Prospects for the application of radiomics to brain tumors

Cover Page


Cite item

Full Text

Abstract

Radiomics is a new branch in diagnostics based on a quantitative approach to medical imaging able to ensure more efficient use of medical equipment, optimize imaging time per patient, and increase the accuracy of differential diagnostics in various areas of medicine. Radiogenomics is a branch of radionics intended to establish a connection between the patient’s genotype and phenotypic presentation obtained from medical imaging. The review dwells on general issues for radiomics and radiogenomics in oncology with the recent study findings, focusing on the role of these methods in neurooncology and solving problems in diagnosing brain tumors. One of the current topics in neurooncology is disease prognosis in patients with unverified midline gliomas because morphological confirmation of the diagnosis and molecular genetic testing of tissues is impossible. Besides, the high spatial and temporal heterogeneity of malignant neoplasms prevents a complete assessment of the biological properties of the tumor and even using stereotactic biopsy methods. Radiomics methods can help doctors differentiate the tumor grade, acting as a “virtual biopsy” while avoiding invasive procedures. The study findings on radiomics and radiogenomics in neurooncology indicate the undeniable promise of these methods; however, as in other areas of medicine and biology, errors cannot be completely excluded, so the expert team must aim to minimize them.

Full Text

ВВЕДЕНИЕ

Новейшие достижения лучевой диагностики призваны помочь решению многочисленных проблем, стоящих перед нейроонкологией. Среди наиболее заметных из них — создание в начале 2010 г. целого нового направления — радиомики. Её основу составляет выделение с помощью компьютерной обработки медицинских изображений широкого круга признаков, не видимых глазу и не очевидных для восприятия врачом-рентгенологом. Дальнейший анализ основывается на определении клинически значимых признаков в результате сопоставления с данными клинической картины, биохимических и молекулярно-биологических исследований. То есть радиомика — это извлечение количественных характеристик из медицинских изображений с последующим связыванием этих характеристик с биологическими конечными точками и клиническими результатами, в результате чего подобные значимые признаки упоминаются иногда как «биомаркёры изображений». Исследования, обнаружившие взаимосвязь между радиомикой и молекулярно-генетическими параметрами, попадают под определение радиогеномики [1–6].

Накопленные к настоящему времени результаты исследований свидетельствуют о том, что радиомика и радиогеномика способны обеспечить более эффективное использование медицинской аппаратуры, а также повысить точность дифференциальной диагностики в различных областях медицины [1, 6–8].

Создание и последующее совершенствование радиомики базируется также на создании таких высокоинформативных методов лучевой диагностики, как многосрезовая компьютерная томография (КТ), двухэнергетическая КТ, ультразвуковое исследование (УЗИ), гибридные методы (позитронно-эмиссионная томография — ПЭТ-КТ, однофотонная эмиссионная компьютерная томография — ОФЭКТ/КТ) [9–13]; разработке новых радиофармпрепаратов (РФП) для ПЭТ, например, маркёров гипоксии [14]; улучшении и повсеместном распространении стандартизированных протоколов радиологического обследования, в частности, для КТ и магнитно-резонансной томографии (МРТ) [15].

