Роль системы контроля качества лучевой диагностики онкологических заболеваний в радиомике

Обложка

Цитировать

Полный текст

Аннотация

Современные методы медицинской визуализации дают возможность качественно и количественно оценить как ткани опухоли, так и пространство вокруг неё. Прогресс в информатике, особенно с участием методов машинного обучения в анализе медицинских изображений, позволяет преобразовывать любые радиологические исследования в поддающиеся анализу наборы данных. Среди этих наборов данных затем можно искать статистически значимые корреляции с клиническими событиями, чтобы впоследствии оценивать их прогностическую значимость и способность предсказывать тот или иной клинический исход. Эта концепция впервые была описана в 2012 г. и получила название «радиомика». Особую значимость она представляет для онкологии, поскольку известно, что каждый тип опухоли может подразделяться на множество различных молекулярно-генетических подтипов, и просто визуальной характеристики сейчас уже недостаточно. А радиомика при абсолютной неинвазивности способна обеспечить врача-радиолога информацией, которую порой может дать только гистологическое исследование биопсийного материала. Однако, как и в любой методике, основанной на использовании больших данных, здесь остро встаёт вопрос о качестве исходной информации данных, потому как это прямым образом может повлиять на исход анализа и дать неверную диагностическую информацию.

В литературном обзоре мы анализируем возможные подходы к обеспечению качества исследований на всех этапах ― от технического контроля за состоянием диагностического оборудования до извлечения маркеров визуализации в онкологии и вычисления их корреляции с клиническими данными.

Об авторах

Анна Николаевна Хоружая

Научно-практический клинический центр диагностики и телемедицинских технологий Департамента здравоохранения города Москвы

Автор, ответственный за переписку.
Email: a.khoruzhaya@npcmr.ru
ORCID iD: 0000-0003-4857-5404
SPIN-код: 7948-6427

Младший научный сотрудник, отдел инновационных технологий

Россия, 109029, Москва, Средняя Калитниковская ул., д. 28, стр. 1

Екатерина Сергеевна Ахмад

Научно-практический клинический центр диагностики и телемедицинских технологий Департамента здравоохранения города Москвы

Email: e.ahkmad@npcmr.ru
ORCID iD: 0000-0002-8235-9361
SPIN-код: 5891-4384
Россия, 109029, Москва, Средняя Калитниковская ул., д. 28, стр. 1

Дмитрий Сергеевич Семенов

Научно-практический клинический центр диагностики и телемедицинских технологий Департамента здравоохранения города Москвы

Email: d.semenov@npcmr.ru
ORCID iD: 0000-0002-4293-2514
SPIN-код: 2278-7290
Россия, 109029, Москва, Средняя Калитниковская ул., д. 28, стр. 1

