Нуднов Николай Васильевич — заместитель директора по научной работе, заведующий научно-исследовательским отделом комплексной диагностики и радиотерапии; профессор кафедры рентгенологии и радиологии; профессор кафедры онкологии и рентгенорадиологии
117485, Москва, ул. Профсоюзная, д. 86, стр. 1
125993, Москва, ул. Баррикадная, д. 2/1, стр. 1
117198, Москва, ул. Миклухо-Маклая, д. 6
Nikolai V. Nudnov — deputy director for research, head of the research department of complex diagnostics and radiotherapy; professor of the department of roentgenology and radiology; professor of the department of oncology and radiology
117997, Moscow, Profsoyuznaya str., 86
125993, Moscow, Barrikadnaya st., 2/1, bld.1
117198, Moscow, Miklukho-Maklaya str., 6
Бит-Юнан Елизавета Владимировна — клинический ординатор по специальности «рентгенология»
117485, Москва, ул. Профсоюзная, д. 86, стр. 1
Elizaveta V. Bit-Yunan — clinical resident in «roentgenology»
117997, Moscow, Profsoyuznaya str., 86
Шахвалиева Элина Саид-Аминовна — клинический ординатор по специальности «рентгенология»
117485, Москва, ул. Профсоюзная, д. 86, стр. 1
Elina S.-A. Shakhvalieva — clinical resident in «roentgenology»
117997, Moscow, Profsoyuznaya str., 86
Борисов Александр Александрович — клинический ординатор по специальности «радиология»
117485, Москва, ул. Профсоюзная, д. 86, стр. 1
Aleksandеr A. Borisov — clinical resident in «radiology»
117997, Moscow, Profsoyuznaya str., 86
Султанова Пери Назимовна — клинический ординатор по специальности «рентгенология»
117485, Москва, ул. Профсоюзная, д. 86, стр. 1
Peri N. Sultanova — clinical resident in «roentgenology»
117997, Moscow, Profsoyuznaya str., 86
Иванников Михаил Евгеньевич — клинический ординатор по специальности «рентгенология»
117485, Москва, ул. Профсоюзная, д. 86, стр. 1
Mikhail E. Ivannikov — clinical resident in «roentgenology»
117997, Moscow, Profsoyuznaya str., 86
Карелидзе Давид Георгиевич — клинический ординатор по специальности «рентгенология»
117485, Москва, ул. Профсоюзная, д. 86, стр. 1
David G. Karelidze — clinical resident in «roentgenology»
117997, Moscow, Profsoyuznaya str., 86
Бочкова Полина Игоревна — клинический ординатор по специальности «рентгенология»
117485, Москва, ул. Профсоюзная, д. 86, стр. 1
Polina I. Bochkova — clinical resident in «roentgenology»
117997, Moscow, Profsoyuznaya str., 86
ВВЕДЕНИЕ: Глиобластомы и солитарные метастазы являются наиболее распространенными злокачественными новообразованиями головного мозга, характеризуются высокой смертностью и тяжелым инвалидизирующим действием на пациентов. Методом выбора при нейровизуализации глиобластом и метастазов является магнитно-резонансная томография с контрастным усилением. Однако дифференцировать их часто бывает сложно из-за близких рентгенологических характеристик на МРТ. Радиомика и машинное обучение могут дифференцировать первичное происхождение метастазов в головном мозге, идентифицировать патологические типы опухолей неинвазивно на диагностическом этапе.
ЦЕЛЬ: Применение текстурного анализа для дифференциальной диагностики глиобластом и метастазов различной этиологии.
МАТЕРИАЛЫ И МЕТОДЫ: В исследовании использовались 169 МРТ-исследований из базы данных РНЦЦР, 11 из которых с визуализацией морфологически верифицированных глиобластом головного мозга, 55 метастазов рака легкого и 103 метастаза рака молочной железы. Сегментация областей интереса проводилась полуавтоматически в бесплатном программном обеспечении 3D-Slicer с функцией выгрузки показателей радиомики из областей интереса. Для каждого образования было рассчитано по 107 радиомических показателей из Т1- и Т2-последовательностей. Статистика: Расчет статистических показателей производился в компьютерной программе для статистической обработки данных IBM SPSS Statistics 23. При статистической обработке данных для сокращения признакового пространства использовались статистический критерий Манна–Уитни для количественных показателей и корреляционный анализ с применением критерия Пирсона. Проведено сокращение признакового пространства и выбор предикторов мерой feature_importances на основе лесов решений. Построение моделей машинного обучения производилось на языке программирования Python 3.10 c использованием специализированных библиотек.
