Приоритетные параметры радиомического анализа для компьютерной томографии при злокачественных новообразованиях головы и шеи: систематический обзор

Обложка

Цитировать

Полный текст

Аннотация

Обоснование. Радиомика — новейшее и многообещающее направление современной лучевой диагностики. Число исследований злокачественных новообразований головы и шеи с помощью этого метода увеличивается с каждым годом. Мы провели систематический обзор новейших публикаций (2021–2023) по злокачественным новообразованиям головы и шеи, выполненным на основе компьютерной томографии.

Цель — систематизация данных по используемым параметрам радиомического анализа при раке головы и шеи, выявленным по данным компьютерной томографии.

Материалы и методы. Поиск статей осуществлялся в базе PubMed. Произведены извлечение базовых характеристик отобранных статей и оценка их качества по RQS 2.0 и модифицированному опроснику QUADAS-CAD. Оценили уровень воспроизводимости радиомических параметров, отобранных для прогностических моделей, в разных исследованиях. Для обзора отобрано 11 статей. В большинстве случаев отмечался высокий риск систематической ошибки, связанный с несбалансированностью выборки по демографическим параметрам и уровню патологий.

Результаты. При оценке качества радиомики диапазон баллов для исследованных статей изменяется от 19,44% до 50,00% максимально возможной суммы. Основные проблемы, влекущие за собой снижение качества исследований, обусловлены отсутствием внешней валидации результатов (73% проанализированных статей), а также недоступностью или непрозрачностью исследовательских данных (82%). Воспроизводимость радиомических параметров между исследованиями низкая из-за большого разнообразия используемых методик получения и постобработки изображений, а также извлечения и статистической обработки радиомических параметров.

Заключение. Обсуждается необходимость выделения базового блока устойчивых радиомических параметров для внедрения метода в клиническую практику, что возможно сделать только при стандартизации методов радиомики и создания открытой базы радиомических данных.

Об авторах

Юрий Александрович Васильев

Научно-практический клинический центр диагностики и телемедицинских технологий

Email: npcmr@zdrav.mos.ru
ORCID iD: 0000-0002-0208-5218
SPIN-код: 4458-5608

канд. мед. наук

Россия, Москва

Ольга Геннадьевна Нанова

Научно-практический клинический центр диагностики и телемедицинских технологий

Автор, ответственный за переписку.
Email: NanovaOG@zdrav.mos.ru
ORCID iD: 0000-0001-8886-3684
SPIN-код: 6135-4872

канд. биол. наук

Россия, Москва

Иван Андреевич Блохин

Научно-практический клинический центр диагностики и телемедицинских технологий

Email: i.blokhin@npcmr.ru
ORCID iD: 0000-0002-2681-9378
SPIN-код: 3306-1387
Россия, Москва

Роман Владимирович Решетников

Научно-практический клинический центр диагностики и телемедицинских технологий

Email: reshetnikov@fbb.msu.ru
ORCID iD: 0000-0002-9661-0254
SPIN-код: 8592-0558

канд. физ.-мат. наук

Россия, Москва

Антон Вячеславович Владзимирский

Научно-практический клинический центр диагностики и телемедицинских технологий

Email: npcmr@zdrav.mos.ru
ORCID iD: 0000-0002-2990-7736
SPIN-код: 3602-7120

д-р мед. наук, профессор

Россия, Москва

Ольга Васильевна Омелянская

Научно-практический клинический центр диагностики и телемедицинских технологий

Email: o.omelyanskaya@npcmr.ru
ORCID iD: 0000-0002-0245-4431
SPIN-код: 8948-6152
Россия, Москва

