Радиомика в дифференциальной диагностике очаговых поражений головного мозга: ретроспективное исследование

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.

1. Cao G., Zhang J., Lei X. et al. Differentiating Primary Tumors for Brain Metastasis with Integrated Radiomics from Multiple Imaging Modalities // Disease markers. 2022. P. 5147085. doi: https://doi.org/10.1155/2022/5147085.

2. Ortiz-Ramón R., Larroza A., Ruiz-España S. et al. Classifying brain metastases by their primary site of origin using a radiomics approach based on texture analysis: a feasibility study // Eur. Radiol. 2018. Nо. 28. P. 4514–4523. doi: https://doi.org/10.1007/s00330-018-5463-6.

3. Zhu F.Y., Sun Y.F., Yin X.P. et al. Using machine learning-based radiomics to differentiate between glioma and solitary brain metastasis from lung cancer and its subtypes // Discov. Onc. 2023. Nо. 14. Р. 224. doi: https://doi.org/10.1007/s12672-023-00837-6.

4. Jekel L., Brim W.R., von Reppert et al. Machine Learning Applications for Differentiation of Glioma from Brain Metastasis-A Systematic // Review. Cancers. 2022. Vol. 14. Nо 6. P. 1369. doi: https://doi.org/10.3390/cancers14061369.

5. Pollo B. Pathological classification of brain tumors // The Quarterly Journal of Nuclear Medicine and Molecular Imaging. 2021. Vol. 56. Nо 2. P. 103–111. doi: https://doi.org/10.1007/978-3-030-54879-7_5.

6. Salmanpour M.R., Hosseinzadeh M., Rezaeijo S.M. et al. Fusion-based tensor radiomics using reproducible features: Application to survival prediction in head and neck cancer // Computer methods and programs in biomedicine. 2023. Nо 240. P. 107714. doi: https://doi.org/10.1016/j.cmpb.2023.107714.

7. Zwanenburg A., Vallières M., Abdalah et al. The Image Biomarker Standardization Initiative: Standardized Quantitative Radiomics for High-Throughput Image-based Phenotyping // Radiology. 2020. Vol. 295. Nо 2. P. 328–338. doi: https://doi.org/10.1148/radiol.2020191145.

8. Shin I., Kim H., Ahn S.S. et al. Development and Validation of a Deep Learning-Based Model to Distinguish Glioblastoma from Solitary Brain Metastasis Using Conventional MR Images // AJNR. American journal of neuroradiology. 2021. Vol. 42. Nо 5. P. 838–844. doi: https://doi.org/10.3174/ajnr.A7003.

9. Samani Z.R., Parker D., Wolf R. et al. Distinct tumor signatures using deep learning-based characterization of the peritumoral microenvironment in glioblastomas and brain metastases // Scientific reports. 2021. Vol. 11. Nо 1. P. 14469. doi: https://doi.org/10.1038/s41598-021-93804-6.

10. Tateishi M., Nakaura T., Kitajima M. et al. An initial experience of machine learning based on multi-sequence texture parameters in magnetic resonance imaging to differentiate glioblastoma from brain metastases // Journal of the neurological sciences. 2020. Nо. 410. P. 116514. doi: https://doi.org/10.1016/j.jns.2019.116514.

11. Gultekin M.A., Peker А.А. et al. Differentiation of lung and breast cancer brain metastases: Comparison of texture analysis and deep convolutional neural networks // Journal of Clinical Ultrasound. 2023. Vol. 53. P. 1579–1586. doi: https://doi.org/10.1002/jcu.23558.

12. Bai J., He M., Gao E., Yang G. et al. Radiomic texture analysis based on neurite orientation dispersion and density imaging to differentiate glioblastoma from solitary brain metastasis // BMC cancer. 2023. Vol. 23. Nо 1. Р. 1231. doi: https://doi.org/10.1186/s12885-023-11718-0.

13. Zhang Y., Zhang H., Zhang H., Ouyang Y., Su R. et al. Glioblastoma and Solitary Brain Metastasis: Differentiation by Integrating Demographic-MRI and Deep-Learning Radiomics Signatures // Journal of magnetic resonance imaging. 2023. Published online: JMRI. 10.1002/jmri.29123. doi: https://doi.org/10.1002/jmri.29123.

14. Shi J.B.S., Chen H.M.S., Wang X. Using Radiomics to Differentiate Brain Metastases From Lung Cancer Versus Breast Cancer, Including Predicting Epidermal Growth Factor Receptor and human Epidermal Growth Factor Receptor 2 Status // Journal of Computer Assisted Tomography. 2023. Vol. 47. Nо 6. P. 924–933. doi: https://doi.org/10.1097/RCT.00000000000001499.