Promising Directions in Radiation Diagnostics of Oncopathology – Potentials of Radiomics in Digital Analysis of Features of Hepatocellular Carcinoma

Cover Page

Cite item

Full Text

Abstract

In the structure of all malignant liver tumors, hepatocellular carcinoma accounts for 75-90% of cases and is a crucial issue for health care providers due to low survival rates. In most cases, this is due to late diagnosis, when the possibility of radical surgical treatment is excluded. In this context, a critical issue is not only the primary verification of the tumor, but also differential diagnostics, which allows optimizing tactical options for the treatment of hepatocellular carcinoma. One of the promising areas in modern radiation diagnostics is the technique of high-performance quantitative image analysis, which is called "Radiomics". The literature review highlights current trends in the use of artificial intelligence in diagnostics, dynamic monitoring and prognosis for hepatocellular carcinoma. Despite achievements in this field, the problem of using artificial intelligence in digital visualization of liver tumors is still far from being solved. To maximize the usefulness of this non-invasive diagnostic analysis, further research is required.

About the authors

Yulia A. Stepanova

A.V. Vishnevsky National Medical Research Center of Surgery

Author for correspondence.
Email: stepanovaua@mail.ru
ORCID iD: 0000-0002-2348-4963
SPIN-code: 1288-6141

