影像组学在脑肿瘤中的应用前景

封面

如何引用文章

全文:

详细

影像组学是一个基于医学成像定量方法的诊断学新领域，它能更有效地利用医疗设备，优化每位患者的治疗时间，并提高医学各个领域鉴别诊断的准确性。放射影像基因组学是影像组学的一个分支，旨在将病人的基因型与医学影像所呈现的表型联系起来。在综述中结合近年来该领域取得的研究成果，提出肿瘤学中影像组学和放射影像基因组学的一般问题，特别关注这些方法在神经肿瘤学中的作用，以及脑肿瘤诊断问题的解决方案。神经肿瘤学亟待解决的问题之一是判断疾病预后的能力，这是因为无法对中线胶质瘤患者进行形态学确诊和组织分子遗传学研究。此外，恶性肿瘤在空间和时间上固有的高度异质性阻碍对肿瘤生物特性的全面评估，甚至使用立体定向活检法术也是如此。放射组学方法可以帮助医生区分肿瘤的恶性程度，发挥“虚拟活检”的作用，同时避免一些侵入性操作。神经肿瘤学中的影像组学和放射影像基因组学研究结果表明，这些技术的前景毋庸置疑，但是，与其他医学和生物学领域一样，错误也不能完全排除，相关专家团队的任务就是将这种错误概率降到最低。

作者简介

Olga S. Regentova

Russian Scientific Center of Roentgenoradiology

编辑信件的主要联系方式.
Email: olgagraudensh@mail.ru
ORCID iD: 0000-0002-0219-7260
SPIN 代码: 9657-0598

MD, Cand. Sci. (Medicine)

俄罗斯联邦, Moscow

Roman A. Parkhomenko

Russian Scientific Center of Roentgenoradiology; Peoples’ Friendship University of Russia

Email: raparkhomenko@rncrr.ru
ORCID iD: 0000-0001-9249-9272
SPIN 代码: 9902-4244

MD, Dr. Sci. (Medicine), Professor

俄罗斯联邦, Moscow; Moscow

Nikolay I. Sergeyev

Russian Scientific Center of Roentgenoradiology

Email: sergeev_n@rncrr.ru
ORCID iD: 0000-0003-4147-1928
SPIN 代码: 2408-6502

MD, Dr. Sci. (Medicine)

俄罗斯联邦, Moscow

Vladimir K. Bozhenko

Russian Scientific Center of Roentgenoradiology

Email: vkbojenko@rncrr.ru
ORCID iD: 0000-0001-8351-8152
SPIN 代码: 8380-6617

MD, Dr. Sci. (Medicine), Professor

俄罗斯联邦, Moscow

Pavel V. Polushkin

Russian Scientific Center of Roentgenoradiology

Email: roentradpc@gmail.com
ORCID iD: 0000-0001-6661-0280
SPIN 代码: 7600-7304

MD, Cand. Sci. (Medicine)

