方法。在PubMed数据库中以“dosiomics OR dosiomic”为检索词进行了系统文献检索，在eLibrary数据库中以“дозиомика”（“dosiomics”）为检索词进行了系统文献检索。截至2023年4月，共发表了43项关于在临床实践中使用dosiomics的国外研究和1篇定义“dosiomics”一词的国内文章。

结果。我们分析了43篇关于在临床实践中使用dosiomics的国外研究和1篇定义“dosiomics”一词的国内文章。我们将所分析的文章按主题分为三组，并将27项关于预测临床结果的研究结果编制成表格。

结论。目前，dosiomics是放射组学的一个新的有前途的分支，应用于与癌症患者放射治疗有关的医学图像的纹理分析。Dosiomics可能有助于开发更个性化的放疗计划、预测对正常组织的辐射损伤和诊断复发。

作者简介

Vladimir A. Solodkiy

Russian Scientific Center of Roentgenoradiology

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

MD, Dr. Sci. (Med.), Professor

俄罗斯联邦, Moscow

Nikolay V. Nudnov

Russian Scientific Center of Roentgenoradiology

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. (Med.), 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
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
俄罗斯联邦, 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. (Med.), Professor

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. (Engin.)

俄罗斯联邦, Moscow

参考

  1. 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
  2. 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
  3. Morelli L, Parrella G, Molinelli S, et al. A dosiomics analysis based on linear energy transfer and biological dose maps to predict local recurrence in sacral chordomas after carbon-ion radiotherapy. Cancers (Basel). 2022;15(1):33. doi: 10.3390/cancers15010033
  4. Ryan SM, Fingerlin TE, Mroz M, et al. Radiomic measures from chest high-resolution computed tomography associated with lung function in sarcoidosis. Eur Respir J. 2019;54(2):1900371. doi: 10.1183/13993003.00371-2019
  5. Hooda R, Mittal A, Sofat S. Segmentation of lung fields from chest radiographs: A radiomic feature-based approach. Biomed Eng Lett. 2018;9(1):109–117. doi: 10.1007/s13534-018-0086-z
  6. Zhang B, Ni-Jia-Ti MY, Yan R, et al. CT-based radiomics for predicting the rapid progression of coronavirus disease 2019 (COVID-19) pneumonia lesions. Br J Radiol. 2021;94(1122):20201007. doi: 10.1259/bjr.20201007
  7. Avanzo M, Stancanello J, Pirrone G, et al. Radiomics and deep learning in lung cancer. Strahlenther Onkol. 2020;196(10):879–887. doi: 10.1007/s00066-020-01625-9
  8. Ji D, Zhang D, Xu J, et al. Prediction for progression risk in patients with COVID-19 pneumonia: The CALL score. Clin Infect Dis. 2020;71(6):1393–1399. doi: 10.1093/cid/ciaa414
  9. Chen H, Zeng M, Wang X, et al. A CT-based radiomics nomogram for predicting prognosis of coronavirus disease 2019 (COVID-19) radiomics nomogram predicting COVID-19. Br J Radiol. 2021;94(1117):20200634. doi: 10.1259/bjr.20200634
  10. Wang D, Huang C, Bao S, et al. Study on the prognosis predictive model of COVID-19 patients based on CT radiomics. Sci Rep. 2021;11(1):11591. doi: 10.1038/s41598-021-90991-0
  11. Frix AN, Cousin F, Refaee T, et al. Radiomics in lung diseases imaging: State of the Art for Clinicians. J Pers Med. 2021;11(7):602. doi: 10.3390/jpm11070602
  12. Murakami Y, Soyano T, Kozuka T, et al. Dose-Based radiomic analysis (dosiomics) for intensity modulated radiation therapy in patients with prostate cancer: Correlation between planned dose distribution and biochemical failure. Int J Radiat Oncol Biol Phys. 2022;112(1):247–259. doi: 10.1016/j.ijrobp.2021.07.1714
  13. 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
