Дозиомика в анализе медицинских изображений и перспективы её использования в клинической практике

Обложка

Цитировать

Полный текст

Аннотация

Обоснование. В последние годы увеличивается количество статей с использованием термина «дозиомика», однако литературные обзоры на русском языке по данной теме отсутствуют.

Цель настоящего обзора ― описать основные принципы дозиомики как направления радиомики и проанализировать исследования по оценке возможностей применения их в клинической практике.

Материалы и методы. Систематический поиск литературы был произведён в базе данных PubMed с поисковым запросом «dosiomics OR dosiomic», а также в базе данных eLibrary с поисковым запросом «дозиомика». По состоянию на апрель 2023 года были опубликованы 43 зарубежных исследования на тему использования дозиомики в клинической практике и одна отечественная работа с определением термина «дозиомика».

Результаты. Проанализированы 43 зарубежных исследования на тему использования дозиомики в клинической практике и 1 отечественная статья с определением термина «дозиомика». Проанализированные работы разделены на три группы согласно их тематике и составлены таблицы, описывающие результаты 27 исследований по прогнозированию клинических исходов.

Заключение. В настоящее время дозиомика является новым и перспективным направлением радиомики, применяемым в текстурном анализе медицинских изображений, связанных с лучевым лечением онкологических больных. Дозиомика может способствовать развитию более персонализированного подхода к планированию лучевой терапии, прогнозированию лучевых повреждений нормальных тканей и диагностике рецидивов.

Об авторах

Владимир Алексеевич Солодкий

Российский научный центр рентгенорадиологии

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

д-р мед. наук, профессор, академик РАН

Россия, Москва

Николай Васильевич Нуднов

Российский научный центр рентгенорадиологии

Автор, ответственный за переписку.
Email: nudnov@rncrr.ru
ORCID iD: 0000-0001-5994-0468
SPIN-код: 3018-2527