俄罗斯联邦, Moscow

Vladimir А. Solodkiy

Russian Scientific Center of Roentgenoradiology

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

MD, Dr. Sci. (Medicine), Professor, Academician of RAS

俄罗斯联邦, Moscow

参考

  1. Lambin P, Rios-Velazquez E, Leijenaar R, et al. Radiomics: Extracting more information from medical images using advanced feature analysis. European Journal of Cancer. 2012;48(4):441–446. doi: 10.1016/j.ejca.2011.11.036
  2. Kumar V, Gu Y, Basu S, et al. Radiomics: the process and the challenges. Magnetic Resonance Imaging. 2012;30(9):1234–1248. doi: 10.1016/j.mri.2012.06.010
  3. Litvin AA, Burkin DA, Kropinov AA, Paramzin FN. Radiomics and Digital Image Texture Analysis in Oncology (Review). Sovremennye tekhnologii v meditsine. 2021;13(2):97–104. (In Russ.) doi: 10.17691/stm2021.13.2.11
  4. Mayerhoefer ME, Materka A, Langs G, et al. Introduction to Radiomics. Journal of Nuclear Medicine. 2020;61(4):488–495. doi: 10.2967/jnumed.118.222893
  5. Beig N, Bera K, Tiwari P. Introduction to radiomics and radiogenomics in neuro-oncology: implications and challenges. Neuro-Oncology Advances. 2021;2 Suppl. 4:iv3-iv14. doi: 10.1093/noajnl/vdaa148
  6. Chernobrivtseva VV, Misyurin AS. New technologies in radiology diagnostics. Practical Oncology. 2022;23(4):203–210. EDN: DUCVOW doi: 10.31917/2304203
  7. Danilov GV, Ishankulov TA, Kotik KV, et al. Artificial intelligence technologies in clinical neurooncology. Voprosy neyrokhirurgii imeni N.N. Burdenko. 2022;86(6):127–133. (In Russ.) EDN: XPLMSB doi: 10.17116/neiro202286061127
  8. Solodkiy VA, Kaprin AD, Nudnov NV, et al. Artificial intelligence capabilities in breast cancer risk assessment on mammographic images (clinical examples). Vestnik Rossijskogo naučnogo centra rentgenoradiologii. 2023;23(1):24–31. (In Russ.) EDN: BWYQPJ
  9. Prokop M. Multislice CT: technical principles and future trends. European Radiology. 2003;13 Suppl. 5:M3–13. doi: 10.1007/s00330-003-2178-z
  10. Groheux D, Quere G, Blanc E, et al. FDG PET-CT for solitary pulmonary nodule and lung cancer: Literature review. Diagnostic and Interventional Imaging. 2016;97(10):1003–1017. doi: 10.1016/j.diii.2016.06.020
  11. Goo HW, Goo JM. Dual-Energy CT: New Horizon in Medical Imaging. Korean Journal of Radiology. 2017;18(4):555–569. doi: 10.3348/kjr.2017.18.4.555
  12. Zaharchuk G. Next generation research applications for hybrid PET/MR and PET/CT imaging using deep learning. European Journal of Nuclear Medicine and Molecular Imaging. 2019;46(13):2700–2707. doi: 10.1007/s00259-019-04374-9
  13. Hsieh J, Flohr T. Computed tomography recent history and future perspectives. Journal of Medical Imaging. 2021;8(5):052109. doi: 10.1117/1.JMI.8.5.052109
  14. Gouel P, Decazes P, Vera P, et al. Advances in PET and MRI imaging of tumor hypoxia. Frontiers in Medicine. 2023;10:1055062. doi: 10.3389/fmed.2023.1055062
  15. Szczykutowicz TP, Bour RK, Rubert N, et al. CT protocol management: simplifying the process by using a master protocol concept. Journal of Applied Clinical Medical Physics. 2015;16(4):228–243. doi: 10.1120/jacmp.v16i4.5412
  16. Zalog uspekha bolshie dannye v umelykh rukakh. In: Biomolecula [Internet]. 2007–2024 [cited 2023 Oct 26]. Available from: https://biomolecula.ru/articles/zalog-uspekha-bolshie-dannye-v-umelykh-rukakh