Список литературы

  1. Kumar V., Gu Y., Basu S., et al. Radiomics: The process and the challenges//Magn Reson Imaging. 2012. Vol. 30, N 9. Р. 1234–1248. doi: 10.1016/j.mri.2012.06.010
  2. Papanikolaou N., Matos C., Koh D.M. How to develop a meaningful radiomic signature for clinical use in oncologic patients//Cancer Imaging. 2020. Vol. 20, N 1. Р. 33. doi: 10.1186/s40644-020-00311-4
  3. Aerts H.J., Grossmann P., Tan Y., et al. Defining a radiomic response phenotype: A pilot study using targeted therapy in NSCLC//Sci Rep. 2016. Vol. 6. Р. 33860. doi: 10.1038/srep33860
  4. Coroller T.P., Grossmann P., Hou Y., et al. CT-based radiomic signature predicts distant metastasis in lung adenocarcinoma//Radiother Oncol. 2015. Vol. 114, N 3. Р. 345–350. doi: 10.1016/j.radonc.2015.02.015
  5. Lopez C.J., Nagornaya N., Parra N.A., et al. Association of radiomics and metabolic tumor volumes in radiation treatment of glioblastoma multiforme//Int J Radiat Oncol Biol Phys. 2017. Vol. 97, N 3. Р. 586–595. doi: 10.1016/j.ijrobp.2016.11.011
  6. De Souza N.M., Achten E., Alberich-Bayarri A., et al. Validated imaging biomarkers as decision-making tools in clinical trials and routine practice: current status and recommendations from the EIBALL* subcommittee of the European Society of Radiology (ESR)//Insights Imaging. 2019. Vol. 10, N 1. Р. 87. doi: 10.1186/s13244-019-0764-0
  7. Jones E.F., Buatti J.M., Shu H.K., et al. Clinical trial design and development work group within the quantitative imaging network//Tomography. 2020. Vol. 6, N 2. P. 60–64. doi: 10.18383/j.tom.2019.00022
  8. European Society of Radiology (ESR). ESR Statement on the validation of imaging biomarkers//Insights Imaging. 2020. Vol. 11, N 1. Р. 76. doi: 10.1186/s13244-020-00872-9
  9. Grimm L.J., Zhang J., Mazurowski M.A. Computational approach to radiogenomics of breast cancer: Luminal A and luminal B molecular subtypes are associated with imaging features on routine breast MRI extracted using computer vision algorithms//J Magn Reson Imaging. 2015. Vol. 42, N 4. Р. 902–907. doi: 10.1002/jmri.24879
  10. Nie K., Shi L., Chen Q., et al. Rectal cancer: Assessment of neoadjuvant chemoradiation outcome based on radiomics of multi-parametric MRI//Clin Cancer Res. 2016. Vol. 22, N 21. Р. 5256–5264. doi: 10.1158/1078-0432.CCR-15-2997
  11. Kim H., Park C.M., Lee M., et al. Impact of reconstruction algorithms on ct radiomic features of pulmonary tumors: analysis of intra- and inter-reader variability and inter-reconstruction algorithm variability//PLoS One. 2016. Vol. 11, N 10. Р. e0164924. doi: 10.1371/journal.pone.0164924
  12. Ohri N., Duan F., Snyder B.S., et al. Pretreatment 18F-FDG PET textural features in locally advanced non-small cell lung cancer: Secondary analysis of ACRIN 6668/RTOG 0235//J Nucl Med. 2016. Vol. 57, N 6. Р. 842–848. doi: 10.2967/jnumed.115.166934
  13. Zhang B., Tian J., Dong D., et al. Radiomics features of multiparametric MRI as novel prognostic factors in advanced nasopharyngeal carcinoma//Clin Cancer Res. 2017. Vol. 23, N 15. Р. 4259–4269. doi: 10.1158/1078-0432.CCR-16-2910
  14. Nakatsugawa M., Cheng Z., Goatman K.A., et al. Radiomic analysis of salivary glands and its role for predicting xerostomia in irradiated head and neck cancer patients//Int J Radiat Oncol Biol Phys. 2016. Vol. 96, N 2, Suppl. Р. S217. doi: 10.1016/j.ijrobp.2016.06.539
  15. Shafiee M.J., Chung A.G., Khalvati F., et al. Discovery radiomics via evolutionary deep radiomic sequencer discovery for pathologically proven lung cancer detection//J Med Imaging. 2016. Vol. 4, N 4. Р. 041305. doi: 10.1117/1.JMI.4.4.041305