Процесс получения и обработки информации в радиомике включает несколько этапов. Сначала проводится получение высококачественного, стандартизированного диагностического изображения. Далее на изображении выделяется зона интереса, в онкологической практике определяют видимые границы опухоли (методом автоматической сегментации или вручную). Затем осуществляют сбор количественных характеристик изображения, которые включают распределение интенсивности сигнала, признаки, описывающие контуры образования, соотношение его с окружающими тканями и т.п. Из этих признаков выделяют наиболее информативные, с точки зрения независимости от других признаков, воспроизводимости и степени проявления. На основании анализа текстуры двухмерной или трёхмерной картины опухоли радиомика ставит перед собой задачу высоко достоверного разграничения доброкачественных и злокачественных опухолей, выполняя роль «виртуальной биопсии». В радиомике при анализе изображения, как правило, используется свыше 200 признаков, все они представляются в количественном выражении. Эти признаки сохраняются в виде больших баз данных, которые позволяют в значительной степени автоматизировать диагностический процесс, выделять новые прогностические признаки, а следовательно, более точно прогнозировать течение и исход заболевания. Следующий этап заключается в оценке связи наблюдаемых радиологических характеристик патологического процесса с клиническими исходами, с генетическим профилем и с другими особенностями пациентов. Определяются так называемые биомаркёры изображений (БМИ) [3]. Это объективная характеристика, получаемая на основе изображения in vivo, измеряемая в соотношении или интервальной шкале, как индикаторы нормальных или патологических процессов, а также реакций на терапевтическое вмешательство. БМИ — измеряемый параметр, качественная или количественная характеристика которого свидетельствует о наличии или отсутствии какого-то заболевания или состояния. БМИ подбираются автоматически алгоритмами, наиболее часто используемыми из которых являются регрессия, различные виды решающих деревьев и нейронные сети. Из всего множества рассчитанных признаков с помощью математической статистики выбираются наиболее информативные БМИ. Удаление неинформативных признаков делает результаты предсказаний более стабильными и не позволяет случайным «шумам» в данных оказывать влияние на принимаемое решение. Конечной целью этих действий является создание для определённых групп заболеваний математических моделей и алгоритмов, позволяющих врачу более глубоко и всесторонне понять заболевание у конкретного пациента и выбрать наиболее эффективный план дальнейшего его ведения [1–5, 16].

Одна из непростых задач, стоящих перед радиомикой, связана с тем, что солидным злокачественным опухолям, в том числе новообразованиям головного мозга, присуща гетерогенность как в пространственном, так и во временном смысле. Эту гетерогенность сложно, а зачастую и не всегда возможно физически получить при проведении инвазивной биопсии и даже частичного удаления опухоли. В то же время методы медицинской визуализации способны отражать структуру новообразования с высокой степенью анатомической дифференциации, причём эта способность значительно возросла за последние десятилетия [1, 17].

РЕЗУЛЬТАТЫ ПРИМЕНЕНИЯ РАДИОМИКИ И РАДИОГЕНОМИКИ В КЛИНИЧЕСКИХ ИССЛЕДОВАНИЯХ

В последние годы радиомика всё активнее используется в онкологии [3, 18] для дифференциальной диагностики и уточнения прогноза злокачественных новообразований головы и шеи [19, 20], желудочно-кишечного тракта [21–24], простаты [25–27], молочной железы [28], дифференциальной диагностики очаговых изменений скелета [29, 30]. Возможности радиомики активно изучаются и в нейрорадиологии [31–33].

В работе Y. Zhang и соавт. [34] были ретроспективно проанализированы данные МРТ 261 взрослого пациента; из них у 97 больных имела место глиобластома, у 92 — первичная лимфома центральной нервной системы (ЦНС) и у 72 — демиелинизирующее опухолевидное поражение головного мозга. Модель трёхмерной сегментации U-Net (свёрточную нейронную сеть) тренировали для визуализации зоны поражения. Анализировали степень накопления контрастного препарата в этой зоне и в непоражённых тканях. Эту информацию использовали для глубокого обучения трёхмерной модели дифференциального диагноза (Resnet). Из всей исследованной когорты 182 больных составили группу для обучения модели, остальные — группу её тестирования. Вычисляли общую точность, чувствительность и специфичность, а также площадь под кривой рабочей характеристики приёмника (AUC). Результаты дифференциальной диагностики, полученные моделью, оказались более точными, чем заключения высококвалифицированных нейрорадиологов. После использования модели, полученной на основании глубокого обучения, AUC составила для глиобластомы 1,00 (1,000–1,000), для первичной лимфомы ЦНС 0,96 (0,923–1,000), а для демиелинизирующего опухолевидного поражения 0,95 (0,904–1,000). Заслугу авторов этой работы можно видеть, в частности, в том, что им удалось применить свою модель не только на одиночных, но и на множественных патологических зонах.

Проведены исследования по использованию радиомики в дифференциальной диагностике рецидива глиом и изменений на фоне лучевого некроза. По результатам исследования выделены новые специфические комбинации признаков, позволяющие выявить рецидивы на более раннем этапе и повысить эффективность лечения за счёт более ранней корректировки схемы лечения [35].