  17. Ognerubov NA, Shatov IA, Shatov AV. Radiogenomics and radiomics in the diagnostics of malignant tumours: a literary review. Vestnik Tambovskogo universiteta. Seriya: yestestvennye i tekhnicheskiye nauki. 2017;22(6-2):1453–1460. (In Russ.) EDN: YRNTMV doi: 10.20310/1810-0198-2017-22-6-1453-1460
  18. Nikulshina YaO, Redkin AN. Radiomics and radiogenomics in the diagnosis, clinical prognosis and treatment response assessment in oncological diseases (literature review). Diagnosticheskaya i interventsionnaya radiologiya. 2022;16(3):70–78. (In Russ.) EDN: KHLFNT doi: 10.25512/DIR.2022.16.3.07
  19. Peng Z, Wang Y, Wang Y, et al. Application of radiomics and machine learning in head and neck cancers. International Journal of Biological Sciences. 2021;17(2):475–486. doi: 10.7150/ijbs.55716
  20. Bernatz S, Böth I, Ackermann J, et al. Radiomics for therapy-specific head and neck squamous cell carcinoma survival prognostication (part I). BMC Medical Imaging. 2023;23(1):71. doi: 10.1186/s12880-023-01034-1
  21. Wang Y, Jin ZY. Radiomics approaches in gastric cancer. Chinese Medical Journal. 2019;132(16):1983–1989. doi: 10.1097/CM9.0000000000000360
  22. Liu D, Zhang W, Hu F, et al. A Bounding Box-Based Radiomics Model for Detecting Occult Peritoneal Metastasis in Advanced Gastric Cancer: A Multicenter Study. Frontiers in Oncology. 2021;11:777760. doi: 10.3389/fonc.2021.777760
  23. Gong XQ, Tao YY, Wu Y, et al. Progress of MRI Radiomics in Hepatocellular Carcinoma. Frontiers in Oncology. 2021;11:698373. doi: 10.3389/fonc.2021.698373
  24. Miranda J, Horvat N, Fonseca GM, et al. Current status and future perspectives of radiomics in hepatocellular carcinoma. World Journal of Gastroenterology. 2023;29(1):43–60. doi: 10.3748/wjg.v29.i1.43
  25. Ferro M, de Cobelli O, Musi G, et al. Radiomics in prostate cancer: an up-to-date review. Therapeutic Advances in Urology. 2022;14:175628722211090. doi: 10.1177/17562872221109020
  26. Chaddad A, Tan G, Liang X, et al. Advancements in MRI-Based Radiomics and Artificial Intelligence for Prostate Cancer: A Comprehensive Review and Future Prospects. Cancers (Basel). 2023;15(15):3839. doi: 10.3390/cancers15153839
  27. Loginova MV, Pavlov VN, Gilyazova IR. Radiomics and radiogenomics of prostate cancer. Yakut Medical Journal. 2021;(1):101–104. EDN: QPZIWO doi: 10.25789/YMJ.2021.73.27
  28. Govorukhina VG, Semenov SS, Gelezhe PB, et al. The role of mammography in breast cancer radiomics. Digital Diagnostics. 2021;2(2):185–199. EDN: RFSJYH doi: 10.17816/DD70479
  29. Sergeev NI, Kotlyarov PM, Solodkiy VA. Differential diagnosis of focal changes in the spine using standard and radiomic analysis. N.N. Priorov Journal of Traumatology and Orthopedics. 2023;30(1):77–86. EDN: ZVWOVA doi: 10.17816/vto322858
  30. Steinhauer V, Sergeev NI. Radiomics in Breast Cancer: In-Depth Machine Analysis of MR Images of Metastatic Spine Lesion. Sovremennye tekhnologii v meditsine. 2022;14(2):16–25. (In Russ.) EDN: XFVITL doi: 10.17691/stm2022.14.2.02
  31. Danilov GV, Kalaeva DB, Vikhrova NB, et al. Radiomics in determining tumor-to-normal brain suv ratio based on 11c-methionine pet/ct in glioblastoma. Sovremennye tehnologii v medicine. 2023;15(1):5–13. (In Russ.) EDN: XDCHTK doi: 10.17691/stm2023.15.1.01
  32. Kapishnikov АV, Surovcev EN, Udalov YuD. Magnetic Resonance Imaging of primary extra-axial intracranial tumors: diagnostic problems and prospects of radiomics. Мedical Radiology and Radiation Safety. 2022;67(4):49–56. EDN: HRDUJG doi: 10.33266/1024-6177-2022-67-4-49-56