  16. Echegaray S., Nair V., Kadoch M., et al. A rapid segmentation-insensitive “Digital Biopsy” method for radiomic feature extraction: method and pilot study using ct images of non-small cell lung cancer//Tomography. 2016. Vol. 2, N 4. Р. 283–294. doi: 10.18383/j.tom.2016.00163
  17. Li H., Galperin-Aizenberg M., Pryma D., et al. Unsupervised machine learning of radiomic features for predicting treatment response and overall survival of early stage non-small cell lung cancer patients treated with stereotactic body radiation therapy//Radiother Oncol. 2018. Vol. 129, N 2. Р. 218–226. doi: 10.1016/j.radonc.2018.06.025
  18. Tajbakhsh N., Shin J.Y., Gurudu S.R., et al. Convolutional neural networks for medical image analysis: full training or fine tuning?//IEEE Transactions on Medical Imaging. 2016. Vol. 35, N 5. P. 1299–1312. doi: 10.1109/TMI.2016.2535302
  19. Elguindi S., Zelefsky M.J., Jiang J., et al. Deep learning-based auto-segmentation of targets and organs-at-risk for magnetic resonance imaging only planning of prostate radiotherapy//Phys Imaging Radiat Oncol. 2019. Vol. 12. Р. 80–86. doi: 10.1016/j.phro.2019.11.006
  20. Gillies R.J., Kinahan P.E., Hricak H. Radiomics: images are more than pictures, they are data//Radiology. 2016. Vol. 278, N 2. Р. 563–577. doi: 10.1148/radiol.2015151169
  21. Buckler A.J., Bresolin L., Dunnick N.R., et al. Quantitative imaging test approval and biomarker qualification: Interrelated but distinct activities//Radiology. 2011. Vol. 259, N 3. P. 875–884. doi: 10.1148/radiol.10100800
  22. Alobaidli S., McQuaid S., South C., et al. The role of texture analysis in imaging as an outcome predictor and potential tool in radiotherapy treatment planning//Br J Radiol. 2014. Vol. 87, N 1042. P. 20140369. doi: 10.1259/bjr.20140369
  23. Li H., Giger M.L., Lan L., et al. Comparative analysis of image-based phenotypes of mammographic density and parenchymal patterns in distinguishing between BRCA1/2 cases, unilateral cancer cases, and controls//J Med Imaging. 2014. Vol. 1, N 3. P. 031009. doi: 10.1117/1.JMI.1.3.031009
  24. Goh V., Ganeshan B., Nathan P., et al. Assessment of response to tyrosine kinase inhibitors in metastatic renal cell cancer: CT texture as a predictive biomarker//Radiology. 2011. Vol. 261, N 1. Р. 165–171. doi: 10.1148/radiol.11110264
  25. Yip C., Davnall F., Kozarski R., et al. Assessment of changes in tumor heterogeneity following neoadjuvant chemotherapy in primary esophageal cancer//Dis Esophagus. 2015. Vol. 28, N 2. Р. 172–179. doi: 10.1111/dote.12170
  26. Park J.E., Kim H.S. Radiomics as a quantitative imaging biomarker: practical considerations and the current standpoint in neuro-oncologic studies//Nucl Med Mol Imaging. 2018. Vol. 52, N 2. P. 99–108. doi: 10.1007/s13139-017-0512-7
  27. Сергунова К.А., Ахмад Е.С., Семенов Д.С., и др. Участие медицинских физиков в обеспечении контроля качества оборудования и безопасности пациентов при магнитно-резонансной томографии//Медицинская физика. 2020. № 3. С. 78–85.
  28. Clements J.B., Baird C.T., de Boer S.F., et al. AAPM medical physics practice guideline 10.a.: Scope of practice for clinical medical physics//J Appl Clin Med Phys. 2018. Vol. 19, N 6. P. 11–25. doi: 10.1002/acm2.12469
  29. Shukla-Dave A., Obuchowski N.A., Chenevert T.L., et al. Quantitative imaging biomarkers alliance (QIBA) recommendations for improved precision of DWI and DCE-MRI derived biomarkers in multicenter oncology trials//J Magn Reson Imaging. 2019. Vol. 49, N 7. Р. e101–e121. doi: 10.1002/jmri.26518
  30. Russek S.E., Boss M., Jackson E.F., et al. Characterization of NIST/ISMRM MRI System Phantom//Proc Intl Soc Mag Reson Med. 2012. Vol. 20. P. 2456.
