Прогнозирование эффективности неоадъювантной химиолучевой терапии у больных раком прямой кишки на основе текстурного анализа Т2-взвешенного магнитно-резонансного изображения опухоли, полученного при первичном стадировании

Обложка

Цитировать

Полный текст

Аннотация

Обоснование. В последнее время прилагаются значительные усилия по поиску потенциальных неинвазивных биомаркёров для прогнозирования ответа местно распространённого рака прямой кишки на неоадъювантную химиолучевую терапию.

Цель исследования ― оценить текстурные характеристики местно распространённого рака прямой кишки на первичном Т2-взвешенном изображении (Т2-ВИ) в качестве потенциального фактора прогноза эффективности стандартной неоадъювантной химиолучевой терапии и разработать на их основе систему прогнозирования эффективности такого лечения.

Материалы и методы. Включённые в ретроспективное исследование пациенты с местно распространённым раком прямой кишки, получившие комбинированное лечение с неоадъювантной химиолучевой терапией (n=82), были разделены на обучающую (n=58) и контрольную (n=24) выборку. Для текстурного анализа использовали первичное Т2-ВИ высокого разрешения на уровне центра опухоли, ориентированное перпендикулярно стенке кишки. Текстурный анализ выполняли статистическим методом второго порядка на основе матрицы совместной встречаемости уровней серого (GLCM) с помощью компьютерной программы MAZDAver. 4.6 с расчётом 11 параметров текстуры. После морфологической оценки операционных препаратов в обучающей выборке выявлены достоверно различающиеся параметры текстурного анализа для групп пациентов, ответивших (группа хорошего прогноза) и не ответивших (группа плохого прогноза) на лечение, на основе чего создана балльная система оценки эффективности неоадъювантной химиолучевой терапии. Система протестирована на контрольной выборке с определением параметров диагностической эффективности.

Результаты. Группы хорошего и плохого прогноза в обучающей выборке достоверно различались по пяти параметрам текстуры, для которых найдены точки разделения: AngScMom (р=0,021), SumofSqs (р=0,003), SumEntrp (р=0,003), Entropy (р=0,038) и SumVarnc (р=0,015), из них исключены при создании балльной системы Entropy ,как имеющий сильную прямую корреляционную связь с SumEntrp и наименьшую AUC, и SumofSqs из-за низкой воспроизводимости. Диагностическая эффективность балльной системы прогнозирования ответа имела чувствительность, специфичность, прогностичность положительного и прогностичность отрицательного результата 72; 69; 70 и 71% для обучающей и 80; 64; 62 и 82% для контрольной выборки соответственно. Площадь под ROC-кривой для обучающей выборки составила 0,77, для контрольной ― 0,72.

Заключение. Текстурный анализ первичного Т2-ВИ опухоли у больных местно распространённым раком прямой кишки позволил спрогнозировать эффективность неоадъювантной химиолучевой терапии с умеренной диагностической эффективностью, что свидетельствует о перспективности дальнейших исследований в этом направлении.

Об авторах

Яна Александровна Дайнеко

Медицинский радиологический научный центр имени А.Ф. Цыба ― филиал ФГБУ «Национальный медицинский исследовательский центр радиологии»

Автор, ответственный за переписку.
Email: vorobeyana@gmail.com
ORCID iD: 0000-0002-4524-0839
SPIN-код: 1841-7759

канд. мед. наук

Россия, Обнинск

Татьяна Павловна Березовская

Медицинский радиологический научный центр имени А.Ф. Цыба ― филиал ФГБУ «Национальный медицинский исследовательский центр радиологии»

Email: tberezovska@yahoo.com
ORCID iD: 0000-0002-3549-4499
SPIN-код: 5837-3465

д-р мед. наук, профессор

Россия, Обнинск

Олег Ахмедбекович Мирзеабасов

Обнинский институт атомной энергетики — филиал ФГАОУ ВПО «Национальный исследовательский ядерный университет МИФИ»

Email: oami@yandex.ru
ORCID iD: 0000-0001-5587-2795
SPIN-код: 3820-4320

доцент

Россия, Обнинск

Сергей Олегович Старков

Обнинский институт атомной энергетики — филиал ФГАОУ ВПО «Национальный исследовательский ядерный университет МИФИ»

Email: sergeystarkov56@mail.ru
ORCID iD: 0000-0002-0420-7856

д-р физ.-мат. наук, профессор

Россия, Обнинск

София Анатольевна Мялина

Медицинский радиологический научный центр имени А.Ф. Цыба ― филиал ФГБУ «Национальный медицинский исследовательский центр радиологии»