  1. Dong и соавт. [36] успешно использовали систему анализа ADC (apparent diffusion coefficient) для дифференциации эпендимом и медуллобластом у 51 ребенка (AUC 0,91). Одним из важных критериев при дифференциальной диагностике указанных опухолей в их работе явилась оценка диффузии жидкости в опухоли с помощью МРТ.

В работе J.L. Quon и соавт. [37] приняли участие 5 детских онкологических клиник. Они применили технологии радиомики (глубокое обучение в модели на основе модифицированной системы ResNeXt-50-32x4d) у 617 детей с опухолями задней черепной ямки. В исследование вошли 4 вида новообразований: диффузные срединные глиомы моста (n=122), медуллобластомы (n=272), пилоцитарные астроцитомы (n=135) и эпендимомы (n=88). Цель исследования заключалась в изучении способности использованной модели выявлять и различать указанные опухоли. Все новообразования, кроме диффузной срединной глиомы моста, были гистологически подтверждены. Результаты, полученные с помощью модели, сравнивали с описаниями 4 радиологов. В выявлении самого факта существования опухоли и модель, и радиологи показали одинаковый результат (AUC >0,99). Точность модели в различении указанных опухолей между собой составила 92%, причём по этому показателю, а также по F1 (то есть, по среднему гармоническому значению точности и полноты) она превзошла двух из четырёх радиологов. Наиболее достоверно модель распознавала диффузные глиомы моста.

В международном исследовании L.T. Tam и соавт. [38] модель, созданная с помощью методик радиомики, применена у 177 детей с диффузными срединными глиомами моста. Прогноз заболевания определяли с помощью модели на основе системы RStudio с использованием данных МРТ и клинических характеристик. Показатель конкордантности в группе тестирования модели из 58 больных составил 0,59, что было выше, чем при использовании для прогноза только клинических данных (0,51).

  1. W. Guo и соавт. [39] с помощью технологий радиомики провели анализ МРТ-изображений головного мозга 102 взрослых пациентов с патоморфологически подтверждённой диффузной срединной глиомой. Цель исследования состояла в том, чтобы оценить способность МРТ выявлять мутации H3 K27M. При условии использования восьми режимов МРТ (T2, T1, FLAIR, CE-T1, ADC, SWI, CBV и CBF) был достигнут весьма высокий уровень AUC (0,969).

Ещё одной работой, направленной на применение технологий радигеномики в нейроонкологии, является исследование Z.A. Shboul и соавт. [40], в которой на когорте 108 взрослых пациентов показана возможность определять на основании данных МРТ статус по следующим генетическим признакам: метилирование MGMT, мутации IDH, коделеция 1p/19q, мутации TERT, — c довольно высокой точностью (AUC, соответственно, 0,83±0,04; 0,84±0,03; 0,80±0,04; 0,70±0,09 и 0,82±0,04). Для этого использовали следующие режимы МРТ: T1 до и после введения контрастного препарата, T2 и FLAIR. В этом исследовании обобщающая способность модели проверялась с помощью поэлементной кросс-валидации (Leave-One-Out Cross Validation) Показано, что анализ фрактальных признаков вносил существенный вклад в оценку почти всех указанных генетических параметров (кроме TERT).

M.W. Wagner и соавт. [41] изучили возможности радиогеномной модели, основанной на МРТ в режиме FLAIR, в оценке вероятности BRAF-слияния и мутации BRAF V600E при глиомах низкой степени злокачественности. Определение этих нарушений, имеющих важное значение для планирования таргетной терапии, до сих пор было возможно только при исследовании биопсийного материала [42]. В работе M.W. Wagner и соавт. [41] для оценки статуса гена BRAF применяли машинное обучение по методике случайного леса в 94 случаях, затем эта модель была протестирована в 21 наблюдении, при этом AUC модели составила 0,85.

Накапливаются также данные по радиогеномному определению статуса мутаций H3.1, TP53 и ACVR1 при диффузных внутренних глиомах моста. Так, в работе F. Khalid и соавт. [43] у 80 детей с этим заболеванием применяли, по крайней мере, один из следующих режимов МРТ: Т1 без контрастирования, T1 с контрастированием, Т2 и FLAIR. Примечательно, что всем им в Институте Гюстава Русси после исходного МРТ была проведена биопсия. Используя классификаторы логистической регрессии, авторы разработали 5 моделей предсказания статуса указанных мутаций. В результате применения мультимодальной модели (в которой использовались все из упомянутых режимов МРТ и клинические данные) AUC для предсказания мутаций H3.1 и ACVR1 составила по 0,91, а для мутации TP53 — 0,88.

