Магнитно-резонансная томография в дифференциальной диагностике первичных внемозговых опухолей: обзор радиомических исследований

Обложка

Цитировать

Полный текст

Аннотация

Обоснование. Анализ данных магнитно-резонансной томографии является основным методом для предоперационной дифференциальной диагностики первичных внемозговых опухолей. Однако точное их разграничение только на основе визуальной оценки этих данных может быть затруднительно.

Радиомика — это количественный подход к анализу данных медицинских изображений, позволяющий выявить взаимосвязь данных визуализации с фенотипическими и генотипическими особенностями опухолей.

Ранее в ряде аналитических публикаций проводилось обобщение результатов исследований, посвящённых дифференциальной диагностике первичных внемозговых опухолей на основе принципов радиомики. Быстрое накопление новых клинических примеров и увеличение количества исследований по данной проблеме обуславливают необходимость их дальнейшего анализа и систематизации, что и послужило основанием для выполнения настоящей работы.

Цель — систематизировать существующие данные о возможностях радиомики для дифференциальной диагностики первичных внемозговых опухолей.

Материалы и методы. Проведены поиск и анализ публикаций на русском и английском языках за последние пять лет. Поиск осуществлялся в системах PubMed/Medline, Google Scholar и еLibrary. В окончательный анализ включено 19 публикаций, касающихся дифференциальной диагностики первичных внемозговых опухолей, в которых были приведены радиомические признаки, использованные для дифференциальной диагностики новообразований.

Результаты. Во всех исследованиях было показано наличие взаимосвязи между радиомическими параметрами (текстурными и гистограммными) и типом опухоли. Эффективность дифференциальной диагностики опухолей радиомическими моделями превосходила эффективность классификации новообразований рентгенологами.

Наиболее часто использовались следующие алгоритмы для создания математичесиких моделей классификации опухолей на основе радиомических параметров: метод опорных векторов, логистическая регрессия, случайный лес. Методы опорных векторов и логистической регрессии продемонстрировали лучшие и более стабильные результаты.

Заключение. Использование концепции радиомики показывает многообещающие результаты в дифференциальной диагностике первичных внемозговых опухолей. Дальнейшее развитие этого направления требует стандартизации как методов сегментации, так и набора признаков, а также эффективного метода математического моделирования.

Об авторах

Александр Викторович Капишников

Самарский государственный медицинский университет

Email: a.v.kapishnikov@samsmu.ru
ORCID iD: 0000-0002-6858-372X
SPIN-код: 6213-7455
Scopus Author ID: 6507900025

д-р мед. наук, профессор

Россия, Самара

Евгений Николаевич Суровцев

Самарский государственный медицинский университет; Лечебно-диагностический центр Международного института биологических систем имени Сергея Березина

Автор, ответственный за переписку.
Email: evgeniisurovcev@mail.ru
ORCID iD: 0000-0002-8236-833X
SPIN-код: 5252-5661
Scopus Author ID: 57224906215
Россия, Самара; Тольятти