  33. Maslov NE, Trufanov GE, Efimtsev AYu. Certain aspects of radiomics and radiogenomics in glioblastoma: what the images hide? Translational medicine. 2022;9(2):70–80. EDN: NMDJBU doi: 10.18705/2311-4495-2022-9-2-70-80
  34. Zhang Y, Liang K, He J, et al. Deep Learning With Data Enhancement for the Differentiation of Solitary and Multiple Cerebral Glioblastoma, Lymphoma, and Tumefactive Demyelinating Lesion. Frontiers in Oncology. 2021;11:665891. doi: 10.3389/fonc.2021.665891
  35. Solov’yeva SN, Shershever AS, Dayneko EA, et al. Differential diagnostic of a recurrent glial tumor from radiation necrosis by signs of radiomics. Rossiiskii neirokhirurgicheskii zhurnal imeni professora A.L. Polenova. 2023;15(3):128–133. (In Russ.) EDN: LHQOOQ doi: 10.56618/2071-2693_2023_15_3_128
  36. Dong J, Li L, Liang S, et al. Differentiation Between Ependymoma and Medulloblastoma in Children with Radiomics Approach. Academic Radiology. 2021;28(3):318–327. doi: 10.1016/j.acra.2020.02.012
  37. Quon JL, Bala W, Chen LC, et al. Deep Learning for Pediatric Posterior Fossa Tumor Detection and Classification: A Multi-Institutional Study. American Journal of Neuroradiology. 2020;41(9):1718–1725. doi: 10.3174/ajnr.A6704
  38. Tam LT, Yeom KW, Wright JN, et al. MRI-based radiomics for prognosis of pediatric diffuse intrinsic pontine glioma: an international study. Neuro-Oncology Advances. 2021;3(1):vdab042. doi: 10.1093/noajnl/vdab042
  39. Guo W, She D, Xing Z, et al. Multiparametric MRI-Based Radiomics Model for Predicting H3 K27M Mutant Status in Diffuse Midline Glioma: A Comparative Study Across Different Sequences and Machine Learning Techniques. Frontiers in Oncology. 2022;12:796583. doi: 10.3389/fonc.2022.796583
  40. Shboul ZA, Chen J, Iftekharuddin KM. Prediction of Molecular Mutations in Diffuse Low-Grade Gliomas using MR Imaging Features. Scientific Reports. 2020;10(1):3711. doi: 10.1038/s41598-020-60550-0
  41. Wagner MW, Hainc N, Khalvati F, et al. Radiomics of Pediatric Low-Grade Gliomas: Toward a Pretherapeutic Differentiation of BRAF-Mutated and BRAF-Fused Tumors. American Journal of Neuroradiology. 2021;42(4):759–765. doi: 10.3174/ajnr.A6998
  42. Lassaletta A, Zapotocky M, Mistry M, et al. Therapeutic and Prognostic Implications of BRAF V600E in Pediatric Low-Grade Gliomas. Journal of Clinical Oncology. 2017;35(25):2934–2941. doi: 10.1200/JCO.2016.71.8726
  43. Khalid F, Goya-Outi J, Escobar T, et al. Multimodal MRI radiomic models to predict genomic mutations in diffuse intrinsic pontine glioma with missing imaging modalities. Frontiers in Medicine. 2023;10:1071447. doi: 10.3389/fmed.2023.1071447
  44. Danilov GV, Pronin IN, Korolev VV, et al. MR-guided non-invasive typing of brain gliomas using machine learning. Voprosy neyrokhirurgii imeni N.N. Burdenko. 2022;86(6):36–42. (In Russ.) EDN: JDQJJB doi: 10.17116/neiro20228606136
  45. Kocher M, Ruge MI, Galldiks N, Lohmann P. Applications of radiomics and machine learning for radiotherapy of malignant brain tumors. Strahlentherapie Und Onkologie. 2020;196(10):856–867. doi: 10.1007/s00066-020-01626-8
  46. Kirpichev YuS, Semenov SS, Golub SV, Andreychenko AE. Radiomic in radiation treatment planning. Medical Physics. 2022;(1):36–37. EDN: GPDLZI
  47. Zhuge Y, Krauze AV, Ning H, et al. Brain tumor segmentation using holistically nested neural networks in MRI images. Medical Physics. 2017;44(10):5234–5243. doi: 10.1002/mp.12481

补充文件

附件文件
动作
1. JATS XML
下载

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».