Несомненный интерес представляет работа Г.В. Данилова и соавт. [44], цель которой состояла в оценке диагностической точности глубокого машинного обучения в типировании глиом по степени злокачественности согласно классификации Всемирной организации здравоохранения (I–IV) на основании данных МРТ. В анализе использованы результаты 707 предоперационных исследований в режиме Т1 с контрастным усилением. Все опухоли были верифицированы гистологически. Оценивались данные как двухмерных (2D), так и трёхмерных (3D) изображений. Основой глубокого обучения анализу 3D-изображений послужила специально адаптированная для этой цели искусственная нейронная сеть DenseNet. Для анализа двухмерных срезов МРТ применяли архитектуру нейронной сети Resnest200e. В результате AUC при трёхмерном подходе в разграничении типов глиом составила 0,95, при двухмерном подходе 0,72, точность, соответственно, 83% и 50%. К ограничениям данной работы, по мнению авторов, следует отнести гетерогенность данных МРТ (по количеству срезов и по разрешению) и отсутствие разметки каждого среза по степени злокачественности при гистологическом исследовании. Кроме того, при анализе не были использованы клинические данные. Авторы признают, что пока рано говорить о создании «неинвазивной биопсии» опухолей головного мозга с помощью данных лучевой диагностики, однако представленные ими результаты свидетельствуют о перспективности дальнейших исследований в этой области [44].

Что немаловажно, методики радиомики способны существенно помочь радиотерапевту в планировании облучения опухолей головного мозга, а также при последующем наблюдении за больным, особенно в дифференциации прогрессирования новообразования от псевдопрогрессии и от лучевых повреждений [45].

На сегодняшний день наиболее надежные системы автоматического оконтуривания опухоли получены с помощью систем на основе свёрточных нейронных сетей) с чувствительностью 0,85 [46].

ПРОБЛЕМЫ, СВЯЗАННЫЕ С ИСПОЛЬЗОВАНИЕМ ТЕХНОЛОГИЙ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА В НЕЙРООНКОЛОГИИ

Приведённые результаты исследований по радиомике и радиогеномике в нейроонкологии свидетельствуют о несомненной перспективности этих методик, однако приходится признать, что их изучение ещё делает только первые шаги. При всех возможностях, которые открывает радиомика, следует помнить, что её результат зависит от качества исходных данных, применённых в её математических алгоритмах, а также от степени «обученности» самих алгоритмов, т.е. количества проанализированных верифицированных данных. С этим связана проблема исследований относительной редкости многих опухолей ЦНС, что затрудняет машинное обучение, требующее обширных баз данных [6, 47]. Именно поэтому так важны шаги по дальнейшей стандартизации методов лучевой диагностики, использующихся для технологий, связанных с компьютерным анализом изображений. В значительной степени эту проблему может решить многоцентровая кооперация с созданием общих баз данных с едиными правилами хранения и обработки информации, учитывая необходимость соблюдения врачебной тайны и неразглашения персональных данных больного при создании указанных баз данных.

Кроме того, не решена пока проблема изучения гистологического строения опухоли головного мозга в различных её отделах в сопоставлении с данными лучевой диагностики на соответствующих срезах. Следует также провести большую работу по более подробному ознакомлению врачей с достигнутыми результатами и потенциальными возможностями радиомики: для многих эти технологии представляются пока чем-то вроде «тёмного ящика», что лежит на пути к повышению доверия к ним [4, 6, 7, 47].

ЗАКЛЮЧЕНИЕ

Глубокий анализ изображений, как метод машинного обучения, по сравнению с классическими методиками, открывает новые возможности в нейрорадиологии в целом и в нейроонкологии в частности, позволяя выделять БМИ и изучать течение патологических процессов in vivo. Благодаря использованию сложных нейросетей перспективы развития методов радиомики и радиогеномики включают в себя прогнозирование выживаемости пациентов с новообразованиями головного мозга, дифференциальную диагностику глиобластом с определением степеней злокачественности и «неинвазивной биопсией», выявление опухолевой прогрессии на фоне постлучевых изменений.

