Оптимизация диагностической модели для прогнозирования эффективности химиолучевой терапии рака шейки матки на группе пациентов с коморбидными состояниями: когортное одноцентровое ретроспективное исследование

ВВЕДЕНИЕ: Перспективным направлением в диагностике является радиомика. В клинической практике при злокачественном новообразовании шейки матки (ЗНО ШМ) широко используется ультразвуковая и магнитно-резонансная диагностика. Отсутствие стандартов при проведении исследований влечет проблему выделения различных признаков, то есть отсутствие возможности сопоставления результатов работ разных учреждений.

ЦЕЛЬ: Проанализировать процедуры лучевой диагностики и оптимизировать модель для возможности расширенного масштабного многоцентрового математического анализа результатов лучевых методов исследования у коморбидных пациенток со ЗНО ШМ.

МАТЕРИАЛЫ И МЕТОДЫ: Ретроспективно изучены данные 362 процедур магнитно-резонансной томографии (МРТ) (Philips Achieva, Нидерланды, 1.5T), 500 процедур ультразвукового исследования (УЗИ) органов малого таза, 500 процедур УЗИ забрюшинного пространства у 77 коморбидных пациенток с плоскоклеточным ЗНО ШМ и сердечно-сосудистой патологией, выполненные в 2012–2022 гг. Стадия по FIGO до лечения — 1А–4А. Возраст — 48,3±13,1 года. Период наблюдения — 3,7±1,3 года.

Статистика: Анализ данных проводился с использованием программы Stata 13 (StataCorpLP, CollegeStation, TX, USA). Нормальность распределения признаков оценивалась с помощью критерия Шапиро–Уилка. Условие равенства дисперсий распределения признаков рассчитывалось по критерию Левена. Для описательной статистики нормально распределенных признаков с равенством дисперсий использовалось вычисление средних значений и стандартных отклонений. Качественные переменные представлены в виде чисел (%). Выполнена логистическая регрессия. Уровень значимости для всех использующихся методов установлен как p<0,05.

РЕЗУЛЬТАТЫ: По данным УЗИ возможность сегментации была в 2,6%, по данным МРТ — в 100%. Проанализировано 1443 T2 TSE, 531 T1 TSE, 563 диффузионно-взвешенных изображений (ДВИ), 389 STIR, 1987 постконтрастных серий (в 272 случаях (75%) исследование сопровождалось введением контрастного вещества). Модель МРТ для последующего извлечения признаков у больных ЗНО ШМ должна состоять из Т2-взвешенных изображений в сагиттальной плоскости, ДВИ в аксиальной плоскости с автоматическим построением карт измеряемого коэффициента диффузии (ИКД).

Наиболее воспроизводимыми и ценными составляющими модели признаны ДВИ с автоматическим построением карт ИКД. Значение ИКД от зоны параметральной клетчатки значимо увеличивало вероятность рецидива, а при проведении ROC-анализа точка отсечения составила 1,1×10^–3 мм²/с.

ОБСУЖДЕНИЕ: Проведен анализ медицинских изображений УЗИ и МРТ в плане их ценности для радиомики. По результатам исследования МРТ является предпочтительным методом. Следующий важный шаг — стандартизация серий для извлечения дополнительной ценности из диагностических исследований и проведение многоцентровых ретроспективных исследований с использованием многокомпонентной модели.

ЗАКЛЮЧЕНИЕ: Воспроизводимым и часто используемым методом с возможностью извлечения дополнительной ценности из изображений признана МРТ. Наиболее часто используемыми методиками признаны Т2 TSE в сагиттальной плоскости и ДВИ в аксиальной плоскости с автоматическим построением карт ИКД с последующей сегментацией зоны параметральной клетчатки, расположенной в непосредственной близости к опухоли. Постконтрастные изображения не являются воспроизводимой методикой и не имеют дополнительной ценности. Модель процедуры МРТ для определения дополнительных текстурных характеристик у пациенток с ЗНО ШМ состоит из Т2-взвешенных изображений в сагиттальной плоскости, ДВИ в аксиальной плоскости с автоматическим построением карт ИКД.

1. Litvin A.A., Burkin D.A., Kropinov A.A., Paramzin F.N. Radiomics and digital image texture analysis in oncology (review) // Sovremennye tehnologii v medicine. 2021. Vol. 13, No. 2. P. 97-106. https://doi.org/10.17691/stm2021.13.2.11.

