基于直肠癌患者初诊分期时获得的肿瘤加权T2核磁共振图像的纹理分析预测新辅助放化疗的效果

封面图片

如何引用文章

全文:

详细

论证。为了预测局部晚期直肠癌对新辅助放化疗的反应，最近人们在寻找潜在无创生物标志物方面一直在做着巨大的努力。

研究目的 — 评估局部晚期直肠癌在原发加权T2图像上的纹理特征，将其作为预测标准新辅助放化疗效果的潜在因素，并在此基础上开发一套预测此类治疗效果的系统。

材料和方法。在回顾性研究中接受新辅助放化疗综合治疗的局部晚期直肠癌患者（n=82）被分为训练样本（n=58）和对照样本（n=24）。在肿瘤中心水平使用方向垂直于肠壁的高分辨率原始加权T2图像，用于纹理分析。纹理分析基于灰度级共生矩阵（GLCM），借助MAZDAver计算机程序执行了二阶统计法。 4.6和11个纹理参数的计算。在训练样本中进行手术制剂形态学评估后，查明治疗有反应（预后良好组）和无反应（预后不良组）患者组的纹理分析参数的真实差异，并在此基础上创建评估新辅助放化疗效果的评分系统。系统在对照样本上进行测试确定诊断效率的参数。

结果。在训练样本的预后良好组和预后不良组中找到分离点，其五个纹理参数上存在真实差异：AngScMom（p=0.021）、SumofSqs（p=0.003）、SumEntrp（p=0.003）、Entropy（p=0.038）和 SumVarnc（p=0.015），在创建评分系统时排除了 Entropy，因其与 SumEntrp相比有很强的直接相关性，最低的AUC， 以及与SumofSqs相比重现性低。反应预测评分系统的诊断效率在训练样本中的灵敏度、特异性、阳性预测能力和阴性预测能力分别为 72%、69%、70% 和 71%，相应的在对照样本中分别为 80%、64%、62% 和 82%。曲线下面积在训练样本中为 ROC 为 0.77，在对照样本中为 0.72。

结论。对局部晚期直肠癌患者原发肿瘤T2-VI的纹理分析可以预测诊断效率适中的新辅助放化疗效果，表明这个方向的进一步研究的前景性。

作者简介

Yana A. Dayneko

A.F. Tsyb Medical Radiology Research Centre, National Medical Research Radiological Center

编辑信件的主要联系方式.
Email: vorobeyana@gmail.com
ORCID iD: 0000-0002-4524-0839
SPIN 代码: 1841-7759

MD, Cand. Sci. (Medicine)

俄罗斯联邦, Obninsk

Tatiana P. Berezovskaya

A.F. Tsyb Medical Radiology Research Centre, National Medical Research Radiological Center

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

MD, Dr. Sci. (Medicine), Professor

俄罗斯联邦, Obninsk

Oleg A. Mirzeabasov

National Research Nuclear University MEPhI (Moscow Engineering Physics Institute)

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

MD, Assistant Professor

俄罗斯联邦, Obninsk

Sergey O. Starkov

National Research Nuclear University MEPhI (Moscow Engineering Physics Institute)

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

Dr. Sci. (Physical and Mathematical), Professor

俄罗斯联邦, Obninsk

Sofiya A. Myalina

A.F. Tsyb Medical Radiology Research Centre, National Medical Research Radiological Center

Email: samyalina@mail.ru
ORCID iD: 0000-0001-6686-5419
SPIN 代码: 9668-3834
俄罗斯联邦, Obninsk

Aleksey A. Nevolskikh

A.F. Tsyb Medical Radiology Research Centre, National Medical Research Radiological Center

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

MD, Dr. Sci. (Medicine)

俄罗斯联邦, Obninsk

Sergey А. Ivanov

A.F. Tsyb Medical Radiology Research Centre, National Medical Research Radiological Center; Peoples’ Friendship University of Russia

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

MD, Dr. Sci. (Medicine), Professor, corresponding member of the Russian Academy of Sciences

俄罗斯联邦, Obninsk; Moscow

Andrey D. Kaprin

Peoples’ Friendship University of Russia; P.A. Herzen Moscow Research Institute of Oncology, National Medical Research Radiological Center; National Medical Research Radiological Centre

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

MD, Dr. Sci. (Medicine), Professor, academician of the Russian Academy of Sciences