ДОПОЛНИТЕЛЬНАЯ ИНФОРМАЦИЯ

Источник финансирования. Авторы заявляют об отсутствии внешнего финансирования при проведении поисково-аналитической работы.

Конфликт интересов. Авторы заявляют об отсутствии явных и потенциальных конфликтов интереса, связанных с публикацией настоящей статьи.

Вклад авторов. Все авторы подтверждают соответствие своего авторства международным критериям ICMJE (все авторы внесли существенный вклад в разработку концепции, проведение поисково-аналитической работы и подготовку статьи, прочли и одобрили финальную версию перед публикацией). Наибольший вклад распределён следующим образом: Р.А. Пархоменко — сбор и анализ литературных данных, написание текста рукописи; В.А. Солодкий, О.С. Регентова — концепция и дизайн работы, сбор и анализ литературных данных; Н.И. Сергеев, П.В. Полушкин — редактирование и оформление статьи.

ADDITIONAL INFORMATION

Funding source. This article was not supported by any external sources of funding.

Competing interest. The authors declare that they have no competing interests.

Authors’ contribution. All authors made a substantial contribution to the conception of the work, acquisition, analysis, interpretation of data for the work, drafting and revising the work, final approval of the version to be published and agree to be accountable for all aspects of the work.

R.A. Parkhomenko — literary data collection and analysis, writing the manuscript; V.A. Solodkiy, O.S. Regentova — concept and design of the work, literary data collection and analysis; N.I. Sergeev, P.V. Polushkin — editing and design of the article.

×

About the authors

Olga S. Regentova

Russian Scientific Center of Roentgenoradiology

Author for correspondence.
Email: olgagraudensh@mail.ru
ORCID iD: 0000-0002-0219-7260
SPIN-code: 9657-0598

MD, Cand. Sci. (Medicine)

Russian Federation, Moscow

Roman A. Parkhomenko

Russian Scientific Center of Roentgenoradiology; Peoples’ Friendship University of Russia

Email: raparkhomenko@rncrr.ru
ORCID iD: 0000-0001-9249-9272
SPIN-code: 9902-4244

MD, Dr. Sci. (Medicine), Professor

Russian Federation, Moscow; Moscow

Nikolay I. Sergeyev

Russian Scientific Center of Roentgenoradiology

Email: sergeev_n@rncrr.ru
ORCID iD: 0000-0003-4147-1928
SPIN-code: 2408-6502

MD, Dr. Sci. (Medicine)

Russian Federation, Moscow

Vladimir K. Bozhenko

Russian Scientific Center of Roentgenoradiology

Email: vkbojenko@rncrr.ru
ORCID iD: 0000-0001-8351-8152
SPIN-code: 8380-6617

MD, Dr. Sci. (Medicine), Professor

Russian Federation, Moscow

Pavel V. Polushkin

Russian Scientific Center of Roentgenoradiology

Email: roentradpc@gmail.com
ORCID iD: 0000-0001-6661-0280
SPIN-code: 7600-7304

MD, Cand. Sci. (Medicine)