M.D., Professor, Scientific Secretary

Russian Federation, Moscow

Kristina A. Babajanova

A.V. Vishnevsky National Medical Research Center of Surgery

Email: christy.17.07.1996@gmail.com
ORCID iD: 0000-0001-5850-092X

postgraduate student

Russian Federation, Moscow

References

  1. Rumgay H, Arnold M, Ferlay J, Lesi O, Cabasag CJ, Vignat J, Laversanne M., McGlynn K.A., Soerjomataram I. Global burden of primary liver cancer in 2020 and predictions to 2040. J Hepatol. 2022; 77(6): 1598–1517. doi: 10.1016/j.jhep.2022.08.021.
  2. Sung H, Ferlay J, Siegel RL, Laversanne M, Soerjomataram I, Jemal A, Bray F. Global Cancer Statistics 2020: GLOBOCAN Estimates of Incidence and Mortality Worldwide for 36 Cancers in 185 Countries. CA Cancer J. Clin. 2021; 71: 209–249. doi: 10.3322/caac.21660.
  3. Lehrich BM, Delgado ER. Lipid Nanovesicle Platforms for Hepatocellular Carcinoma Precision Medicine Therapeutics: Progress and Perspectives. Organogenesis. 2024;20(1):2313696. doi: 10.1080/15476278.2024.2313696.
  4. McGlynn KA, Petrick JL, London WT. Global epidemiology of hepatocellular carcinoma: An emphasis on demographic and regional variability. Clin. Liver Dis. 2015; 19: 223–238. doi: 10.1016/j.cld.2015.01.001.
  5. Huang J, Sun M, Wang M, Yu A, Zheng H, Bu C, Zhou J, Zhang Y, Qiao Y, Hu Z. Establishment and characterization of a highly metastatic hepatocellular carcinoma cell line. Bioengineered. 2024; 15(1): 2296775. doi: 10.1080/21655979.2023.2296775.
  6. Llovet JM, Kelley RK, Villanueva A, Singal AG, Pikarsky E, Roayaie S, Lencioni R, Koike K, Zucman-Rossi J, Finn RS. Hepatocellular carcinoma. Nat Rev Dis Primers. 2021; 7(1): 6. doi: 10.1038/s41572-020-00240-3.
  7. Galle PR, Forner A, Llovet JM, Mazzaferro V, Piscaglia F, Raoul JL, Schirmacher P, Vilgrain V. European Association for the Study of the Liver. European association for the study of the L. EASL clinical practice guidelines: management of hepatocellular carcinoma. J Hepatol. 2018; 69(1): 182–236. doi: 10.1016/j.jhep.2018.03.019.
  8. Bejjani AC, Finn RS. Hepatocellular carcinoma: pick the winner—tyrosine kinase inhibitor versus immuno-oncology agent–based combinations. J Clin Oncol. 2022; 40(24): 2763–2673. doi: 10.1200/JCO.21.02605.
  9. Cheng AL, Qin S, Ikeda M, Galle PR, Ducreux M, Kim TY, Lim HY, Kudo M, Breder V, Merle P, Kaseb AO, Li D, Verret W, Ma N, Nicholas A, Wang Y, Li L, Zhu AX, Finn RS. Updated efficacy and safety data from IMbrave150: Atezolizumab plus bevacizumab vs. sorafenib for unresectable hepatocellular carcinoma. J Hepatol. 2022; 76(4): 862–73. doi: 10.1016/j.jhep.2021.11.030.
  10. Reig M, Forner A, Rimola J, Ferrer-Fàbrega J, Burrel M., Garcia-Criado Á., Kelley R.K., Galle P.R., Mazzaferro V., Salem R., Sangro B., Singal A.G., Vogel A., Fuster J., Ayuso C., Bruix J. BCLC strategy for prognosis prediction and treatment recommendation: The 2022 update. J Hepatol. 2022; 76(3): 681-693. doi: 10.1016/j.jhep.2021.11.018.
  11. Jin J, Jiang Y, Zhao YL, Huang PT. Radiomics-based Machine Learning to Predict the Recurrence of Hepatocellular Carcinoma: A Systematic Review and Meta-analysis. Acad Radiol. 2024; 31(2): 467-479. doi: 10.1016/j.acra.2023.09.008.
  12. Peng G, Cao X, Huang X, Zhou X. Radiomics and machine learning based on preoperative MRI for predicting extrahepatic metastasis in hepatocellular carcinoma patients treated with transarterial chemoembolization. Eur J Radiol Open. 2024; 12: 100551. doi: 10.1016/j.ejro.2024.100551.
  13. Lambin P, Leijenaar RH, Deist TM, Peerlings J, de Jong EC, van Timmeren J, Sanduleanu S, Larue RM, Even AG, Jochems A, van Wijk Y, Woodruff H, van Soest J, Lustberg T, Roelofs E, van Elmpt W, Dekker A, Mottaghy FM, Wildberger JE, Walsh S. Radiomics: the bridge between medical imaging and personalized medicine. Nat Rev Clin Oncol. 2017; 14(12): 749-762. doi: 10.1038/nrclinonc.2017.141.
  14. Litvin AA, Burkin DA, Kropinov AA, Paramzin FN. Radiomics and digital image texture analysis in oncology (review). Sovremennye tehnologii v medicine 2021; 13(2): 97–106, doi: 10.17691/stm2021.13.2.11. (in Russ.)
  15. Bera K, Braman N, Gupta A, Velcheti V, Madabhushi A. Predicting cancer outcomes with radiomics and artificial intelligence in radiology. Nat Rev Clin Oncol. 2022 Feb; 19(2): 132-146. doi: 10.1038/s41571-021-00560-7.