俄罗斯联邦, Moscow; Moscow; Moscow

参考

  1. Berdov BA, Erigin DV, Nevolskykh AA, et al. Multidiciplinary approach to the treatment of rectal cancer. Oncology Bulletin Volga region. 2015;(4):21–28. EDN: UKTSNJ
  2. Maistrenko NA, Galkin VN, Erygin DV, Sazonov AA. Neoadjuvant chemoradiotherapy in combined treatment of patients with rectal cancer. Grekov’s Bulletin Surg. 2017;176(4):31–38. EDN: ZDQHMV doi: 10.24884/0042-4625-2017-176-4-31-38
  3. Berdov BA, Erygin DV, Nevolskikh AA, et al. Neoadjuvant therapy for locally advanced rectal cancer. P.A. Herzen J Oncology. 2018;3(7):9–15. EDN: XSLIJN doi: 10.17116/onkolog2018739
  4. Maas M, Nelemans PJ, 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;11(9):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;12(7):1894. doi: 10.3390/cancers12071894
  6. Huh JW, Kim HC, Kim SH, et al. Tumor regression grade as a clinically useful outcome predictor in patients with rectal cancer after preoperative chemoradiotherapy. Surgery. 2019;165(3):579–585. doi: 10.1016/j.surg.2018.08.026
  7. Lambin P, Leijenaar RT, Deist TM, et al. Radiomics: The bridge between medical imaging and personalized medicine. Nat Rev Clin Oncol. 2017;14(12):749–762. doi: 10.1038/nrclinonc.2017.141
  8. 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
  9. Papanikolaou N, Matos C, Koh DM. How to develop a meaningful radiomic signature for clinical use in oncologic patients. Cancer Imaging. 2020;20(1):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;92(1104):20190105. doi: 10.1259/bjr.20190105
  11. Berezovskaya TP, Dayneko YaA, Nevolskikh AA, et al. A system for evaluating the effectiveness of neoadjuvant chemoradiotherapy in patients with colorectal cancer based on a texture analysis of post-therapeutic t2-wi magnetic resonance imaging. REJR. 2020;10(3):92–101. EDN: DCXHXG doi: 10.21569/2222-7415-2020-10-3-92-101
  12. Lubner MG, Smith AD, Sandrasegaran K, et al. CT texture analysis: Definitions, applications, biologic correlates, and challenges. Radiographics. 2017;37(5):1483–1503. doi: 10.1148/rg.2017170056
  13. Rogers W, Thulasi Seetha S, Refaee TA, et al. Radiomics: From qualitative to quantitative imaging. Br J Radiol. 2020;93(1108):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;10(1):15. doi: 10.3390/jpm10010015
  15. Dagogo-Jack I, Shaw AT. Tumour heterogeneity and resistance to cancer therapies. Nat Rev Clin Oncol. 2018;15(2):81–94. doi: 10.1038/nrclinonc.2017.166
  16. Lušnikov EF. Therapeutic pathomorphosis of tumors. In: Kraevskiy NA, Smolyannikova AV, Sarkisova DS, editors. Pathoanatomical diagnosis of human tumors. Moscow: Meditsina; 1993. (In Russ.)
  17. Miranda J, Horvat N, Assuncao AN, et al. MRI-based radiomic score increased mrTRG accuracy in predicting rectal cancer response to neoadjuvant therapy. AbdomRadiol (NY). 2023;48(6):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;30(Suppl. 1):S176–S184. EDN: TYUIWX doi: 10.1016/j.acra.2022.12.037
  19. Tomaszewski MR, Dominguez-Viqueira W, Ortiz A, et al. Heterogeneity analysis of MRI T2 maps for measurement of early tumor response to radiotherapy. NMR Biomed. 2021;34(3):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;27(32):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;29(3):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;18(1):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;18(1):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;13(15):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;46(4):878–888. EDN: PVETLQ doi: 10.1007/s00259-018-4250-6
  26. Gelezhe PB, Blokhin IA, Semenov SS, Caruso D. Magnetic resonance imaging radiomics in prostate cancer radiology: What is currently known? Digital Diagnostics. 2021;2(4):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;108(10):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;(13):1133008. EDN: XYMVTJ doi: 10.3389/fonc.2023.1133008
  29. Haralick RM. Statistical and structural approaches to texture. IEEE. 1979;67(5):768–804. doi: 10.1109/PROC.1979.11328
  30. Mayerhoefer ME, 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;36(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;48(7):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;127(2):249–257. EDN: BCDXXD doi: 10.1038/s41416-022-01786-7
  33. Yardimci AH, 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;41(1):71–82. EDN: PSFYUW doi: 10.1007/s11604-022-01325-7

补充文件

附件文件
动作
1. JATS XML
下载
2. Fig. 1. Magnetic resonance imaging of the pelvis, T2-weighted image, oblique-axial section, tumor of the lower ampullar part of the rectum: a ― before neoadjuvant chemoradiotherapy; b ― after segmentation (the area for automatic calculation of texture parameters is highlighted in white).

下载 (228KB)
索引源数据
3. Fig. 2. Distribution of quantitative values ​​of texture analysis parameters of locally advanced rectal cancer in groups of patients with good and poor prognosis for neoadjuvant chemoradiotherapy in the training set.

下载 (199KB)
索引源数据
4. Fig. 3. Correlation between texture analysis parameters in the training sample. The orange gradation indicates the strength of the direct correlation, the blue gradation indicates the strength of the inverse correlation (a more intense color corresponds to a greater strength of the correlation).

下载 (207KB)
索引源数据
5. Fig. 4. ROC curves for texture analysis parameters in the training set: a ― for AngScMom; b ― for Entropy, SumEntrp, SumofSqs, SumVarnc.

下载 (159KB)
索引源数据
6. Fig. 5. ROC curve for the scoring system for predicting the response to neoadjuvant chemoradiotherapy based on T2-WI texture analysis in the training set, AUC=0.76.

下载 (74KB)
索引源数据
7. Fig. 6. ROC curve for the scoring system for predicting tumor response to neoadjuvant chemoradiotherapy based on texture analysis of the initial T2-WI in the control sample, AUC=0.72.

下载 (74KB)
索引源数据

版权所有 © Eco-Vector, 2024

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».