РАДИОМИКА В ДИФФЕРЕНЦИАЛЬНОЙ ДИАГНОСТИКЕ ОЧАГОВЫХ ПОРАЖЕНИИ ГОЛОВНОГО МОЗГА: РЕТРОСПЕКТИВНОЕ ИССЛЕДОВАНИЕ

Аннотация:

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 MPT-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 featurc-importances на основе лесов решений. Построение моделей машинного обучения производилось на языке программирования Python 3.10 с 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 MP-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.

Авторы:

Издание: Лучевая диагностика и терапия
Год издания: 2024
Объем: 7с.
Дополнительная информация: 2024.-N 3.-С.32-38. Библ. 14 назв.
Просмотров: 2