д-р мед. наук, профессор

Россия, Москва

Михаил Евгеньевич Иванников

Российский научный центр рентгенорадиологии

Email: ivannikovmichail@gmail.com
ORCID iD: 0009-0007-0407-0953
Россия, Москва

Элина Саид-Аминовна Шахвалиева

Российский научный центр рентгенорадиологии

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

Владимир Михайлович Сотников

Российский научный центр рентгенорадиологии

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

д-р мед. наук, профессор

Россия, Москва

Алексей Юрьевич Смыслов

Российский научный центр рентгенорадиологии

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

канд. тех. наук

Россия, Москва

Список литературы

  1. Arroyo-Hernández M., Maldonado F., Lozano-Ruiz F., et al. Radiation-induced lung injury: Current evidence // BMC Pulm Med. 2021. Vol. 21, N 1. P. 1–12. 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. Vol. 17, N 1. P. 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. 2023. Vol. 15, N 1. P. 33. doi: 10.3390/cancers15010033
  4. Ryan S.M., Fingerlin T.E., Mroz M., et al. Radiomic measures from chest high-resolution computed tomography associated with lung function in sarcoidosis // Eur Respir J. 2021. Vol. 54, N 2. P. 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. 2019. Vol. 9, N 1. P. 109–117. doi: 10.1007/s13534-018-0086-z
  6. Zhang B., Ni-Jia-Ti M.Y., Yan R., et al. CT-based radiomics for predicting the rapid progression of coronavirus disease 2019 (COVID-19) pneumonia lesions // Br J Radiol. 2021. Vol. 94, N 1122. P. 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. Vol. 196, N 10. P. 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. Vol. 71, N 6. P. 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. Vol. 94, N 1117. P. 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 Reports. 2021. Vol. 11, N 1. P. 11591. doi: 10.1038/s41598-021-90991-0
  11. Frix A.N., Cousin F., Refaee T., et al. Radiomics in lung diseases imaging: State of the art for clinicians // J Personal Med. 2021. Vol. 11, N 7. P. 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. Vol. 112, N 1. P. 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. N 9. P. 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. N 104. P. 104625. doi: 10.1016/j.oraloncology.2020.104625
  15. Андреев Д.А., Завьялов А.А. Критерии оценки качества лучевой терапии на примере рака предстательной железы (краткий обзор зарубежной литературы) // Проблемы социальной гигиены, здравоохранения и истории медицины. 2021. Т. 29, № S2. C. 1292–1297. 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. Vol. 12, N 1. P. 143–154. doi: 10.14336/AD.2020.0421
  17. Mayerhoefer M.E., Materka A., Langs G., et al. Introduction to radiomics // J Nucl Med. 2020. Vol. 61, N 4. P. 488–495. doi: 10.2967/jnumed.118.222893
  18. Van Timmeren J.E., Cester D., Tanadini-Lang S., et al. Radiomics in medical imaging: “How-to” guide and critical reflection // Insights Imaging. 2020. Vol. 11, N 1. P. 91. doi: 10.1186/s13244-020-00887-2
  19. Radiomic Features: pyradiomics v3.0.1.post15+g2791e23 documentation [интернет]. Режим доступа: https://pyradiomics.readthedocs.io/en/latest/features.html#. Дата обращения: 21.04.2023.
  20. Al-Areqi F., Konyar M.Z. 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. N 76. P. 103662. doi: 10.1016/j.bspc.2022.103662
  21. Zwanenburg A., Vallières M., Abdalah M.A., et al. The image biomarker standardization initiative: Standardized quantitative radiomics for high-throughput image-based phenotyping // Radiology. 2020. Vol. 295, N 2. P. 328–338. doi: 10.1148/radiol.2020191145
  22. Galloway M.M. Texture analysis using gray level run lengths // Comput Graph Image Process. 1975. Vol. 4, N 2. P. 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. Vol. 61, N 3. P. 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. Vol. 19, N 1. P. 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. Vol. 22, N 1. P. 137. doi: 10.1186/s12880-022-00865-8
  26. Gabryś H.S., 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. N 8. P. 35. doi: 10.3389/fonc.2018.00035
  27. Леденев В.В., Нуднов Н.В., Сотников В.М., и др. Результаты количественной оценки постлучевых изменений в легких у онкологических пациентов, полученные с помощью новой методики анализа динамически выполненных РКТ-исследований органов грудной клетки // Вестник рентгенологии и радиологии. 2020. Т. 101, № 1. С. 30–38. doi: 10.20862/0042-4676-2020-101-1-30-38
  28. Леденев В.В., Солодкий В.А., Нуднов Н.В., и др. Количественные характеристики лучевого повреждения легочной ткани у онкологических пациентов при лучевой терапии на основании данных РКТ // Медицинская визуализация. 2022. Т. 26, № 4. С. 60–74. 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. Vol. 129, N 3. P. 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. 2021. Vol. 32, N 1. P. 572–581. doi: 10.1007/s00330-021-08150-y
  31. Dhir C.S., Lee S.Y. Discriminant independent component analysis // IEEE Trans Neural Netw. 2011. Vol. 22, N 6. P. 845–857. doi: 10.1109/TNN.2011.2122266
  32. Random Forest Feature Importance Computed in 3 Ways with Python / MLJAR [интернет]. Режим доступа: https://mljar.com/blog/feature-importance-in-random-forest/. Дата обращения: 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 Radiothér. 2021. Vol. 25, N 6-7. P. 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. N 12. P. 276. 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. Vol. 115, N 3. P. 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. N 13. P. 3445. 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. Vol. 14, N 19. P. 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. Vol. 2023. P. 5328927. doi: 10.1155/2023/5328927
  39. Kraus K.M., Oreshko M., Bernhardt D., et al. Dosiomics and radiomics to predict pneumonitis after thoracic stereotactic body radiotherapy and immune checkpoint inhibition // Front Oncol. 2023. N 13. P. 1056. 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. Vol. 16, N 1. P. 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. N 9. P. 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. Vol. 48, N 4. P. 1781–1791. doi: 10.1002/mp.14769
  43. Lee S.H., Han P., Hales R.K., 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. Vol. 65, N 19. P. 195015. doi: 10.1088/1361-6560/ab8531
  44. Han P., Lee S.H., 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. N 5. P. 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. Vol. 28, N 1. P. 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 Medica. 2021. Vol. 89. P. 219–225. doi: 10.1016/j.ejmp.2021.08.009
  47. Yang S.S., OuYang P.Y., Guo J.G., 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. Vol. 115, N 5. P. 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. N 167. P. 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. 2022. Vol. 46, N 1. P. 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. Vol. 13, N 1. P. 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. Vol. 12, N 9. P. 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. 2021. Vol. 13, N 2. P. 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). 2023. Vol. 15, N 1. P. 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. Vol. 50, N 2. P. 922–934. doi: 10.1002/mp.16044
  55. Wang D., Lee S.H., 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. N 5. P. 1059033. doi: 10.3389/frai.2022.1059033
  56. Lam S.K., 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. N 11. P. 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. N 12. P. 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. N 12. P. 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. Vol. 15, N 1. P. 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. Vol. 24, N 5. P. 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. Vol. 13, N 15. P. 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 Medica. 2021. N 90. P. 108–114. doi: 10.1016/j.ejmp.2021.09.010

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать
2. Рис. 1. Этапы извлечения и анализа показателей радиомики.

Скачать (802KB)
Метаданные
3. Рис. 2. Пример расчёта показателей матрицы GLCM: соседствующие пиксели с уровнем интенсивности 4 и 1 встречаются 3 раза (выделено зелёным).

Скачать (736KB)
Метаданные
4. Рис. 3. Пример расчёта показателей GLRLM: три пикселя с одинаковым уровнем серого (3), располагающиеся последовательно, встречаются 1 раз (отмечено жёлтым).

Скачать (712KB)
Метаданные
5. Рис. 4. Пример расчёта показателей GLSZM: зона, состоящая из 4 пикселей с уровнем серого, равным 2, встречается 1 раз (выделено зелёным).

Скачать (709KB)
Метаданные
6. Рис. 5. Текстурный анализ 3D-модели распределения дозы облучения на область прямой кишки: а ― трёхмерное распределение дозы в прямой кишке; b ― гистограмма частоты уровней серого; c ― GLCM; d ― GLRLM; e ― GLSZM; f ― NGTDM.

Скачать (1MB)
Метаданные

© Эко-вектор, 2023

Creative Commons License
Эта статья доступна по лицензии Creative Commons Attribution-NonCommercial-NoDerivatives 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».