Магнитно-резонансная томография в дифференциальной диагностике первичных внемозговых опухолей: обзор радиомических исследований
- Авторы: Капишников А.В.1, Суровцев Е.Н.1,2
-
Учреждения:
- Самарский государственный медицинский университет
- Лечебно-диагностический центр Международного института биологических систем имени Сергея Березина
- Выпуск: Том 4, № 4 (2023)
- Страницы: 529-542
- Раздел: Систематические обзоры
- URL: https://journals.rcsi.science/DD/article/view/262962
- DOI: https://doi.org/10.17816/DD569149
- ID: 262962
Цитировать
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.
Полный текст
Открыть статью на сайте журналаОб 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, СамараЕвгений 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- Осборн А.Г., Зальцман К.Л., Завери М.Д. Лучевая диагностика. Головной мозг / пер. Д.И. Волобуева. Москва : Издательство Панфилова, 2018.
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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.
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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