Russian Federation, Moscow

Vladimir А. Solodkiy

Russian Scientific Center of Roentgenoradiology

Email: mailbox@rncrr.ru
ORCID iD: 0000-0002-1641-6452
SPIN-code: 9556-6556

MD, Dr. Sci. (Medicine), Professor, Academician of RAS

Russian Federation, Moscow

References

  1. Lambin P, Rios-Velazquez E, Leijenaar R, et al. Radiomics: Extracting more information from medical images using advanced feature analysis. European Journal of Cancer. 2012;48(4):441–446. doi: 10.1016/j.ejca.2011.11.036
  2. Kumar V, Gu Y, Basu S, et al. Radiomics: the process and the challenges. Magnetic Resonance Imaging. 2012;30(9):1234–1248. doi: 10.1016/j.mri.2012.06.010
  3. Litvin AA, Burkin DA, Kropinov AA, Paramzin FN. Radiomics and Digital Image Texture Analysis in Oncology (Review). Sovremennye tekhnologii v meditsine. 2021;13(2):97–104. (In Russ.) doi: 10.17691/stm2021.13.2.11
  4. Mayerhoefer ME, Materka A, Langs G, et al. Introduction to Radiomics. Journal of Nuclear Medicine. 2020;61(4):488–495. doi: 10.2967/jnumed.118.222893
  5. Beig N, Bera K, Tiwari P. Introduction to radiomics and radiogenomics in neuro-oncology: implications and challenges. Neuro-Oncology Advances. 2021;2 Suppl. 4:iv3-iv14. doi: 10.1093/noajnl/vdaa148
  6. Chernobrivtseva VV, Misyurin AS. New technologies in radiology diagnostics. Practical Oncology. 2022;23(4):203–210. EDN: DUCVOW doi: 10.31917/2304203
  7. Danilov GV, Ishankulov TA, Kotik KV, et al. Artificial intelligence technologies in clinical neurooncology. Voprosy neyrokhirurgii imeni N.N. Burdenko. 2022;86(6):127–133. (In Russ.) EDN: XPLMSB doi: 10.17116/neiro202286061127
  8. Solodkiy VA, Kaprin AD, Nudnov NV, et al. Artificial intelligence capabilities in breast cancer risk assessment on mammographic images (clinical examples). Vestnik Rossijskogo naučnogo centra rentgenoradiologii. 2023;23(1):24–31. (In Russ.) EDN: BWYQPJ
  9. Prokop M. Multislice CT: technical principles and future trends. European Radiology. 2003;13 Suppl. 5:M3–13. doi: 10.1007/s00330-003-2178-z
  10. Groheux D, Quere G, Blanc E, et al. FDG PET-CT for solitary pulmonary nodule and lung cancer: Literature review. Diagnostic and Interventional Imaging. 2016;97(10):1003–1017. doi: 10.1016/j.diii.2016.06.020
  11. Goo HW, Goo JM. Dual-Energy CT: New Horizon in Medical Imaging. Korean Journal of Radiology. 2017;18(4):555–569. doi: 10.3348/kjr.2017.18.4.555
  12. Zaharchuk G. Next generation research applications for hybrid PET/MR and PET/CT imaging using deep learning. European Journal of Nuclear Medicine and Molecular Imaging. 2019;46(13):2700–2707. doi: 10.1007/s00259-019-04374-9
  13. Hsieh J, Flohr T. Computed tomography recent history and future perspectives. Journal of Medical Imaging. 2021;8(5):052109. doi: 10.1117/1.JMI.8.5.052109
  14. Gouel P, Decazes P, Vera P, et al. Advances in PET and MRI imaging of tumor hypoxia. Frontiers in Medicine. 2023;10:1055062. doi: 10.3389/fmed.2023.1055062
  15. Szczykutowicz TP, Bour RK, Rubert N, et al. CT protocol management: simplifying the process by using a master protocol concept. Journal of Applied Clinical Medical Physics. 2015;16(4):228–243. doi: 10.1120/jacmp.v16i4.5412
  16. Zalog uspekha bolshie dannye v umelykh rukakh. In: Biomolecula [Internet]. 2007–2024 [cited 2023 Oct 26]. Available from: https://biomolecula.ru/articles/zalog-uspekha-bolshie-dannye-v-umelykh-rukakh
  17. Ognerubov NA, Shatov IA, Shatov AV. Radiogenomics and radiomics in the diagnostics of malignant tumours: a literary review. Vestnik Tambovskogo universiteta. Seriya: yestestvennye i tekhnicheskiye nauki. 2017;22(6-2):1453–1460. (In Russ.) EDN: YRNTMV doi: 10.20310/1810-0198-2017-22-6-1453-1460