Список литературы

  1. Rizzo S., Botta F., Raimondi S., et al. Radiomics: the facts and the challenges of image analysis // Eur Radiol Exp. 2018. Vol. 2. doi: 10.1186/s41747-018-0068-z
  2. Lambin P., Leijenaar R., Deist T., et al. Radiomics: the bridge between medical imaging and personalized medicine // Nat Rev Clin Oncol. 2017. Vol. 14. P. 749–762. doi: 10.1038/nrclinonc.2017.141
  3. Mayerhoefer M.E., Materka A., Langs G., et al. Introduction to Radiomics // J Nucl Med. 2020. Vol. 61, N 4. P. 488–495. doi: 10.2967/jnumed.118.222893
  4. Wan Y., Yang P., Xu L., et al. Radiomics analysis combining unsupervised learning and handcrafted features: A multiple-disease study // Medical Physics. 2021. Vol. 48, N 11. P. 7003–7015. doi: 10.1002/mp.15199
  5. Zwanenburg A., Vallières M., Abdalah M.A., et al. The Image Biomarker Standardization Initiative: Standardized Quantitative Radiomics for High-Throughput Image-based Phenotyping // Radiology. 2020. Vol. 295, N 2. doi: 10.1148/radiol.2020191145
  6. Berenguer R., Pastor-Juan M., Canales-Vázquez J., et al. Radiomics of CT Features May Be Nonreproducible and Redundant: Influence of CT Acquisition Parameters // Radiology. 2018. Vol. 288, N 2. doi: 10.1148/radiol.2018172361
  7. Laura Q.M., Chow M.D. Head and Neck Cancer // N Engl J Med. 2020. Vol. 382. P. 60–72. doi: 10.1056/NEJMra1715715
  8. Sung H., Ferlay J., Siegel R.L., et al. Global Cancer Statistics 2020: GLOBOCAN Estimates of Incidence and Mortality Worldwide for 36 Cancers in 185 Countries // Ca Cancer J Clin. 2021. Vol. 71, N 3. P. 209–249. doi: 10.3322/caac.21660
  9. Болотина Л.В., Владимирова Л.Ю., Деньгина Н.В., Новик А.В., Романов И.С. Практические рекомендации по лечению злокачественных опухолей головы и шеи // Злокачественные опухоли. 2020. Т. 10, № 3s2-1. С. 93–108. doi: 10.18027/2224-5057-2020-10-3s2-06
  10. Bossi P., Chan A.T., Licitra L., et al. Nasopharyngeal carcinoma: ESMO-EURACAN Clinical Practice Guidelines for diagnosis, treatment and follow-up // Annals of oncology. 2021. Vol. 32, N 4. P. 452–465. doi: 10.1016/j.annonc.2020.12.007
  11. Петровичев В.С., Неклюдова М.В., Синицын В.Е., Никитин И.Г. Двухэнергетическая компьютерная томография рака головы и шеи // Digital Diagnostics. 2021. Т. 2, № 3. С. 343–355. doi: 10.17816/DD62572
  12. Guha A., Connor S., Anjari M., et al. Radiomic analysis for response assessment in advanced head and neck cancers, a distant dream or an inevitable reality? A systematic review of the current level of evidence // BJR. 2019. Vol. 93, N 1106. doi: 10.1259/bjr.20190496
  13. Giannitto C., Mercante G., Ammirabile A., et al. Radiomics-based machine learning for the diagnosis of lymph node metastases in patients with head and neck cancer: Systematic review // Head & Neck. 2022. Vol. 45, N 2. P. 482–491. doi: 10.1002/hed.27239
  14. Yu Y., Li X., Li W., Wang H., Wang Y. Pretreatment radiomics power in evaluating neoadjuvant chemotherapy response and outcome for patients with head and neck squamous cell carcinoma: a systematic review and meta-analysis. Preprint. 2023. doi: 10.21203/rs.3.rs-2530190/v1
  15. Page M.J., McKenzie J.E., Bossuyt P.M., et al. The PRISMA 2020 statement: an updated guideline for reporting systematic reviews // BMJ. 2021. Vol. 372. doi: 10.1136/bmj.n71