  14. Wu A, Li Y, Qi M, et al. Dosiomics improves prediction of locoregional recurrence for intensity modulated radiotherapy treated head and neck cancer cases. Oral Oncol. 2020;(104):104625. doi: 10.1016/j.oraloncology.2020.104625
  15. Andreev DA, Zavyalov AA. The quality indicators to assess the prostate cancer radiotherapy performance (brief review). Problems Social Hygiene Public Health History Med. 2021;29(S2):1292–1297. (In Russ). doi: 10.32687/0869-866X-2021-29-s2-1292-1297
  16. Chen Q, Xia T, Zhang M, et al. Radiomics in stroke neuroimaging: Techniques, applications, and challenges. Aging Dis. 2021;12(1):143–154. doi: 10.14336/AD.2020.0421
  17. 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
  18. Van Timmeren JE, Cester D, Tanadini-Lang S, et al. Radiomics in medical imaging: “How-to” guide and critical reflection. Insights Imaging. 2020;11(1):91. doi: 10.1186/s13244-020-00887-2
  19. Radiomic Features ― pyradiomics v3.0.1.post15+g2791e23 documentation [Internet]. Available from: https://pyradiomics.readthedocs.io/en/latest/features.html#. Accessed: 21.04.2023.
  20. Al-Areqi F, Konyar MZ. Effectiveness evaluation of different feature extraction methods for classification of COVID-19 from computed tomography images: A high accuracy classification study. Biomed Signal Process Control. 2022;(76):103662. doi: 10.1016/j.bspc.2022.103662
  21. Zwanenburg A, Vallières M, Abdalah MA, et al. The image biomarker standardization initiative: Standardized quantitative radiomics for high-throughput image-based phenotyping. Radiology. 2020;295(2):328–338. doi: 10.1148/radiol.2020191145
  22. Galloway MM. Texture analysis using gray level run lengths. Comput Graph Image Process. 1975;4(2):172–179. doi: 10.1016/S0146-664X(75)80008-6
  23. Thibault G, Angulo J, Meyer F. Advanced statistical matrices for texture characterization: Application to cell classification. IEEE Trans Biomed Eng. 2014;61(3):630–637. doi: 10.1109/TBME.2013.2284600
  24. Chen S, Harmon S, Perk T, et al. Using neighborhood gray tone difference matrix texture features on dual time point PET/ CT images to differentiate malignant from benign FDG-avid solitary pulmonary nodules. Cancer Imaging. 2019;19(1):56. doi: 10.1186/s40644-019-0243-3
  25. He J, Ren J, Niu G, et al. Multiparametric MR radiomics in brain glioma: Models comparation to predict biomarker status. BMC Med Imaging. 2022;22(1):137. doi: 10.1186/s12880-022-00865-8
  26. 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
  27. Ledenev VV, Nudnov NV, Sotnikov VM, et al. The results of quantitative evaluation of postradiation changes in lung cancer patients, which were obtained using a new procedure for analysis of dynamic X-ray computed tomography imaging of thoracic organs. J Radiol Nuclear Med. 2020;101(1):30–38. (In Russ). doi: 10.20862/0042-4676-2020-101-1-30-38
  28. Ledenev VV, Solodkiy VA, Nudnov NV, et al. Quantitative characteristics of radiation-induced lung damage in oncological patients during radiotherapy based on RCT data. Med Visual. 2022;26(4):60–74. (In Russ). doi: 10.24835/1607-0763-1182
  29. Rossi L, Bijman R, Schillemans W, et al. Texture analysis of 3D dose distributions for predictive modelling of toxicity rates in radiotherapy. Radiother Oncol. 2018;129(3):548–553. doi: 10.1016/j.radonc.2018.07.027
  30. Liu J, Guo W, Zeng P, et al. Vertebral MRI-based radiomics model to differentiate multiple myeloma from metastases: Influence of features number on logistic regression model performance. Eur Radiol. 2022;32(1):572–581. doi: 10.1007/s00330-021-08150-y
