Разработка методики дифференциальной диагностики рецидивирующей глиальной опухоли и лучевого некроза по МРТ-изображениям с использованием системы поддержки принятия врачебных решений

ВВЕДЕНИЕ: Дифференциальная диагностика между рецидивом глиомы и лучевым некрозом представляет собой актуальную нейрохирургическую и рентгенологическую проблему ввиду отсутствия патогномоничных признаков разделения этих процессов с помощью магнитно-резонансной томографии. Для решения данной задачи перспективным представляется использование систем поддержки врачебных решений (СППР) с помощью классификации объекта на МРТ-изображениях.

ЦЕЛЬ: Разработка и практическая апробация методики дифференциальной диагностики лучевого некроза и рецидивирующей глиальной опухоли на МРТ-изображениях с использованием математических моделей обработки медицинских изображений.

МАТЕРИАЛЫ И МЕТОДЫ: Анализ существующих на данный момент основных методов дифференциальной диагностики рецидива глиальной опухоли и лучевого некроза с описанием основных недостатков. Разработка пакета алгоритмических, структурных и математических моделей предлагаемого решения: прототип приложения и интерфейса. Проведение практической апробации предлагаемой методики в рамках динамического обследования 78 пациентов с глиальными опухолями Grade III–IV — МРТ головного мозга с контрастным усилением через 1, 3, 6, 9, 12 месяцев после оперативного вмешательства и курса химиолучевой терапии.

РЕЗУЛЬТАТЫ: На основании результатов практической апробации предлагаемой методики дифференциальной диагностики с использованием СППР были получены результаты о высокой точности детекции участков рецидива и некроза на МРТизображениях (97,4%).
ОБСУЖДЕНИЕ: Многообразие научных работ с описанием способов дифференциации рецидива ГОГМ и ЛН на основе МРТ-диагностики подтверждает актуальность тематики статьи в медицинском научном сообществе. Нами разработан метод ДД рецидива ГОГМ и ЛН с использованием МРТ ГМ с КУ, ввиду того, что это наиболее доступный метод диагностики в послеоперационном периоде и курса ХЛТ.
ЗАКЛЮЧЕНИЕ: Представленная в статье методика дифференциальной диагностики лучевого некроза и рецидива глиомы с использованием системы поддержки принятия врачебных решений позволяет врачу-нейрохирургу и химиотерапевту своевременно корректировать лечебную тактику, тем самым улучшая показатели выживаемости пациентов с глиальными опухолями Grade III–IV. 

1. Mladenovsk M., Valkov I., Ovcharov M., Vasilev N., Duhlenski I. High Grade Glioma Surgery — Clinical Aspects and Prognosis // Folia Med. (Plovdiv). 2021. Vol. 63, No. 1. P. 35–41. doi: 10.3897/folmed.63.e55255.

2. Cancer Stat Facts: Brain and Other Nervous System Cancer // National Cancer Institute Surveillance, Epidemiology and End Results Program. 2023.

3. Louis D.N., Perry A., Reifenberger G., von Deimling A., Figarella-Branger D., Cavenee W.K., Ohgaki H., Wiestler O.D., Kleihues P., Ellison D.W. The 2016 World Health Organization Classification of Tumors of the Central Nervous System: a summary // Acta neuropathologica. 2016. Vol. 131, No. 6. P. 803–820. doi: 10.1007/s00401-016-1545-1.

4. Спивак М.Д. Современные возможности основных методов лечения мультиформной глиобластомы // Молодой ученый. 2018. № 17 (203). С. 120–123.

5. Грибанова Т.Г., Фокин В.А., Мартынов Б.В., Труфанов Г.Е., Малаховский В.Н., Серебрякова С.В. Сопоставление различных методов нейровизуализации в дифференциальной диагностике рецидива злокачественных опухолей головного мозга и лучевого некроза // Вестник Санкт-Петербургского университета. Медицина. 2016. № 3. С. 56–63.

6. Kim J.M., Miller J.A., Kotecha R., Xiao R., Juloori A., Ward M.C., Ahluwalia M.S., Mohammadi A.M., Peereboom D.M., Murphy E.S., Suh J.H., Barnett G.H., Vogelbaum M.A., Angelov L., Stevens G.H., Chao S.T. The risk of radiation necrosis following stereotactic radiosurgery with concurrent systemic therapies // Journal of neurooncology. 2017. Vol. 133, No. 2. P. 357–368. doi: 10.1007/s11060-017-2442-8.