  16. Zhang YP, Zhang XY, Cheng YT, Li B, Teng XZ, Zhang J, Lam S, Zhou T, Ma ZR, Sheng JB, Tam VCW, Lee SWY, Ge H, Cai J. Artificial intelligence-driven radiomics study in cancer: the role of feature engineering and modeling. Mil Med Res. 2023; 10(1): 22. doi: 10.1186/s40779-023-00458-8.
  17. Vaulin GF, Makhmatov OV, Dluzhnevskaya MA. On the issue of object selection in digital medical images. International Research Journal. 2023; 4(130): 1-4. doi: 10.23670/IRJ.2023.130.44. (in Russ.)
  18. Zou ZM, Chang DH, Liu H, Xiao YD. Current updates in machine learning in the prediction of therapeutic outcome of hepatocellular carcinoma: what should we know? Insights Imaging. 2021; 12(1): 31. doi: 10.1186/s13244-021-00977-9.
  19. Maslov N.E., Trufanov G.E., Efimtsev A.Yu. Certain aspects of radiomics and radiogenomics in glioblastoma: what the images hide? Translational Medicine. 2022; 9(2): 70-80. (In Russ.) doi: 10.18705/2311-4495-2022-9-2-70-80. (in Russ.)
  20. Feng S, Wang J, Wang L, Qiu Q, Chen D, Su H, Li X, Xiao Y, Lin C. Current Status and Analysis of Machine Learning in Hepatocellular Carcinoma. J Clin Transl Hepatol. 2023; 11(5): 1184-1191. doi: 10.14218/JCTH.2022.00077S.
  21. Tian H, Xie Y, Wang Z. Radiomics for preoperative prediction of early recurrence in hepatocellular carcinoma: a meta-analysis. Front Oncol. 2023; 13: 1114983. doi: 10.3389/fonc.2023.1114983.
  22. Xia T, Zhao B, Li B, Lei Y, Song Y, Wang Y, Tang T, Ju S. MRI-Based Radiomics and Deep Learning in Biological Characteristics and Prognosis of Hepatocellular Carcinoma: Opportunities and Challenges. J Magn Reson Imaging. 2024; 59(3): 767-783. doi: 10.1002/jmri.28982.
  23. Raman SP, Schroeder JL, Huang P, Chen Y, Coquia SF, Kawamoto S, Fishman EK. Preliminary data using computed tomography texture analysis for the classification of hypervascular liver lesions: generation of a predictive model on the basis of quantitative spatial frequency measurements--a work in progress. J Comput Assist Tomogr. 2015; 39(3): 383-95. doi: 10.1097/RCT.0000000000000217.
  24. Canellas R, Mehrkhani F, Patino M, Kambadakone A, Sahani D. Characterization of Portal Vein Thrombosis (Neoplastic Versus Bland) on CT Images Using Software-Based Texture Analysis and Thrombus Density (Hounsfield Units). AJR Am J Roentgenol. 2016; 207(5): W81-W87. doi: 10.2214/AJR.15.15928.
  25. Zhou W, Zhang L, Wang K, Chen S, Wang G, Liu Z, Liang C. Malignancy characterization of hepatocellular carcinomas based on texture analysis of contrast-enhanced MR images. J Magn Reson Imaging. 2017; 45(5): 1476-1484. doi: 10.1002/jmri.25454.
  26. Fu S, Chen S, Liang C, Liu Z, Zhu Y, Li Y, Lu L. Texture analysis of intermediate-advanced hepatocellular carcinoma: prognosis and patients' selection of transcatheter arterial chemoembolization and sorafenib. Oncotarget. 2017; 8(23): 37855-37865. doi: 10.18632/oncotarget.13675.
  27. Akai H, Yasaka K, Kunimatsu A, Nojima M, Kokudo T, Kokudo N, Hasegawa K, Abe O, Ohtomo K, Kiryu S. Predicting prognosis of resected hepatocellular carcinoma by radiomics analysis with random survival forest. Diagn Interv Imaging. 2018; 99(10): 643-651. doi: 10.1016/j.diii.2018.05.008.
  28. Blanc-Durand P, Van Der Gucht A, Jreige M, Nicod-Lalonde M, Silva-Monteiro M, Prior JO, Denys A, Depeursinge A, Schaefer N. Signature of survival: a 18F-FDG PET based whole-liver radiomic analysis predicts survival after 90Y-TARE for hepatocellular carcinoma. Oncotarget. 2017; 9(4): 4549-4558. doi: 10.18632/oncotarget.23423.
  29. Cozzi L, Dinapoli N, Fogliata A, Hsu WC, Reggiori G, Lobefalo F, Kirienko M, Sollini M, Franceschini D, Comito T, Franzese C, Scorsetti M, Wang PM. Radiomics based analysis to predict local control and survival in hepatocellular carcinoma patients treated with volumetric modulated arc therapy. BMC Cancer. 2017; 17(1): 829. doi: 10.1186/s12885-017-3847-7.
  30. Zhou Y, He L, Huang Y, Chen S, Wu P, Ye W, Liu Z, Liang C. CT-based radiomics signature: a potential biomarker for preoperative prediction of early recurrence in hepatocellular carcinoma. Abdom Radiol (NY). 2017; 42(6): 1695-1704. doi: 10.1007/s00261-017-1072-0.
