Перспективы применения радиомики при опухолях головного мозга

Обложка

Цитировать

Полный текст

Аннотация

Радиомика — новое направление в диагностике, основанное на количественном подходе к медицинской визуализации, способное обеспечить более эффективное использование медицинской аппаратуры, оптимизировать временные затраты на каждого пациента, а также повысить точность дифференциальной диагностики в различных областях медицины. Ответвлением радиомики является радиогеномика, призванная для установления связи между генотипом пациента и фенотипической картиной, представленной методом медицинской визуализации. В обзоре приведены общие вопросы о радиомике и радиогеномике в онкологии с результатами исследований в этой области, полученными в последние годы, с особым вниманием к роли этих методов в нейроонкологии, а также к решению проблем диагностики опухолей головного мозга. Одной из актуальных проблем в нейроонкологии является возможность определения прогноза заболевания у больных с неверифицированными срединными глиомами ввиду невозможности морфологического подтверждения диагноза и молекулярно-генетического исследования тканей. Кроме того, высокая гетерогенность злокачественного новообразования, свойственная как в пространственном, так и временном смысле, препятствует полноценной оценке биологических свойств опухоли, даже с использованием методов стереотаксической биопсии. Методы радиомики могут помочь врачам дифференцировать степень злокачественности опухоли, выполняя роль «виртуальной биопсии», при этом избежать целого ряда инвазивных процедур. Результаты исследований по радиомике и радиогеномике в нейроонкологии свидетельствуют о несомненной перспективности этих методик, однако, как и в других областях медицины и биологии, нельзя полностью исключить ошибки, и задача команды вовлечённых в неё специалистов — свести эту вероятность к минимуму.

Об авторах

Ольга Сергеевна Регентова

Российский научный центр рентгенорадиологии

Автор, ответственный за переписку.
Email: olgagraudensh@mail.ru
ORCID iD: 0000-0002-0219-7260
SPIN-код: 9657-0598

канд. мед. наук

Россия, Москва

Роман Алексеевич Пархоменко

Российский научный центр рентгенорадиологии; Российский университет дружбы народов имени Патриса Лумумбы