  31. Dhir CS, Lee SY. Discriminant independent component analysis. IEEE Trans Neural Netw. 2011;22(6):845–857. doi: 10.1109/TNN.2011.2122266
  32. Random Forest Feature Importance Computed in 3 Ways with Python | MLJAR [Internet]. Available from: https://mljar.com/blog/feature-importance-in-random-forest/. Accessed: 21.04.2023.
  33. Sun R, Lerousseau M, Henry T, et al. Intelligence artificielle en radiothérapie: Radiomique, pathomique, et prédiction de la survie et de la réponse aux traitements. Cancer Radiother. 2021;25(6-7):630–637. doi: 10.1016/j.canrad.2021.06.027
  34. Zhang X, Zhang Y, Zhang G, et al. Deep learning with radiomics for disease diagnosis and treatment: challenges and potential. Front Oncol. 2022;(12):773840. doi: 10.3389/fonc.2022.773840
  35. 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
  36. Li B, Ren G, Guo W, et al. Function-Wise dual-omics analysis for radiation pneumonitis prediction in lung cancer patients. Front Pharmacol. 2022;(13):971849. doi: 10.3389/fphar.2022.971849
  37. Li B, Zheng X, Zhang J, et al. Lung subregion partitioning by incremental dose intervals improves omics-based prediction for acute radiation pneumonitis in non-small-cell lung cancer patients. Cancers (Basel). 2022;14(19):4889. doi: 10.3390/cancers14194889
  38. Zhou L, Wen Y, Zhang G, et al. Machine learning-based multiomics prediction model for radiation pneumonitis. J Oncol. 2023;2023:5328927. doi: 10.1155/2023/5328927
  39. Kraus KM, Oreshko M, Bernhardt D, et al. Dosiomics and radiomics to predict pneumonitis after thoracic stereotactic body radiotherapy and immune checkpoint inhibition. Front Oncol. 2023;(13):1124592. doi: 10.3389/fonc.2023.1124592
  40. 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
  41. 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
  42. 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
  43. Lee SH, Han P, Hales RK, et al. Multi-view radiomics and dosiomics analysis with machine learning for predicting acute-phase weight loss in lung cancer patients treated with radiotherapy. Phys Med Biol. 2020;65(19):195015. doi: 10.1088/1361-6560/ab8531
  44. Han P, Lee SH, Noro K, et al. Improving early identification of significant weight loss using clinical decision support system in lung cancer radiation therapy. JCO Clin Cancer Inform. 2021;(5):944–952. doi: 10.1200/CCI.20.00189
  45. 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
  46. Ren W, Liang B, Sun C, et al. Dosiomics-based prediction of radiation-induced hypothyroidism in nasopharyngeal carcinoma patients. Phys Med. 2021;(89):219–225. doi: 10.1016/j.ejmp.2021.08.009
  47. Yang SS, OuYang PY, Guo JG, et al. Dosiomics risk model for predicting radiation induced temporal lobe injury and guiding individual intensity-modulated radiation therapy. Int J Radiat Oncol Biol Phys. 2023;115(5):1291–1300. doi: 10.1016/j.ijrobp.2022.11.036
  48. Monti S, Xu T, Liao Z, et al. On the interplay between dosiomics and genomics in radiation-induced lymphopenia of lung cancer patients. Radiother Oncol. 2022;(167):219–225. doi: 10.1016/j.radonc.2021.12.038
  49. Kamezawa H, Arimura H. Recurrence prediction with local binary pattern-based dosiomics in patients with head and neck squamous cell carcinoma. Phys Eng Sci Med. 2023;46(1):99–107. doi: 10.1007/s13246-022-01201-8