7. Gahramanov S., Muldoon L.L., Varallyay C.G., Li X., Kraemer D.F., Fu R., Hamilton B.E., Rooney W.D., Neuwelt E.A. Pseudoprogression of glioblastoma after chemo- and radiation therapy: diagnosis by using dynamic susceptibility-weighted contrast-enhanced perfusion MR imaging with ferumoxytol versus gadoteridol and correlation with survival // Radiology. 2013. No. 266 (3). P. 842–852. doi: 10.1148/radiol.12111472.

8. Kong D.S., Kim S.T., Kim E.H., Lim D.H., Kim W.S., Suh Y.L., Lee J.I., Park K., Kim J.H., Nam D.H. Diagnostic dilemma of pseudoprogression in the treatment of newly diagnosed glioblastomas: the role of assessing relative cerebral blood flow volume and oxygen-6-methylguanine-DNA methyltransferase promoter methylation status // AJNR. American journal of neuroradiology. 2011. Vol. 32, No. 2. P. 382–387. doi: 10.3174/ajnr.A2286.

9. Трофимова Т.Н. Нейрорадиология: оценка эффективности хирургии и комбинированной терапии глиом // Практическая онкология. 2016. Т. 17, № 1. С. 32–40.

10. Hotta M., Minamimoto R., Miwa K. 11C-methionine-PET for differentiating recurrent brain tumor from radiation necrosis: radiomics approach with random forest classifier // Scientific Reports. 2019. No. 9 (1). doi: 10.1038/s41598-019-52279-2.

11. He Q., Zhang L., Zhang B., Shi X., Yi C., Zhang X. Diagnostic accuracy of 13N-ammonia PET, 11C-methionine PET and 18F-fluorodeoxyglucose PET: a comparative study in patients with suspected cerebral glioma // BMC Cancer. 2019. Vol. 19 (1). doi: 10.1186/s12885-019-5560-1. PMID 30961564; PMCID PMC6454631.

12. Jung J.H., Ahn B.C. Current Radiopharmaceuticals for Positron Emission Tomography of Brain Tumors // Brain tumor research and treatment. 2018. Vol. 6 (2). P. 47–53. doi: 10.14791/btrt.2018.6.e13.

13. Соловьева С.Н., Уросова В.С. Разработка модели автоматического определения границ глиомы головного мозга, на основе комплексного метода обработки МРТ- и КТ-изображения // Современные наукоемкие технологии. 2018. № 5. С. 83–88.

14. Jog A., Roy S., Carass A., Prince J.L. Magnetic resonance image synthesis through patch regression // Proceedings. IEEE International Symposium on Biomedical Imaging. 2013. Vol. 2013. P. 350–353. doi: 10.1109/ISBI.2013.6556484.

15. Sonavane R., Sonar P. Classification and segmentation of brain tumor using Adaboost classifier // 2016 International Conference on Global Trends in Signal Processing, Information Computing and Communication (ICGTSPICC). P. 396–403. doi: 10.1109/ICGTSPICC.2016.7955334.

16. Dohm A.E., Nickles T.M., Miller C.E., Bowers H.J., Miga M.I., Attia A., Chan M.D., Weis J.A. Clinical assessment of a biophysical model for distinguishing tumor progression from radiation necrosis // Medical physics. 2021. Vol. 48, No. 7. P. 3852–3859. doi: 10.1002/mp.14999. Epub 2021 Jun 16.

17. Gao Y., Xiao X., Han B., Li G., Ning X., Wang D., Cai W., Kikinis R., Berkovsky S., Di Ieva A., Zhang L., Ji N., Liu S. Deep Learning Methodology for Differentiating Glioma Recurrence From Radiation Necrosis Using Multimodal Magnetic Resonance Imaging: Algorithm Development and Validation // JMIR medical informatics. 2020. Vol. 8, No. 11. doi: 10.2196/19805.

18. Nichelli L., Casagranda S. Current emerging MRI tools for radionecrosis and pseudoprogression diagnosis // Current opinion in oncology. 2021. Vol. 33, No. 6. P. 597–607. doi: 10.1097/CCO.0000000000000793.