РЕЗУЛЬТАТЫ: Для модели, основанной на радиомических признаках, извлеченных с Т1-последовательности, наиболее эффективный результат показал случайный лес — ROC-AUC=0,815 [0,749; 0,874]. Для модели, основанной на радиомических признаках, извлеченных с Т2-последовательности, наиболее эффективный результат показал случайный лес — ROC-AUC=0,817 [0,743; 0,873]. Для комплексной модели, основанной на радиомических признаках, извлеченных с Т1- и Т2-последовательностей, наиболее эффективный результат показал случайный лес — ROC-AUC=0,855 [0,789; 0,906].
ОБСУЖДЕНИЕ: Полученные нами классификационные модели и их метрики свидетельствуют о том, что радиомические признаки, извлеченные из Т2-взвешенных МР-изображений, позволяют с более высокой чувствительностью дифференцировать метастазы рака молочной железы от метастазов рака легкого, чем признаки, извлеченные из Т1-взвешенных МР-изображений. Также нами выявлено большое количество значимо отличающихся показателей при построении моделей для дифференциации глиобластом от метастазов, что демонстрирует перспективность данного направления. Планируется продолжить исследование с расширением выборок. Наши выводы также подтверждаются результатами исследований зарубежных коллег.
ЗАКЛЮЧЕНИЕ: Полученные нами модели обладают высокой точностью и чувствительностью к дифференциации метастазов различной этиологии и демонстрируют значительный потенциал в продолжении данного исследования с расширением выборок.
INTRODUCTION: Glioblastoma and solitary metastases are the most common malignant neoplasms of the brain, characterized by high mortality and severe disability in patients. The method of choice for neuroimaging glioblastomas and metastases is contrast-enhanced magnetic resonance imaging. However, differentiation between the two is often difficult due to similar radiological features on MRI. Radiomics and machine learning can differentiate the primary origin of brain metastases and identify pathological tumor types noninvasively.
OBJECTIVE: Application of texture analysis for differential diagnosis of glioblastomas and metastases of different etiologies.
MATERIALS AND METHODS: 169 MRI studies from the RSCRR database were used in the study, 11 of which visualized morphologically differentiated glioblastoma of the brain, 55 lung cancer metastases and 103 breast cancer metastases. Segmentation of the regions of interest was performed semi-automatically in the free 3D-Slicer software with the ability to upload radiomic features from the regions of interest. For each lesion, 107 radiomic features were calculated from T1 and T2 sequences. Statistics: The calculation of statistical indicators was performed in a computer program for statistical data processing IBMSPSS Statistics 23. In statistical data processing, the Mann-Whitney statistical criterion for quantitative indicators and correlation analysis using the Pearson criterion were used to reduce the feature space. The reduction of the feature space and the selection of predictors by the feature_importances measure based on decision forests were carried out. Machine learning models were built in Python 3.10 using specialized libraries.
RESULTS: For the model based on radiomic features extracted from T1 sequence, random forest showed the most efficient result, ROC-AUC=0.815 [0.749; 0.874]. For the model based on the radiomic features extracted from the T2 sequence, random forest showed the most effective result, ROC-AUC=0.817 [0.743; 0.873]. For the complex model based on radiomic features extracted from T1 and T2 sequences, random forest showed the most efficient result, ROC-AUC=0.855 [0.789; 0.906].
DISCUSSION: The classification models and their metrics obtained by us indicate that the radiomic features extracted from T2 weighted MR images make it possible to differentiate breast cancer metastases from lung cancer metastases with higher sensitivity than the features extracted from T1 weighted MR images. We also identified a large number of significantly different indicators in the construction of models for the differentiation of glioblastomas from metastases, which demonstrates the prospects of this direction. It is planned to continue the study with the expansion of samples. Our conclusions are also confirmed by the research results of our foreign colleagues.
CONCLUSION: The models we have obtained are highly accurate and sensitive to the differentiation of metastases of various etiologies and demonstrate significant potential in continuing this study with an expansion of samples.
The authors declare that there are no conflicts of interest present.