Список литературы

  1. Goldbrunner R., Stavrinou P., Jenkinson M.D., et al. EANO guideline on the diagnosis and management of meningiomas // Neuro–Oncology. 2021. Vol. 23, N 11. P. 1821–1834. doi: 10.1093/neuonc/noab150
  2. Goldbrunner R., Weller M., Regis J., et al. EANO guideline on the diagnosis and treatment of vestibular schwannoma // Neuro–Oncology. 2020. Vol. 22, N 1. P. 31–45. doi: 10.1093/neuonc/noz153
  3. Shin D.W., Kim J.H., Chong S., et al. Intracranial solitary fibrous tumor/hemangiopericytoma: tumor reclassification and assessment of treatment outcome via the 2016 WHO classification // Journal of Neuro–Oncology. 2021. Vol. 154. P. 171–178. doi: 10.1007/s11060–021–03733–7
  4. Louis D.N., Perry A., Wesseling P., et al. The 2021 WHO Classification of Tumors of the Central Nervous System: a summary // Neuro–Oncology. 2021. Vol. 23, N 8. P. 1231–1251. doi: 10.1093/neuonc/noab106
  5. Fountain D.M., Young A.M.H., Santarius T. Malignant meningiomas // Handbook of Clinical Neurology. 2020. Vol. 170. P. 245–250. doi: 10.1016/B978–0–12–822198–3.00044–6
  6. Laviv Y., Thomas A., Kasper E.M. Hypervascular Lesions of the Cerebellopontine Angle: The Relevance of Angiography as a Diagnostic and Therapeutic Tool and the Role of Stereotactic Radiosurgery in Management. A Comprehensive Review // World Neurosurgery. 2017. Vol. 100. P. 100–117. doi: 10.1016/j.wneu.2016.12.091
  7. Konar S., Jayan M., Shukla D., et al. The risks factor of recurrence after skull base hemangiopericytoma management: A retrospective case series and review of literature // Clinical Neurology and Neurosurgery. 2021. Vol. 208. P. 106866. doi: 10.1016/j.clineuro.2021.106866
  8. Kinslow C.J., Bruce S.S., Rae A.I., et al. Solitary–fibrous tumor/ hemangiopericytoma of the central nervous system: a population–based study // Journal of Neuro–Oncology. 2018. Vol. 138, N 1. P. 173–182. doi: 10.1007/s11060–018–2787–7
  9. Осборн А.Г., Зальцман К.Л., Завери М.Д. Лучевая диагностика. Головной мозг / пер. Д.И. Волобуева. Москва : Издательство Панфилова, 2018.
  10. Cohen–Inbar O. Nervous System Hemangiopericytoma // Canadian Journal of Neurological Sciences. 2020. Vol. 47, N 1. P. 18–29. doi: 10.1017/cjn.2019.311
  11. Zakhari N., Torres C., Castillo M., et al. Uncommon Cranial Meningioma: Key Imaging Features on Conventional and Advanced Imaging // Clinical Neuroradiology. 2017. Vol. 27, N 2. P. 135–144. doi: 10.1007/s00062–017–0583–y
  12. Hale A.T., Wang L., Strother M.K., et al. Differentiating meningioma grade by imaging features on magnetic resonance imaging // Journal of Clinical Neuroscience. 2018. Vol. 48. P. 71–75. doi: 10.1016/j.jocn.2017.11.013
  13. Ugga L., Spadarella G., Pinto L., et al. Meningioma Radiomics: At the Nexus of Imaging, Pathology and Biomolecular Characterization // Cancers (Basel). 2022. Vol. 14, N 11. P. 2605. doi: 10.3390/cancers14112605
  14. Aerts H.J. The Potential of Radiomic–Based Phenotyping in Precision Medicine: A Review // JAMA Oncology. 2016. Vol. 2, N 12. P. 1636–1642. doi: 10.1001/jamaoncol.2016.2631
  15. Gillies R.J., Kinahan P.E., Hricak H. Radiomics: Images Are More than Pictures, They Are Data // Radiology. 2016. Vol. 278, N 2. P. 563–577. doi: 10.1148/radiol.2015151169
  16. Liu Z., Wang S., Dong D., et al. The Applications of Radiomics in Precision Diagnosis and Treatment of Oncology: Opportunities and Challenges // Theranostics. 2019. Vol. 9, N 5. P. 1303–1322. doi: 10.7150/thno.30309
  17. Капишников А.В., Суровцев Е.Н., Удалов Ю.Д. Магнитно–резонансная томография первичных внемозговых опухолей: проблемы диагностики и перспективы радиомики // Медицинская радиология и радиационная безопасность. 2022. Т. 67. № 4. С. 49–56. doi: 10.33266/1024–6177–2022–67–4–49–56
  18. Park Y.W., Oh J., You S.C., et al. Radiomics and machine learning may accurately predict the grade and histological subtype in meningiomas using conventional and diffusion tensor imaging. European Radiology. 2019. Vol. 29, N 8. P. 4068–4076. doi: 10.1007/s00330–018–5830–3
  19. Laukamp K.R., Shakirin G., Baeßler B., et al. Accuracy of Radiomics–Based Feature Analysis on Multiparametric Magnetic Resonance Images for Noninvasive Meningioma Grading // World Neurosurgery. 2019;132:e366–e390. doi: 10.1016/j.wneu.2019.08.148.
  20. Lu Y., Liu L., Luan S., et al. The diagnostic value of texture analysis in predicting WHO grades of meningiomas based on ADC maps: an attempt using decision tree and decision forest // European Radiology. 2019. Vol. 29, N 3. P. 1318–1328. doi: 10.1007/s00330–018–5632–7