Email: samyalina@mail.ru
ORCID iD: 0000-0001-6686-5419
SPIN-код: 9668-3834
Россия, Обнинск

Алексей Алексеевич Невольских

Медицинский радиологический научный центр имени А.Ф. Цыба ― филиал ФГБУ «Национальный медицинский исследовательский центр радиологии»

Email: editor@omnidoctor.ru
ORCID iD: 0000-0001-5961-2958
SPIN-код: 3787-6139

д-р мед. наук

Россия, Обнинск

Сергей Анатольевич Иванов

Медицинский радиологический научный центр имени А.Ф. Цыба ― филиал ФГБУ «Национальный медицинский исследовательский центр радиологии»; Российский университет дружбы народов имени Патриса Лумумбы

Email: oncourolog@gmail.com
ORCID iD: 0000-0001-7689-6032
SPIN-код: 4264-5167

д-р мед. наук, профессор, чл.-корр. РАН

Россия, Обнинск; Москва

Андрей Дмитриевич Каприн

Российский университет дружбы народов имени Патриса Лумумбы; Московский научно-исследовательский онкологический институт имени П.А. Герцена ― филиал ФГБУ «Национальный медицинский исследовательский центр радиологии»; Национальный медицинский исследовательский центр радиологии

Email: contact@nmicr.ru
ORCID iD: 0000-0001-8784-8415
SPIN-код: 1759-8101

д-р мед. наук, профессор, академик РАН

Россия, Москва; Москва; Москва

Список литературы

  1. Бердов Б.А., Ерыгин Д.В., Невольских А.А., и др. Междисциплинарный подход в лечении рака прямой кишки // Поволжский онкологический вестник. 2015. № 4. С. 21–28. EDN: UKTSNJ
  2. Майстренко Н.А., Галкин В.Н., Ерыгин Д.В., Сазонов А.А. Неоадъювантная химиолучевая терапия в комбинированном лечении больных раком прямой кишки // Вестник хирургии им. И.И. Грекова. 2017. Т. 176, № 4. С. 31–38. EDN: ZDQHMV doi: 10.24884/0042-4625-2017-176-4-31-38
  3. Бердов Б.А., Ерыгин Д.В., Невольских А.А., и др. Неоадъювантная терапия местно-распространенного рака прямой кишки // Онкология. Журнал им. П.А. Герцена. 2018. Т. 3, № 7. С. 9–15.EDN: XSLIJN doi: 10.17116/onkolog2018739
  4. Maas M., Nelemans P.J., Valentini V., et al. Long-term outcome in patients with a pathological complete response after chemoradiation for rectal cancer: A pooled analysis of individual patient data // Lancet Oncol.2010. Vol. 11, N 9. P. 835–844. doi: 10.1016/S1470-2045(10)70172-8
  5. Petresc B., Lebovici A., Caraiani C., et al. Pre-treatment T2-WI based radiomics features for prediction of locally advanced rectal cancer non-response to neoadjuvant chemoradiotherapy: A preliminary study // Cancers (Basel). 2020. Vol. 12, N 7. P. 1894. doi: 10.3390/cancers12071894
  6. Huh J.W., Kim H.C., Kim S.H., et al. Tumor regression grade as a clinically useful outcome predictor in patients with rectal cancer after preoperative chemoradiotherapy // Surgery. 2019. Vol. 165, N 3. P. 579–585. doi: 10.1016/j.surg.2018.08.026
  7. Lambin P., Leijenaar R.T., Deist T.M., et al. Radiomics: The bridge between medical imaging and personalized medicine // Nat Rev Clin Oncol.2017. Vol. 14, N 12. P. 749–762. doi: 10.1038/nrclinonc.2017.141
  8. 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
  9. Papanikolaou N., Matos C., Koh D.M. How to develop a meaningful radiomic signature for clinical use in oncologic patients // Cancer Imaging. 2020. Vol. 20, N 1. P. 33. EDN: ROFXND doi: 10.1186/s40644-020-00311-4
  10. Schick U., Lucia F., Dissaux G., et al. MRI-derived radiomics: Methodology and clinical applications in the field of pelvic oncology // Br J Radiol. 2019. Vol. 92,N 1104. P. 20190105. doi: 10.1259/bjr.20190105
  11. Березовская Т.П., Дайнеко Я.А., Невольских А.А., и др. Система оценки эффективности неоадъювантной химиолучевой терапии у больных раком прямой кишки на основе текстурного анализа посттерапевтического Т2-взвешенного магнитно-резонансного изображения опухоли // Российский электронный журнал лучевой диагностики. 2020. Т. 10, № 3. С. 92–101.EDN: DCXHXG doi: 10.21569/2222-7415-2020-10-3-92-101
  12. Lubner M.G., Smith A.D., Sandrasegaran K., et al. CT Texture analysis: Definitions, applications, biologic correlates, and challenges // Radiographics. 2017. Vol. 37, N 5. P. 1483–1503. doi: 10.1148/rg.2017170056
  13. Rogers W., Thulasi Seetha S., Refaee T.A., et al. Radiomics: From qualitative to quantitative imaging // Br J Radiol.2020. Vol. 93, N 1108. P. 20190948. doi: 10.1259/bjr.20190948
  14. Capobianco E., Dominietto M. From medical imaging to radiomics: Role of data science for advancing precision health // J Pers Med. 2020. Vol. 10, N 1. P. 15. doi: 10.3390/jpm10010015
  15. Dagogo-Jack I., Shaw A.T. Tumour heterogeneity and resistance to cancer therapies // Nat Rev Clin Oncol. 2018. Vol. 15, N 2. P. 81–94. doi: 10.1038/nrclinonc.2017.166