  31. Kuo M.D., Jamshidi N. Behind the numbers: Decoding molecular phenotypes with radiogenomics –guiding principles and technical considerations//Radiology. 2014. Vol. 270, N 2. Р. 320–325. doi: 10.1148/radiol.13132195
  32. Narang S., Lehrer M., Yang D., et al. Radiomics in glioblastoma: current status, challenges and potential opportunities//Transl Cancer Res. 2016. Vol. 5, N 4. Р. 383–397. doi: 10.21037/tcr.2016.06.31
  33. O’Connor J.P., Aboagye E.O., Adams J.E., et al. Imaging biomarker roadmap for cancer studies//Nat Rev Clin Oncol. 2017. Vol. 14, N 3. Р. 169–186. doi: 10.1038/nrclinonc.2016.162
  34. Buizza G., Toma-Dasu I., Lazzeroni M., et al. Early tumor response prediction for lung cancer patients using novel longitudinal pattern features from sequential PET/CT image scans//Phys Med. 2018. Vol. 54. Р. 21–29. doi: 10.1016/j.ejmp.2018.09.003
  35. Raunig D.L., McShane L.M., Pennello G., et al. Quantitative imaging biomarkers: a review of statistical methods for technical performance assessment//Stat Methods Med Res. 2015. Vol. 24, N 1. Р. 27–67. doi: 10.1177/0962280214537344
  36. Obuchowski N.A., Reeves A.P., Huang E.P., et al. Quantitative imaging biomarkers: a review of statistical methods for computer algorithm comparisons//Stat Methods Med Res. 2015. Vol. 24, N 1. Р. 68–106. doi: 10.1177/0962280214537390
  37. Elguindi S., Zelefsky M.J., Jiang J., et al. Deep learning-based auto-segmentation of targets and organs-at-risk for magnetic resonance imaging only planning of prostate radiotherapy//Phys Imaging Radiat Oncol. 2019. Vol. 12. Р. 80–86. doi: 10.1016/j.phro.2019.11.006
  38. Морозов С.П., Владзимирский А.В., Кляшторный В.Г., и др. Клинические испытания программного обеспечения на основе интеллектуальных технологий (лучевая диагностика). Методические рекомендации. Москва, 2019. 33 с.
  39. Sullivan D.C., Obuchowski N.A., Kessler L.G., et al. Metrology standards for quantitative imaging biomarkers//Radiology. 2015. Vol. 277, N 3. Р. 813–825. doi: 10.1148/radiol.2015142202
  40. Shur J., Blackledge M., D’Arcy J., et al. MRI texture feature repeatability and image acquisition factor robustness, a phantom study and in silico study//Eur Radiol Exp. 2021. Vol. 5, N 1. Р. 2. doi: 10.1186/s41747-020-00199-6
  41. Bane O., Hectors S.J., Wagner M., et al. Accuracy, repeatability, and interplatform reproducibility of T1 quantification methods used for DCE-MRI: Results from a multicenter phantom study//Magn Reson Med. 2018. Vol. 79, N 5. Р. 2564–2575. doi: 10.1002/mrm.26903
  42. He Y., Liu Y., Dyer B.A., et al. 3D-printed breast phantom for multi-purpose and multi-modality imaging//Quant Imaging Med Surg. 2019. Vol. 9, N 1. Р. 63–74. doi: 10.21037/qims.2019.01.05
  43. Scheuermann J.S., Reddin J.S., Opanowski A., et al. Qualification of national cancer institute-designated cancer centers for quantitative PET/CT imaging in clinical trials//J Nucl Med. 2017. Vol. 58, N 7. Р. 1065–1071. doi: 10.2967/jnumed.116.186759
  44. Obuchowski N.A., Barnhart H.X., Buckler A.J., et al. Statistical issues in the comparison of quantitative imaging biomarker algorithms using pulmonary nodule volume as an example//Stat Methods Med Res. 2015. Vol. 24, N 1. Р. 107–140. doi: 10.1177/0962280214537392
  45. Kessler L.G., Barnhart H.X., Buckler A.J., et al. The emerging science of quantitative imaging biomarkers terminology and definitions for scientific studies and regulatory submissions//Stat Methods Med Res. 2015. Vol. 24, N 1. Р. 9–26. doi: 10.1177/0962280214537333
  46. Napel S., Mu W., Jardim-Perassi B.V., et al. Quantitative imaging of cancer in the postgenomic era: Radio(geno)mics, deep learning, and habitats//Cancer. 2018. Vol. 124, N 24. Р. 4633–4649. doi: 10.1002/cncr.31630