  16. Radiomics Quality Score — RQS 2.0. [Internet]. [дата обращения 01.01.2023]. Доступ по ссылке: https://www.radiomics.world/rqs2
  17. Kodenko M.R., Vasilev Y.A., Vladzymyrskyy A.V., et al. Diagnostic Accuracy of AI for Opportunistic Screening of Abdominal Aortic Aneurysm in CT: A Systematic Review and Narrative Synthesis // Diagnostics. 2022. Vol. 12, N 12. P. 3197. doi: 10.3390/diagnostics12123197
  18. Коденко М.Р., Решетников Р.В., Макарова Т.А. Инструмент оценки качества исследований диагностической точности алгоритмов искусственного интеллекта (QUADAS-CAD) // Digital Diagnostics. 2022. Т. 3, № S1. С. 4–5. doi: 10.17816/DD105567
  19. Teng X., Zhang J., Ma Z., et al. Improving radiomic model reliability using robust features from perturbations for head-and-neck carcinoma // Front. Oncol. 2022. Vol. 12. doi: 10.3389/fonc.2022.974467
  20. Liu X., Maleki F., Muthukrishnan N., et al. Site-Specific Variation in Radiomic Features of Head and Neck Squamous Cell Carcinoma and Its Impact on Machine Learning Models // Cancers. 2021. Vol. 13, N 15. doi: 10.3390/cancers13153723
  21. Zhao X., Li W., Zhang J., et al. Radiomics analysis of CT imaging improves preoperative prediction of cervical lymph node metastasis in laryngeal squamous cell carcinoma // European Radiology. 2023. Vol. 33. P. 1121–1131. doi: 10.1007/s00330-022-09051-4
  22. Zhang W., Peng J., Zhao S., et al. Deep learning combined with radiomics for the classification of enlarged cervical lymph nodes // Journal of Cancer Research and Clinical Oncology. 2022. Vol. 148. P. 2773–2780. doi: 10.1007/s00432-022-04047-5
  23. Yang G., Yang F., Zhang F., et al. Radiomics Profiling Identifies the Value of CT Features for the Preoperative Evaluation of Lymph Node Metastasis in Papillary Thyroid Carcinoma // Diagnostics. 2022. Vol. 12, N 5. doi: 10.3390/diagnostics12051119
  24. Li J., Wu X., Mao N., et al. Computed Tomography-Based Radiomics Model to Predict Central Cervical Lymph Node Metastases in Papillary Thyroid Carcinoma: A Multicenter Study // Front. Endocrinol. 2021. Vol. 12. doi: 10.3389/fendo.2021.741698
  25. Franzese C., Lillo S., Cozzi L., et al. Predictive value of clinical and radiomic features for radiation therapy response in patients with lymph node-positive head and neck cancer // Head & Neck. 2023. Vol. 45, N 5. P. 1184–1193. doi: 10.1002/hed.27332
  26. Gonçalves M., Gsaxner Ch., Ferreira A., et al. Radiomics in Head and Neck Cancer Outcome Predictions // Diagnostics. 2022. Vol. 12, N 11. doi: 10.3390/diagnostics12112733
  27. Zhai T., Wesseling F., Langendijk J., et al. External validation of nodal failure prediction models including radiomics in head and neck cancer // Oral Oncology. 2021. Vol. 112. doi: 10.1016/j.oraloncology.2020.105083
  28. Morgan H.E., Wang K., Dohopolski M., et al. Exploratory ensemble interpretable model for predicting local failure in head and neck cancer: the additive benefit of CT and intra-treatment cone-beam computed tomography features // Quant Imaging Med Surg. 2021. Vol. 11, N 12. P. 4781–4796. doi: 10.21037/qims-21-274
  29. Intarak S., Chongpison Y., Vimolnoch M., et al. Tumor Prognostic Prediction of Nasopharyngeal Carcinoma Using CT-Based Radiomics in Non-Chinese Patients // Front. Oncol. 2022. Vol. 12. doi: 10.3389/fonc.2022.775248