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

д-р мед. наук, профессор

Россия, Москва; Москва

Николай Иванович Сергеев

Российский научный центр рентгенорадиологии

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

д-р мед. наук

Россия, Москва

Владимир Константинович Боженко

Российский научный центр рентгенорадиологии

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

д-р мед. наук, профессор

Россия, Москва

Павел Владимирович Полушкин

Российский научный центр рентгенорадиологии

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

канд. мед. наук

Россия, Москва

Владимир Алексеевич Солодкий

Российский научный центр рентгенорадиологии

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

д-р мед. наук, профессор, академик РАН

Россия, Москва

Список литературы

  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. Vol. 48, N 4. P. 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. Vol. 30, N 9. P. 1234–1248. doi: 10.1016/j.mri.2012.06.010
  3. Литвин А.А., Буркин Д.А., Кропинов А.А., Парамзин Ф.Н. Радиомика и анализ текстур цифровых изображений в онкологии (обзор) // Современные технологии в медицине. 2021. T. 13, № 2. C. 97–104. doi: 10.17691/stm2021.13.2.11
  4. Mayerhoefer M.E., Materka A., Langs G., et al. Introduction to Radiomics // Journal of Nuclear Medicine. 2020. Vol. 61, N 4. P. 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. Vol. 2, Suppl. 4. P. iv3–iv14. doi: 10.1093/noajnl/vdaa148
  6. Чернобривцева В.В., Мисюрин А.С. Новые технологии лучевой диагностики // Практическая онкология. 2022. Т. 23, № 4. С. 203–210. EDN: DUCVOW doi: 10.31917/2304203
  7. Данилов Г.В., Ишанкулов Т.А., Котик К.В., и др. Технологии искусственного интеллекта в клинической нейроонкологии // Вопросы нейрохирургии им. Н.Н. Бурденко. 2022. Т. 86, № 6. С. 127–133. EDN: XPLMSB doi: 10.17116/neiro202286061127
  8. Солодкий В.А., Каприн А.Д., Нуднов Н.В., и др. Возможности искусственного интеллекта в оценке риска рака молочной железы на маммографических изображениях (клинические примеры) // Вестник Российского научного центра рентгенорадиологии. 2023. Т. 23, № 1. С. 24–31. EDN: BWYQPJ
  9. Prokop M. Multislice CT: technical principles and future trends // European Radiology. 2003. Vol. 13, Suppl. 5. P. 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. Vol. 97, N 10. P. 1003–1017. doi: 10.1016/j.diii.2016.06.020
  11. Goo H.W., Goo J.M. Dual-Energy CT: New Horizon in Medical Imaging // Korean Journal of Radiology. 2017. Vol. 18, N 4. P. 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. Vol. 46, N 13. P. 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. Vol. 8, N 5. P. 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. Vol. 10. P. 1055062. doi: 10.3389/fmed.2023.1055062
  15. Szczykutowicz T.P., Bour R.K., Rubert N., et al. CT protocol management: simplifying the process by using a master protocol concept // Journal of Applied Clinical Medical Physics. 2015. Vol. 16, N 4. P. 228–243. doi: 10.1120/jacmp.v16i4.5412
  16. Залог успеха — большие данные в умелых руках. В: Биомолекула [интернет]. 2007–2024. Режим доступа: https://biomolecula.ru/articles/zalog-uspekha-bolshie-dannye-v-umelykh-rukakh Дата обращения: 26.10.2023.
  17. Огнерубов Н.А., Шатов И.А., Шатов А.В. Радиогеномика и радиомика в диагностике злокачественных опухолей: обзор литературы // Вестник Тамбовского университета. Серия: естественные и технические науки. 2017. Т. 22, № 6-2. С. 1453–1460. EDN: YRNTMV doi: 10.20310/1810-0198-2017-22-6-1453-1460
  18. Никульшина Я.О., Редькин А.Н. Радиомика и радиогеномика в диагностике, клиническом прогнозе и оценке ответа на лечение при онкологических заболеваниях (Обзор литературы) // Диагностическая и интервенционная радиология. 2022. T. 16, № 3. C. 70–78. 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. Vol. 17, N 2. P. 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. Vol. 23, N 1. P. 71. doi: 10.1186/s12880-023-01034-1
  21. Wang Y., Jin Z.-Y. Radiomics approaches in gastric cancer // Chinese Medical Journal. 2019. Vol. 132, N 16. P. 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. Vol. 11. P. 777760. doi: 10.3389/fonc.2021.777760
  23. Gong X-Q., Tao Y-Y., Wu Y., et al. Progress of MRI Radiomics in Hepatocellular Carcinoma // Frontiers in Oncology. 2021. Vol. 11. P. 698373 doi: 10.3389/fonc.2021.698373
  24. Miranda J., Horvat N., Fonseca G.M., et al. Current status and future perspectives of radiomics in hepatocellular carcinoma // World Journal of Gastroenterology. 2023. Vol. 29, N 1. P. 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. Vol. 14. P. 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. Vol. 15, N 15. P. 3839. doi: 10.3390/cancers15153839