  47. Рожкова Н.И., Боженко В.К., Бурдина И.И., и др. Радиогеномика рака молочной железы ― новый вектор междисциплинарной интеграции лучевых и молекулярно-биологических технологий (обзор литературы)//Медицинский алфавит. 2020. № 20. С. 21–29. doi: 10.33667/2078-5631-2020-20-21-29
  48. Antropova N., Huynh B.Q., Giger M.L. A deep feature fusion methodology for breast cancer diagnosis demonstrated on three imaging modality datasets//Med Phys. 2017. Vol. 44, N 10. Р. 5162–5171. doi: 10.1002/mp.12453
  49. Antunovic L., Gallivanone F., Sollini M., et al. [18F]FDG PET/CT features for the molecular characterization of primary breast tumors//Eur J Nucl Med Mol Imaging. 2017. Vol. 44, N 12. Р. 1945–1954. doi: 10.1007/s00259-017-3770-9
  50. Ha S., Park S., Bang J.I., et al. Metabolic radiomics for pretreatment 18F-FDG PET/CT to characterize locally advanced breast cancer: histopathologic characteristics, response to neoadjuvant chemotherapy, and prognosis//Sci Rep. 2017. Vol. 7, N 1. Р. 1556. doi: 10.1038/s41598-017-01524-7
  51. Guo W., Li H., Zhu Y., et al. Prediction of clinical phenotypes in invasive breast carcinomas from the integration of radiomics and genomics data//J Med Imaging (Bellingham). 2015. Vol. 2, N 4. Р. 041007. doi: 10.1117/1.JMI.2.4.041007
  52. Saha A., Harowicz M.R., Grimm L.J., et al. A machine learning approach to radiogenomics of breast cancer: a study of 922 subjects and 529 DCE-MRI features//Br J Cancer. 2018. Vol. 119, N 4. Р. 508–516. doi: 10.1038/s41416-018-0185-8
  53. Dong Y., Feng Q., Yang W., et al. Preoperative prediction of sentinel lymph node metastasis in breast cancer based on radiomics of T2-weighted fat-suppression and diffusion-weighted MRI//Eur Radiol. 2018. Vol. 28, N 2. Р. 582–591. doi: 10.1007/s00330-017-5005-7
  54. Chan H.M., van der Velden B.H., Loo C.E., Gilhuijs K.G. Eigentumors for prediction of treatment failure in patients with early-stage breast cancer using dynamic contrast-enhanced MRI: a feasibility study//Phys Med Biol. 2017. Vol. 62, N 16. Р. 6467–6485. doi: 10.1088/1361-6560/aa7dc5
  55. Braman N.M., Etesami M., Prasanna P., et al. Intratumoral and peritumoral radiomics for the pretreatment prediction of pathological complete response to neoadjuvant chemotherapy based on breast DCE-MRI//Breast Cancer Res. 2017. Vol. 19, N 1. Р. 57. doi: 10.1186/s13058-017-0846-1
  56. Chamming’s F., Ueno Y., Ferré R., et al. Features from computerized texture analysis of breast cancers at pretreatment MR imaging are associated with response to neoadjuvant chemotherapy//Radiology. 2018. Vol. 286, N 2. Р. 412–420. doi: 10.1148/radiol.2017170143
  57. Partridge S.C., Zhang Z., Newitt D.C., et al. Diffusion-weighted MRI findings predict pathologic response in neoadjuvant treatment of breast cancer: the ACRIN 6698 multicenter trial//Radiology. 2018. Vol. 289, N 3. Р. 618–627. doi: 10.1148/radiol.2018180273
  58. Park H., Lim Y., Ko E.S., et al. Radiomics signature on magnetic resonance imaging: association with disease-free survival in patients with invasive breast cancer//Clin Cancer Res. 2018. Vol. 24, N 19. Р. 4705–4714. doi: 10.1158/1078-0432.CCR-17-3783
  59. Nasrullah N., Sang J., Alam M.S., et al. Automated lung nodule detection and classification using deep learning combined with multiple strategies//Sensors (Basel). 2019. Vol. 19, N 17. Р. 3722. doi: 10.3390/s19173722
  60. Carter B.W., Godoy M.C., Erasmus J.J. Predicting malignant nodules from screening CTs//J Thorac Oncol. 2016. Vol. 11, N 12. Р. 2045–2047. doi: 10.1016/j.jtho.2016.09.117