  18. Nikulshina YaO, Redkin AN. Radiomics and radiogenomics in the diagnosis, clinical prognosis and treatment response assessment in oncological diseases (literature review). Diagnosticheskaya i interventsionnaya radiologiya. 2022;16(3):70–78. (In Russ.) EDN: KHLFNT doi: 10.25512/DIR.2022.16.3.07
  19. Peng Z, Wang Y, Wang Y, et al. Application of radiomics and machine learning in head and neck cancers. International Journal of Biological Sciences. 2021;17(2):475–486. doi: 10.7150/ijbs.55716
  20. Bernatz S, Böth I, Ackermann J, et al. Radiomics for therapy-specific head and neck squamous cell carcinoma survival prognostication (part I). BMC Medical Imaging. 2023;23(1):71. doi: 10.1186/s12880-023-01034-1
  21. Wang Y, Jin ZY. Radiomics approaches in gastric cancer. Chinese Medical Journal. 2019;132(16):1983–1989. doi: 10.1097/CM9.0000000000000360
  22. Liu D, Zhang W, Hu F, et al. A Bounding Box-Based Radiomics Model for Detecting Occult Peritoneal Metastasis in Advanced Gastric Cancer: A Multicenter Study. Frontiers in Oncology. 2021;11:777760. doi: 10.3389/fonc.2021.777760
  23. Gong XQ, Tao YY, Wu Y, et al. Progress of MRI Radiomics in Hepatocellular Carcinoma. Frontiers in Oncology. 2021;11:698373. doi: 10.3389/fonc.2021.698373
  24. Miranda J, Horvat N, Fonseca GM, et al. Current status and future perspectives of radiomics in hepatocellular carcinoma. World Journal of Gastroenterology. 2023;29(1):43–60. doi: 10.3748/wjg.v29.i1.43
  25. Ferro M, de Cobelli O, Musi G, et al. Radiomics in prostate cancer: an up-to-date review. Therapeutic Advances in Urology. 2022;14:175628722211090. doi: 10.1177/17562872221109020
  26. Chaddad A, Tan G, Liang X, et al. Advancements in MRI-Based Radiomics and Artificial Intelligence for Prostate Cancer: A Comprehensive Review and Future Prospects. Cancers (Basel). 2023;15(15):3839. doi: 10.3390/cancers15153839
  27. Loginova MV, Pavlov VN, Gilyazova IR. Radiomics and radiogenomics of prostate cancer. Yakut Medical Journal. 2021;(1):101–104. EDN: QPZIWO doi: 10.25789/YMJ.2021.73.27
  28. Govorukhina VG, Semenov SS, Gelezhe PB, et al. The role of mammography in breast cancer radiomics. Digital Diagnostics. 2021;2(2):185–199. EDN: RFSJYH doi: 10.17816/DD70479
  29. Sergeev NI, Kotlyarov PM, Solodkiy VA. Differential diagnosis of focal changes in the spine using standard and radiomic analysis. N.N. Priorov Journal of Traumatology and Orthopedics. 2023;30(1):77–86. EDN: ZVWOVA doi: 10.17816/vto322858
  30. Steinhauer V, Sergeev NI. Radiomics in Breast Cancer: In-Depth Machine Analysis of MR Images of Metastatic Spine Lesion. Sovremennye tekhnologii v meditsine. 2022;14(2):16–25. (In Russ.) EDN: XFVITL doi: 10.17691/stm2022.14.2.02
  31. Danilov GV, Kalaeva DB, Vikhrova NB, et al. Radiomics in determining tumor-to-normal brain suv ratio based on 11c-methionine pet/ct in glioblastoma. Sovremennye tehnologii v medicine. 2023;15(1):5–13. (In Russ.) EDN: XDCHTK doi: 10.17691/stm2023.15.1.01
  32. Kapishnikov АV, Surovcev EN, Udalov YuD. Magnetic Resonance Imaging of primary extra-axial intracranial tumors: diagnostic problems and prospects of radiomics. Мedical Radiology and Radiation Safety. 2022;67(4):49–56. EDN: HRDUJG doi: 10.33266/1024-6177-2022-67-4-49-56
  33. Maslov NE, Trufanov GE, Efimtsev AYu. Certain aspects of radiomics and radiogenomics in glioblastoma: what the images hide? Translational medicine. 2022;9(2):70–80. EDN: NMDJBU doi: 10.18705/2311-4495-2022-9-2-70-80