  27. Логинова М.В., Павлов В.Н., Гилязова И.Р. Радиомика и радиогеномика рака предстательной железы // Якутский медицинский журнал. 2021. № 1. С. 101–104. EDN: QPZIWO doi: 10.25789/YMJ.2021.73.27
  28. Говорухина В.Г., Семенов С.С., Гележе П.Б., и др. Роль маммографии в радиомике рака молочной железы // Digital Diagnostics. 2021. Т. 2, № 2. С. 185–199. EDN: RFSJYH doi: 10.17816/DD70479
  29. Сергеев Н.И., Котляров П.М., Солодкий В.А. Дифференциальная диагностика очаговых изменений позвоночника с использованием стандартного и радиомического анализа: ретроспективное исследование // Вестник травматологии и ортопедии им. Н.Н. Приорова. 2023. Т. 30, № 1. С. 77–86. EDN: ZVWOVA doi: 10.17816/vto322858
  30. Штайнгауэр В., Сергеев Н.И. Радиомика при раке молочной железы: использование глубокого машинного анализа МРТ-изображений метастатического поражения позвоночника // Современные технологии в медицине. 2022. Т. 14, № 2. С. 16–25. EDN: XFVITL doi: 10.17691/stm2022.14.2.02
  31. Данилов Г.В., Калаева Д.Б., Вихрова Н.Б., и др. Технологии радиомики в определении индекса накопления радиофармпрепарата в глиобластоме по данным ПЭТ/КТ с 11с-метионином // Современные технологии в медицине. 2023. Т. 15, № 1. С. 5–13. EDN: XDCHTK doi: 10.17691/stm2023.15.1.01
  32. 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. EDN: HRDUJG doi: 10.33266/1024-6177-2022-67-4-49-56
  33. Маслов Н.Е., Труфанов Г.Е., Ефимцев А.Ю. Некоторые аспекты радиомики и радиогеномики глиобластом: что лежит за пределами изображения? // Трансляционная медицина. 2022. Т. 9, № 2. С. 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. Vol. 11. P. 665891. doi: 10.3389/fonc.2021.665891
  35. Соловьева С.Н., Шершевер А.С., Дайнеко Е.А., и др. Дифференциация рецидивирующей глиальной опухоли и лучевого некроза с помощью признаков радиомики // Российский нейрохирургический журнал имени профессора А.Л. Поленова. 2023. Т. 15, № 3. С. 128–133. 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. Vol. 28, N 3. P. 318–327. doi: 10.1016/j.acra.2020.02.012
  37. Quon J.L., Bala W., Chen L.C., et al. Deep Learning for Pediatric Posterior Fossa Tumor Detection and Classification: A Multi-Institutional Study // American Journal of Neuroradiology. 2020. Vol. 41, N 9. P. 1718–1725. doi: 10.3174/ajnr.A6704
  38. Tam L.T., Yeom K.W., Wright J.N., et al. MRI-based radiomics for prognosis of pediatric diffuse intrinsic pontine glioma: an international study // Neuro-Oncology Advances. 2021. Vol. 3, N 1. P. 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. Vol. 12. P. 796583 doi: 10.3389/fonc.2022.796583
  40. Shboul Z.A., Chen J., Iftekharuddin K.M. Prediction of Molecular Mutations in Diffuse Low-Grade Gliomas using MR Imaging Features // Scientific Reports. 2020. Vol. 10, N 1. P. 3711. doi: 10.1038/s41598-020-60550-0
  41. Wagner M.W., 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. Vol. 42, N 4. P. 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. Vol. 35, N 25. P. 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. Vol. 10. P. 1071447. doi: 10.3389/fmed.2023.1071447
  44. Данилов Г.В., Пронин И.Н., Королев В.В., и др. Первые результаты неинвазивного типирования глиом головного мозга по данным магнитно-резонансной томографии с помощью машинного обучения // Вопросы нейрохирургии им. Н.Н. Бурденко. 2022. Т. 86, № 6. С. 36–42. EDN: JDQJJB doi: 10.17116/neiro20228606136
  45. Kocher M., Ruge M.I., Galldiks N., Lohmann P. Applications of radiomics and machine learning for radiotherapy of malignant brain tumors // Strahlentherapie Und Onkologie. 2020. Vol. 196, N 10. P. 856–867. doi: 10.1007/s00066-020-01626-8
  46. Кирпичев Ю.С., Семенов С.С., Голуб С.В., Андрейченко А.Е. Радиомика при планировании лучевой терапии // Медицинская физика. 2022. № 1. С. 36–37. EDN: GPDLZI
  47. Zhuge Y., Krauze A.V., Ning H., et al. Brain tumor segmentation using holistically nested neural networks in MRI images // Medical Physics. 2017. Vol. 44, N 10. P. 5234–5243. doi: 10.1002/mp.12481

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML

© Эко-вектор, 2024

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

Согласие на обработку персональных данных

 

Используя сайт https://journals.rcsi.science, я (далее – «Пользователь» или «Субъект персональных данных») даю согласие на обработку персональных данных на этом сайте (текст Согласия) и на обработку персональных данных с помощью сервиса «Яндекс.Метрика» (текст Согласия).