  61. Aerts H.J., Velazquez E.R., Leijenaar R.T., et al. Decoding tumour phenotype by noninvasive imaging using a quantitative radiomics approach//Nat Commun. 2014. Vol. 5. Р. 4006. doi: 10.1038/ncomms5006
  62. Zhou H., Dong D., Chen B., et al. Diagnosis of distant metastasis of lung cancer: based on clinical and radiomic features//Transl Oncol. 2018. Vol. 11, N 1. Р. 31–36. doi: 10.1016/j.tranon.2017.10.010
  63. Liu Y., Kim J., Balagurunathan Y., et al. Radiomic features are associated with EGFR mutation status in lung adenocarcinomas//Clin Lung Cancer. 2016. Vol. 17, N 5. Р. 441–448.e6. doi: 10.1016/j.cllc.2016.02.001
  64. Fave X., Zhang L., Yang J., et al. Delta-radiomics features for the prediction of patient outcomes in non-small cell lung cancer//Sci Rep. 2017. Vol. 7, N 1. Р. 588. doi: 10.1038/s41598-017-00665-z
  65. Coroller T.P, Agrawal V., Narayan V., et al. Radiomic phenotype features predict pathological response in non-small cell lung cancer//Radiother Oncol. 2016. Vol. 119, N 3. Р. 480–486. doi: 10.1016/j.radonc.2016.04.004
  66. Kickingereder P., Neuberger U., Bonekamp D., et al. Radiomic subtyping improves disease stratification beyond key molecular, clinical, and standard imaging characteristics in patients with glioblastoma//Neuro Oncol. 2018. Vol. 20, N 6. Р. 848–857. doi: 10.1093/neuonc/nox188
  67. Pérez-Beteta J., Molina-García D., Ortiz-Alhambra J.A., et al. Tumor surface regularity at MR imaging predicts survival and response to surgery in patients with glioblastoma//Radiology. 2018. Vol. 288, N 1. Р. 218–225. doi: 10.1148/radiol.2018171051
  68. Zhou Z., Chen L., Sher D., et al. Predicting lymph node metastasis in head and neck cancer by combining many-objective radiomics and 3-dimensioal convolutional neural network through evidential reasoning//Annu Int Conf IEEE Eng Med Biol Soc. 2018. Vol. 2018. Р. 1–4. doi: 10.1109/EMBC.2018.8513070
  69. Wang G., He L., Yuan C., et al. Pretreatment MR imaging radiomics signatures for response prediction to induction chemotherapy in patients with nasopharyngeal carcinoma//Eur J Radiol. 2018. Vol. 98. Р. 100–106. doi: 10.1016/j.ejrad.2017.11.007
  70. Chen X., Oshima K., Schott D., et al. Assessment of treatment response during chemoradiation therapy for pancreatic cancer based on quantitative radiomic analysis of daily CTs: An exploratory study//PLoS One. 2017. Vol. 12. Р. e0178961. doi: 10.1371/journal.pone.0178961
  71. Huang Y.Q., Liang C.H., He L., et al. Development and validation of a radiomics nomogram for preoperative prediction of lymph node metastasis in colorectal cancer//J Clin Oncol. 2016. Vol. 34, N 18. Р. 2157–2164. doi: 10.1200/JCO.2015.65.9128
  72. Lin Y.C., Lin G., Hong J.H., et al. Diffusion radiomics analysis of intratumoral heterogeneity in a murine prostate cancer model following radiotherapy: Pixelwise correlation with histology//J Magn Reson Imaging. 2017. Vol. 46, N 2. Р. 483–489. doi: 10.1002/jmri.25583
  73. Chaddad A., Kucharczyk M.J., Niazi T. Multimodal radiomic features for the predicting gleason score of prostate cancer//Cancers (Basel). 2018. Vol. 10, N 8. Р. 249. doi: 10.3390/cancers10080249
  74. 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. doi: 10.20310/1810-0198-2017-22-6-1453-1460.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать
2. Рис. 1. Схема радиомического анализа изображений лучевой диагностики с указанием роли системы контроля качества.

Скачать (201KB)
Метаданные
3. Рис. 2. Обоснование внедрения системы контроля качества в радиомике.

Скачать (373KB)
Метаданные

© Хоружая А.Н., Ахмад Е.С., Семенов Д.С., 2021

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