  31. Shantarevich MYu. Otsenka vozmozhnostei teksturnogo analiza komp'yuterno-tomograficheskikh izobrazhenii v kompleksnoi diagnostike gepatotsellyulyarnogo raka. Dis. kand. med. nauk. M., 2023; 86. (in Russ.)
  32. Li M, Fu S, Zhu Y, Liu Z, Chen S, Lu L, Liang C. Computed tomography texture analysis to facilitate therapeutic decision making in hepatocellular carcinoma. Oncotarget. 2016; 7(11): 13248-13259. doi: 10.18632/oncotarget.7467.
  33. Xu W, Huang B, Zhang R, Zhong X, Zhou W, Zhuang S, Xie X, Fang J, Xu M. Diagnostic and Prognostic Ability of Contrast-Enhanced Unltrasound and Biomarkers in Hepatocellular Carcinoma Subtypes. Ultrasound Med Biol. 2024; 50(4): 617-626. doi: 10.1016/j.ultrasmedbio.2024.01.007.
  34. Shao LJ, Wang YJ, Yin SS, Jiang BB, Liu YH, Wang JC, Yang W, Wu W, Yan K. Evaluation of the Time Difference Method in Identifying Hepatocellular Carcinoma in Current CEUS LR-M Category Nodules. Ultrasound Med Biol. 2024; 50(4): 502-508. doi: 10.1016/j.ultrasmedbio.2023.12.010.
  35. Liu D, Liu F, Xie X, Su L, Liu M, Xie X, Kuang M, Huang G, Wang Y, Zhou H, Wang K, Lin M, Tian J. Accurate prediction of responses to transarterial chemoembolization for patients with hepatocellular carcinoma by using artificial intelligence in contrast-enhanced ultrasound. Eur Radiol. 2020; 30(4): 2365-2376. doi: 10.1007/s00330-019-06553-6.
  36. Liu F, Liu D, Wang K, Xie X, Su L, Kuang M, Huang G, Peng B, Wang Y, Lin M, Tian J, Xie X. Deep Learning Radiomics Based on Contrast-Enhanced Ultrasound Might Optimize Curative Treatments for Very-Early or Early-Stage Hepatocellular Carcinoma Patients. Liver Cancer. 2020; 9(4): 397-413. doi: 10.1159/000505694.
  37. Xue LY, Jiang ZY, Fu TT, Wang QM, Zhu YL, Dai M, Wang WP, Yu JH, Ding H. Transfer learning radiomics based on multimodal ultrasound imaging for staging liver fibrosis. Eur Radiol. 2020; 30(5): 2973-2983. doi: 10.1007/s00330-019-06595-w.
  38. Yao Z, Dong Y, Wu G, Zhang Q, Yang D, Yu JH, Wang WP. Preoperative diagnosis and prediction of hepatocellular carcinoma: Radiomics analysis based on multi-modal ultrasound images. BMC Cancer. 2018; 18(1): 1089. doi: 10.1186/s12885-018-5003-4.
  39. Yuan HX, Wang CY, Tang CY, You QQ, Zhang Q, Wang WP. Differential diagnosis of gallbladder neoplastic polyps and cholesterol polyps with radiomics of dual modal ultrasound: a pilot study. BMC Med Imaging. 2023; 23(1): 26. doi: 10.1186/s12880-023-00982-y.
  40. Zhong X, Peng J, Xie Y, Shi Y, Long H, Su L, Duan Y, Xie X, Lin M. A nomogram based on multi-modal ultrasound for prediction of microvascular invasion and recurrence of hepatocellular carcinoma. Eur J Radiol. 2022; 151: 110281. doi: 10.1016/j.ejrad.2022.110281.
  41. Karmazanovsky GG, Shantarevich MYu, Stashkiv VI, Revishvili ASh. Reproducibility of texture indicators of CT and MRI images of hepatocellular cancer. Medical imaging. 2023; 27(3): 84-93. doi: 10.24835/1607-0763-1372. (in Russ.)
  42. Aherne EA, Pak LM, Goldman DA, Gonen M, Jarnagin WR, Simpson AL, Do RK. Intrahepatic cholangiocarcinoma: can imaging phenotypes predict survival and tumor genetics? Abdom Radiol (NY). 2018; 43(10): 2665-2672. doi: 10.1007/s00261-018-1505-4
  43. Lubner MG, Stabo N, Lubner SJ, del Rio AM, Song C, Halberg RB, Pickhardt PJ. CT textural analysis of hepatic metastatic colorectal cancer: pre-treatment tumor heterogeneity correlates with pathology and clinical outcomes. Abdom Imaging. 2015; 40(7): 2331-2337. doi: 10.1007/s00261-015-0438-4.
  44. Reimer RP, Reimer P, Mahnken AH. Assessment of Therapy Response to Transarterial Radioembolization for Liver Metastases by Means of Post-treatment MRI-Based Texture Analysis. Cardiovasc Intervent Radiol. 2018; 41(10): 1545-1556. doi: 10.1007/s00270-018-2004-2.
  45. Gruzdev IS, Tikhonova VS, Zamyatina KA, Kaldarov AR, Kondrat'ev EV, Karmazanovsky GG. Computed tomography in prediction of hypervascular pancreatic neuroendocrine tumors grade: texture analysis and contrast enhancement features. REJR. 2021; 11(4): 105-114. doi: 10.21569/2222-7415-2021-11-4-105-114. (in Russ.)

Supplementary files

Supplementary Files
Action
1. JATS XML
Download


Creative Commons License
This work is licensed under a 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».