  21. Chen C., Guo X., Wang J., et al. The Diagnostic Value of Radiomics–Based Machine Learning in Predicting the Grade of Meningiomas Using Conventional Magnetic Resonance Imaging: A Preliminary Study // Frontiers in Oncology. 2019. Vol. 9. P. 1338. doi: 10.3389/fonc.2019.01338
  22. Zhu Y., Man C., Gong L., et al. A deep learning radiomics model for preoperative grading in meningioma // European Journal of Radiology. 2019. Vol. 116. P. 128–134. doi: 10.1016/j.ejrad.2019.04.022
  23. Morin O., Chen W.C., Nassiri F., et al, Vasudevan HN, et al. Integrated models incorporating radiologic and radiomic features predict meningioma grade, local failure, and overall survival // Neuro–Oncology Advances. 2019. Vol. 1, N 1. P. z11. doi: 10.1093/noajnl/vdz011
  24. Li X., Miao Y., Han L., et al. Meningioma grading using conventional MRI histogram analysis based on 3D tumor measurement // European Journal of Radiology. 2019. Vol. 110. P. 45–53. doi: 10.1016/j.ejrad.2018.11.016
  25. Ke C., Chen H., Lv X., et al. Differentiation Between Benign and Nonbenign Meningiomas by Using Texture Analysis From Multiparametric MRI // Journal of Magnetic Resonance Imaging. 2020. Vol. 51, N 6. P. 1810–1820. doi: 10.1002/jmri.26976
  26. Hu J., Zhao Y., Li M., et al. Machine learning–based radiomics analysis in predicting the meningioma grade using multiparametric MRI // European Journal of Radiology. 2020. Vol. 131. doi: 10.1016/j.ejrad.2020.109251
  27. Chu H., Lin X., He J., et al. Value of MRI Radiomics Based on Enhanced T1WI Images in Prediction of Meningiomas Grade // Academic Radiology. 2021. Vol. 28, N 5. P. 687–693. doi: 10.1016/j.acra.2020.03.034
  28. Han Y., Wang T., Wu P., et al. Meningiomas: Preoperative predictive histopathological grading based on radiomics of MRI // Magnetic Resonance Imaging. 2021. Vol. 77. P. 36–43. doi: 10.1016/j.mri.2020.11.009
  29. Zhang J., Zhang G., Cao Y., et al. A Magnetic Resonance Imaging–Based Radiomic Model for the Noninvasive Preoperative Differentiation Between Transitional and Atypical Meningiomas // Frontiers in Oncology. 2022. Vol. 12. P. 811767. doi: 10.3389/fonc.2022.811767
  30. Li X., Lu Y., Xiong J., et al. Presurgical differentiation between malignant haemangiopericytoma and angiomatous meningioma by a radiomics approach based on texture analysis // Journal of Neuroradiology. 2019. Vol. 46, N 5. P. 281–287. doi: 10.1016/j.neurad.2019.05.013
  31. Dong J., Yu M., Miao Y., et al. Differential Diagnosis of Solitary Fibrous Tumor/Hemangiopericytoma and Angiomatous Meningioma Using Three–Dimensional Magnetic Resonance Imaging Texture Feature Model // BioMed Research International. 2020. Vol. 2020. doi: 10.1155/2020/5042356
  32. Fan Y., Liu P., Li Y., et al. Non–Invasive Preoperative Imaging Differential Diagnosis of Intracranial Hemangiopericytoma and Angiomatous Meningioma: A Novel Developed and Validated Multiparametric MRI–Based Clini–Radiomic Model // Frontiers in Oncology. 2022. Vol. 11. P. 792521. doi: 10.3389/fonc.2021.792521
  33. Wei J., Li L., Han Y., et al. Accurate Preoperative Distinction of Intracranial Hemangiopericytoma From Meningioma Using a Multihabitat and Multisequence–Based Radiomics Diagnostic Technique // Frontiers in Oncology. 2020. Vol. 10. P. 534. doi: 10.3389/fonc.2020.00534
  34. Tian Z., Chen C., Zhang Y., et al. Radiomic Analysis of Craniopharyngioma and Meningioma in the Sellar/Parasellar Area with MR Images Features and Texture Features: A Feasible Study // Contrast Media & Molecular Imaging. 2020. Vol. 2020. doi: 10.1155/2020/4837156
  35. Wang C., You L., Zhang X., et al. A radiomics–based study for differentiating parasellar cavernous hemangiomas from meningiomas // Scientific Reports. 2022. Vol. 12. doi: 10.1038/s41598–022–19770–9
  36. Суровцев Е.Н., Капишников А.В., Колсанов А.В. Возможности радиомического анализа магнитно-резонансных томограмм в дифференциальной диагностике первичных внемозговых опухолей // Исследования и практика в медицине. 2023. Т. 10, № 2. С. 50–61. doi: 10.17709/2410-1893-2023-10-2-5
  37. Parmar C., Rios Velazquez E., Leijenaar R., et al. Robust Radiomics feature quantification using semiautomatic volumetric segmentation // PLoS One. 2014. Vol. 9, N 7. P. e102107. doi: 10.1371/journal.pone.0102107

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать
2. Рис. 1. Этапы радиомического анализа.

Скачать (283KB)
Метаданные
3. Рис. 2. Дизайн исследования.

Скачать (255KB)
Метаданные

© Эко-вектор, 2023

Creative Commons License
Эта статья доступна по лицензии Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.

Данный сайт использует cookie-файлы

Продолжая использовать наш сайт, вы даете согласие на обработку файлов cookie, которые обеспечивают правильную работу сайта.

О куки-файлах