  16. Лушников Е.Ф. Лечебный патоморфоз опухолей // Краевский Н.А., Смолянников А.В., Саркисов Д.С., ред. Патологоанатомическая диагностика опухолей человека. Москва: Медицина, 1993.
  17. Miranda J., Horvat N., Assuncao A.N., et al. MRI-based radiomic score increased mrTRG accuracy in predicting rectal cancer response to neoadjuvant therapy // AbdomRadiol (NY). 2023. Vol. 48, N 6. P. 1911–1920. EDN: IYPGFF doi: 10.1007/s00261-023-03898-x
  18. Wen L., Liu J., Hu P., et al. MRI-based radiomic models outperform radiologists in predicting pathological complete response to neoadjuvant chemoradiotherapy in locally advanced rectal cancer // AcadRadiol. 2023. Vol. 30, Suppl. 1. P. S176–S184. EDN: TYUIWX doi: 10.1016/j.acra.2022.12.037
  19. Tomaszewski M.R., Dominguez-Viqueira W., Ortiz A., et al. Heterogeneity analysis of MRI T2 maps for measurement of early tumor response to radiotherapy // NMR Biomed. 2021. Vol. 34, N 3. P. e4454 EDN: NWLELG doi: 10.1002/nbm.4454
  20. Stanzione A., Verde F., Romeo V., et al. Radiomics and machine learning applications in rectal cancer: Current update and future perspectives // World J Gastroenterol. 2021. Vol. 27, N 32. P. 5306–5321. doi: 10.3748/wjg.v27.i32.5306
  21. Cui Y., Yang X., Shi Z., et al. Radiomics analysis of multiparametric MRI for prediction of pathological complete response to neoadjuvant chemoradiotherapy in locally advanced rectal cancer // Eur Radiol. 2019. Vol. 29, N 3. P. 1211–1220. EDN: ATAEHX doi: 10.1007/s00330-018-5683-9
  22. Huang H., Han L., Guo J., et al. Multiphase and multiparameter MRI-based radiomics for prediction of tumor response to neoadjuvant therapy in locally advanced rectal cancer // Radiat Oncol. 2023. Vol. 18, N 1. P. 179. EDN: ICLFRG doi: 10.1186/s13014-023-02368-4
  23. Zhou X., Yu Y., Feng Y., et al. Attention mechanism based multi-sequence MRI fusion improves prediction of response to neoadjuvant chemoradiotherapy in locally advanced rectal cancer // Radiat Oncol. 2023. Vol. 18, N 1. P. 175. EDN: DIHCZQ doi: 10.1186/s13014-023-02352-y
  24. Santini D., Danti G., Bicci E., et al. Radiomic features are predictive of response in rectal cancer undergoing therapy // Diagnostics. 2023. Vol. 13, N 15. P. 2573. EDN: CWBCMS doi: 10.3390/diagnostics13152573
  25. Giannini V., Mazzetti S., Bertotto I., et al. Predicting locally advanced rectal cancer response to neoadjuvant therapy with 18F-FDG PET and MRI radiomics features // Eur J Nucl Med Mol Imaging. 2019. Vol. 46, N 4. P. 878–888. EDN: PVETLQ doi: 10.1007/s00259-018-4250-6
  26. Гележе П.Б., Блохин И.А., Семёнов С.С., Caruso D. Радиомика магнитно-резонансной томографии при раке предстательной железы: что известно в настоящее время? // Digital Diagnostics. 2021. Т. 2, № 4. С. 441−452. EDN: FFFGWI doi: 10.17816/DD70170
  27. Tibermacine H., Rouanet P., Sbarra M., et al. GRECCAR Study Group. Radiomics modelling in rectal cancer to predict disease-free survival: Evaluation of different approaches // Br J Surg. 2021. Vol. 108, N 10. P. 1243–1250. doi: 10.1093/bjs/znab191
  28. Miranda J., Wang L., Wu X., et al. MRI-based pre-Radiomics and delta-Radiomics models accurately predict the post-treatment response of rectal adenocarcinoma to neoadjuvant chemoradiotherapy // Front Oncol. 2023. N 13. P. 1133008.EDN: XYMVTJ doi: 10.3389/fonc.2023.1133008
  29. Haralick R.M. Statistical and structural approaches to texture // IEEE. 1979. Vol. 67, N 5, P. 768–804. doi: 10.1109/PROC.1979.11328
  30. Mayerhoefer M.E., Szomolanyi P., Jirak D., et al. Effects of MRI acquisition parameter variations and protocol heterogeneity on the results of texture analysis and pattern discrimination: An application-oriented study // Med Phys. 2009. Vol. 36, N 4. 1236–1243. doi: 10.1118/1.3081408
  31. Shayesteh S., Nazari M., Salahshour A., et al. Treatment response prediction using MRI-based pre-, post-, and delta-radiomic features and machine learning algorithms in colorectal cancer // Med Phys. 2021. Vol. 48, N 7. P. 3691–3701. doi: 10.1002/mp.14896
  32. Song M., Li S., Wang H., et al. MRI radiomics independent of clinical baseline characteristics and neoadjuvant treatment modalities predicts response to neoadjuvant therapy in rectal cancer // Br J Cancer. 2022. Vol. 127, N 2. P. 249–257. EDN: BCDXXD doi: 10.1038/s41416-022-01786-7
  33. Yardimci A.H., Kocak B., Sel I., et al. Radiomics of locally advanced rectal cancer: Machine learning-based prediction of response to neoadjuvant chemoradiotherapy using pre-treatment sagittal T2-weighted MRI // JPN J Radiol. 2023. Vol. 41, N 1. P. 71–82. EDN: PSFYUW doi: 10.1007/s11604-022-01325-7