  30. Zhong J., Lu J., Zhang G., et al. An overview of meta-analyses on radiomics: more evidence is needed to support clinical translation // Insights Imaging. 2023. Vol. 14. doi: 10.1186/s13244-023-01437-2
  31. Свидетельство о государственной регистрации программы для ЭВМ № 2022617324/ 19.04.2022. Морозов С.П., Андрейченко А.Е., Четвериков С.Ф., и др. Веб-инструмент для выполнения ROC анализа результатов диагностических тестов: № 2022616046.
  32. Giraud P., Giraud Ph., Gasnier A., et al. Radiomics and Machine Learning for Radiotherapy in Head and Neck Cancers // Front. Oncol. 2019. Vol. 9. doi: 10.3389/fonc.2019.00174
  33. Свидетельство о государственной регистрации программы для ЭВМ № 2023619686/ 15.05.2023. Васильев Ю.А., Владзимирский А.В., Омелянская О.В., и др. Веб-инструмент для контроля качества датасетов: № 2023617136.
  34. Gundersen O.E., Kjensmo S. State of the Art: Reproducibility in Artificial Intelligence // Proceedings of the AAAI Conference on Artificial Intelligence. 2018. Vol. 32, N 1. doi: 10.1609/aaai.v32i1.11503
  35. Tortora M., Gemini L., Scaravilli A., et al. Radiomics Applications in Head and Neck Tumor Imaging: A Narrative Review // Cancers. 2023. Vol. 15, N 4. doi: 10.3390/cancers15041174
  36. Image Biomarker Standardisation Initiative (IBSI) [Internet]. [дата обращения: 01.01.2023]. Доступ по ссылке: https://theibsi.github.io/
  37. Морозов С.П., Владзимирский А.В., Кляшторный В.Г., и др. Клинические испытания программного обеспечения на основе интеллектуальных технологий (лучевая диагностика). Москва, 2019.
  38. Buvat I., Orlhac F. The Dark Side of Radiomics: On the Paramount Importance of Publishing Negative Results // The Journal of Nuclear Medicine. 2019. Vol. 60, N 11. P. 1543–1544. doi: 10.2967/jnumed.119.235325
  39. Kocak B., Bulut E., Bayrak O.N., et al. NEgatiVE results in Radiomics research (NEVER): A meta-research study of publication bias in leading radiology journals // European Journal of Radiology. 2023. Vol. 163. doi: 10.1016/j.ejrad.2023.110830
  40. Berenguer R., Pastor-Juan M.R., Canales-Vázquez J., et al. Radiomics of CT Features May Be Nonreproducible and Redundant: Influence of CT Acquisition Parameters // Radiology. 2018. Vol. 288, N 2. doi: 10.1148/radiol.2018172361
  41. Морозов С.П., Линденбратен Л.Д., Габай П.Г., и др. Основы менеджмента медицинской визуализации / под ред. С.П. Морозова. Москва : ГЭОТАР-Медиа, 2020. doi: 10.33029/9704-5247-9-MEN-2020-1-424
  42. Хоружая А.Н., Ахмад Е.С., Семенов Д.С. Роль системы контроля качества лучевой диагностики онкологических заболеваний в радиомике // Digital Diagnostics. 2021. Т. 2, № 2. С. 170–184. doi: 10.17816/DD60393

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать
2. Рис. 1. Блок-схема систематического поиска литературы. МРТ — магнитно-резонансная томография, УЗД — ультразвуковая диагностика

Скачать (261KB)
Метаданные
3. Приложение 1. Таблица 1. Базовые характеристики статей
Скачать (33KB)
Метаданные
4. Приложение 2. Таблица 2. Оценка качества радиомики по RQS-2.0
Скачать (23KB)
Метаданные

© Эко-вектор, 2024

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