  50. Wang B, Liu J, Zhang X, et al. Prognostic value of 18F-FDG PET/CT-based radiomics combining dosiomics and dose volume histogram for head and neck cancer. EJNMMI Res. 2023;13(1):14. doi: 10.1186/s13550-023-00959-6
  51. Pirrone G, Matrone F, Chiovati P, et al. Predicting local failure after partial prostate re-irradiation using a dosiomic-based machine learning model. J Pers Med. 2022;12(9):1491. doi: 10.3390/jpm12091491
  52. Buizza G, Paganelli C, D’Ippolito E, et al. Radiomics and dosiomics for predicting local control after carbon-ion radiotherapy in skull-base chordoma. Cancers (Basel). 2021;13(2):339. doi: 10.3390/cancers13020339
  53. Morelli L, Parrella G, Molinelli S, et al. A dosiomics analysis based on linear energy transfer and biological dose maps to predict local recurrence in sacral chordomas after carbon-ion radiotherapy. Cancers (Basel). 2022;15(1):33. doi: 10.3390/cancers15010033
  54. Cai C, Lv W, Chi F, et al. Prognostic generalization of multi-level CT-dose fusion dosiomics from primary tumor and lymph node in nasopharyngeal carcinoma. Med Phys. 2023;50(2):922–934. doi: 10.1002/mp.16044
  55. Wang D, Lee SH, Geng H, et al. Interpretable machine learning for predicting pathologic complete response in patients treated with chemoradiation therapy for rectal adenocarcinoma. Front Artif Intell. 2022;(5):1059033. doi: 10.3389/frai.2022.1059033
  56. Lam SK, Zhang Y, Zhang J, et al. Multi-Organ omics-based prediction for adaptive radiation therapy eligibility in nasopharyngeal carcinoma patients undergoing concurrent chemoradiotherapy. Front Oncol. 2022;(11):792024. doi: 10.3389/fonc.2021.792024
  57. Puttanawarut C, Sirirutbunkajorn N, Tawong N, et al. Radiomic and dosiomic features for the prediction of radiation pneumonitis across esophageal cancer and lung cancer. Front Oncol. 2022;(12):768152. doi: 10.3389/fonc.2022.768152
  58. Puttanawarut C, Sirirutbunkajorn N, Tawong N, et al. Impact of interfractional error on dosiomic features. Front Oncol. 2022;(12):726896. doi: 10.3389/fonc.2022.726896
  59. Adachi T, Nakamura M, Kakino R, et al. Dosiomic feature comparison between dose-calculation algorithms used for lung stereotactic body radiation therapy. Radiol Phys Technol. 2022;15(1):63–71. doi: 10.1007/s12194-022-00651-9
  60. Sun L, Smith W, Kirkby C. Stability of dosiomic features against variations in dose calculation: An analysis based on a cohort of prostate external beam radiotherapy patients. J Appl Clin Med Phys. 2023;24(5):e13904. doi: 10.1002/acm2.13904
  61. Placidi L, Gioscio E, Garibaldi C, et al. A Multicentre evaluation of dosiomics features reproducibility, stability and sensitivity. Cancers (Basel). 2021;13(15):3835. doi: 10.3390/cancers13153835
  62. Placidi L, Cusumano D, Lenkowicz J, et al. On dose cube pixel spacing pre-processing for features extraction stability in dosiomic studies. Phys Med. 2021;(90):108–114. doi: 10.1016/j.ejmp.2021.09.010

补充文件

附件文件
动作
1. JATS XML
下载
2. 图1。提取和分析放射组学指数的步骤。

下载 (124KB)
索引源数据
3. 图2。GLCM矩阵指数计算示例：强度等级为4和1的相邻像素出现了3次（以绿色标出）。

下载 (102KB)
索引源数据
4. 图3。GLRLM指数计算示例：三个具有相同灰度（3）的像素依次出现1次（以橙色标出）。

下载 (88KB)
索引源数据
5. 图4。GLSZM指数计算示例：由4个灰度等于2的像素组成的区域出现1次（以绿色标出）。

下载 (84KB)
索引源数据
6. 图5。直肠区域辐射剂量分布三维模型的纹理分析：a——直肠中的三维剂量分布；b——灰度频率直方图；c——GLCM；d——GLRLM；e——GLSZM；f——NGTDM。

下载 (282KB)
索引源数据

版权所有 © Eco-Vector, 2023

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».