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать
2. Рис. 1. Магнитно-резонансная томография малого таза, T2-ВИ, косо-аксиальный срез, опухоль нижнеампулярного отдела прямой кишки: a ― до неоадъювантной химиолучевой терапии; b ― после сегментации (белым цветом выделена область для автоматического расчёта параметров текстуры).

Скачать (228KB)
Метаданные
3. Рис. 2. Распределение количественных значений параметров текстурного анализа местнораспространённого рака прямой кишки в группах пациентов с хорошим и плохим прогнозом на неоадъювантную химиолучевую терапию в обучающей выборке.

Скачать (199KB)
Метаданные
4. Рис. 3. Корреляция между параметрами текстурного анализа в обучающей выборке. Градацией оранжевого цвета обозначена сила прямой корреляционной связи, градацией синего ― сила обратной корреляционной связи (более интенсивный цвет соответствует большей силе связи).

Скачать (207KB)
Метаданные
5. Рис. 4. ROC-кривые для параметров текстурного анализа в обучающей выборке: a ― для AngScMom; b ― для Entropy, SumEntrp, SumofSqs, SumVarnc.

Скачать (159KB)
Метаданные
6. Рис. 5. ROC-кривая для балльной системы прогнозирования ответа на неоадъювантную химиолучевую терапию на основе текстурного анализа Т2-ВИ в обучающей выборке, AUC=0,76.

Скачать (74KB)
Метаданные
7. Рис. 6. ROC-кривая для балльной системы прогнозирования ответа опухоли на неоадъювантную химиолучевую терапию на основе текстурного анализа исходного Т2-ВИ в контрольной выборке, AUC=0,72.

Скачать (74KB)
Метаданные

© Эко-вектор, 2024

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».