2. Мелдо А.А., Уткин Л.В., Трофимова Т.Н. Искусственный интеллект в медицине: современное состояние и основные направления развития интеллектуальной диагностики // Лучевая диагностика и терапия. 2020. Т. 11, № 1. С. 9-17. https://doi.org/10.22328/2079-5343-2020-11-1-9-17.

3. Van Timmeren J., Cester D., Tanadini-Lang S. et al. Radiomics in medical imaging - «how-to» guide and critical reflection // Insights Imaging. 2020. Vol. 11, No. 91. https://doi.org/10.1186/s13244-020-00887-2.

4. Попов Е.В., Кривоногов Н.Г., Округин С.А., Сазонова С.И. Радиомический анализ изображений в кардиологии: возможности перспективы применения: обзор литературы // Лучевая диагностика и терапия. 2022. № 2 (13). С. 7-15. https://doi.org/10.22328/2079-5343-2022-13-2-7-15.

5. Замятина К.А., Годзенко М.В., Кармазановский Г.Г., Ревишвили А.Ш. Радиомика при заболеваниях печени и поджелудочной железы. Обзор литературы // Анналы хирургической гепатологии. 2022. Т. 27, № 1. С. 40-47. https://doi.org/10.16931/1995-5464.2022-1-40-47.

6. Шантаревич М.Ю., Кармазановский Г.Г. Применение текстурного анализа КТ и МР-изображений для определения степени дифференцировки гепатоцеллюлярного рака и его дифференциальной диагностики: обзор литературы // Исследования и практика в медицине. 2022. Т. 9, № 3. С. 129-144. https://doi.org/10.17709/2410-1893-2022-9-3-10.

7. Manganaro L., Nicolino G.M., Dolciami M. et al. Radiomics in cervical and endometrial cancer // Br. J. Radiol. 2021. Sep. 1, Vol. 94, No. 1125. Р. 20201314. https://doi.org/10.1259/bjr.20201314.

8. Березовская Т.П., Дайнеко Я.А., Невольских А.А. и др. Оценка эффективности неоадъювантной химиолучевой терапии рака прямой кишки на основе текстурного анализа Т2-взвешенных МРТ-изображений // Онкология. Журнал им. П.А.Герцена. 2019. Т. 8, № 4. С. 243-249. https://doi.org/10.17116/onkolog20198041243.

9. Jin J., Zhu H., Teng Y. et al. The Accuracy and Radiomics Feature Effects of Multiple U-net-Based Automatic Segmentation Models for Transvaginal Ultrasound Images of Cervical Cancer // J. Digit. Imaging. 2022. Vol. 35. P. 983-992. https://doi.org/10.1007/s10278-022-00620-z.

10. Wang K., Lu X., Zhou H. et al. Deep learning Radiomics of shear wave elastography significantly improved diagnostic performance for assessing liver fibrosis in chronic hepatitis B: a prospective multicentre study // Gut. 2019. Vol. 68, No. 4. P. 729-741. https://doi.org/10.1136/gutjnl-2018-316204.

11. Zhao X., Wang X., Zhang B. et al. Classifying early stages of cervical cancer with MRI-based radiomics // Magn. Reson. Imaging. 2022. Vol. 89. P. 70-76. https://doi.org/10.1016/j.mri.2022.03.002.

12. Midiri F., Vernuccio F., Purpura P. et al. Multiparametric MRI and Radiomics in Prostate Cancer: A Review of the Current Literature // Diagnostics (Basel). 2021. Vol. 11, No. 10. P. 1829. https://doi.org/10.3390/diagnostics11101829.

13. Sushentsev N., Rundo L., Abrego L. et al. Time series radiomics for the prediction of prostate cancer progression in patients on active surveillance // Eur. Radiol. 2023. Feb. 7. https://doi.org/10.1007/s00330-023-09438-x.

14. Пухальский А.Н., Берген Т.А., Пономарева О.В. и др. Цифровые технологии управления качеством для повышения эффективности деятельности медицинской организации // Вестник Росздравнадзора. 2022. № 5. С. 51-59.

15. Берген Т.А., Пухальский А.Н., Синицын В.Е. и др. Новые возможности в организации проведения лучевых исследований у онкологических пациентов // Вестник Росздравнадзора. 2022. № 6. С. 49-56