  34. Zhang Y, Liang K, He J, et al. Deep Learning With Data Enhancement for the Differentiation of Solitary and Multiple Cerebral Glioblastoma, Lymphoma, and Tumefactive Demyelinating Lesion. Frontiers in Oncology. 2021;11:665891. doi: 10.3389/fonc.2021.665891
  35. Solov’yeva SN, Shershever AS, Dayneko EA, et al. Differential diagnostic of a recurrent glial tumor from radiation necrosis by signs of radiomics. Rossiiskii neirokhirurgicheskii zhurnal imeni professora A.L. Polenova. 2023;15(3):128–133. (In Russ.) EDN: LHQOOQ doi: 10.56618/2071-2693_2023_15_3_128
  36. Dong J, Li L, Liang S, et al. Differentiation Between Ependymoma and Medulloblastoma in Children with Radiomics Approach. Academic Radiology. 2021;28(3):318–327. doi: 10.1016/j.acra.2020.02.012
  37. Quon JL, Bala W, Chen LC, et al. Deep Learning for Pediatric Posterior Fossa Tumor Detection and Classification: A Multi-Institutional Study. American Journal of Neuroradiology. 2020;41(9):1718–1725. doi: 10.3174/ajnr.A6704
  38. Tam LT, Yeom KW, Wright JN, et al. MRI-based radiomics for prognosis of pediatric diffuse intrinsic pontine glioma: an international study. Neuro-Oncology Advances. 2021;3(1):vdab042. doi: 10.1093/noajnl/vdab042
  39. Guo W, She D, Xing Z, et al. Multiparametric MRI-Based Radiomics Model for Predicting H3 K27M Mutant Status in Diffuse Midline Glioma: A Comparative Study Across Different Sequences and Machine Learning Techniques. Frontiers in Oncology. 2022;12:796583. doi: 10.3389/fonc.2022.796583
  40. Shboul ZA, Chen J, Iftekharuddin KM. Prediction of Molecular Mutations in Diffuse Low-Grade Gliomas using MR Imaging Features. Scientific Reports. 2020;10(1):3711. doi: 10.1038/s41598-020-60550-0
  41. Wagner MW, Hainc N, Khalvati F, et al. Radiomics of Pediatric Low-Grade Gliomas: Toward a Pretherapeutic Differentiation of BRAF-Mutated and BRAF-Fused Tumors. American Journal of Neuroradiology. 2021;42(4):759–765. doi: 10.3174/ajnr.A6998
  42. Lassaletta A, Zapotocky M, Mistry M, et al. Therapeutic and Prognostic Implications of BRAF V600E in Pediatric Low-Grade Gliomas. Journal of Clinical Oncology. 2017;35(25):2934–2941. doi: 10.1200/JCO.2016.71.8726
  43. Khalid F, Goya-Outi J, Escobar T, et al. Multimodal MRI radiomic models to predict genomic mutations in diffuse intrinsic pontine glioma with missing imaging modalities. Frontiers in Medicine. 2023;10:1071447. doi: 10.3389/fmed.2023.1071447
  44. Danilov GV, Pronin IN, Korolev VV, et al. MR-guided non-invasive typing of brain gliomas using machine learning. Voprosy neyrokhirurgii imeni N.N. Burdenko. 2022;86(6):36–42. (In Russ.) EDN: JDQJJB doi: 10.17116/neiro20228606136
  45. Kocher M, Ruge MI, Galldiks N, Lohmann P. Applications of radiomics and machine learning for radiotherapy of malignant brain tumors. Strahlentherapie Und Onkologie. 2020;196(10):856–867. doi: 10.1007/s00066-020-01626-8
  46. Kirpichev YuS, Semenov SS, Golub SV, Andreychenko AE. Radiomic in radiation treatment planning. Medical Physics. 2022;(1):36–37. EDN: GPDLZI
  47. Zhuge Y, Krauze AV, Ning H, et al. Brain tumor segmentation using holistically nested neural networks in MRI images. Medical Physics. 2017;44(10):5234–5243. doi: 10.1002/mp.12481

Supplementary files

Supplementary Files
Action
1. JATS XML

Copyright (c) 2024 Eco-Vector

Creative Commons License
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.

СМИ зарегистрировано Федеральной службой по надзору в сфере связи, информационных технологий и массовых коммуникаций (Роскомнадзор).
Регистрационный номер и дата принятия решения о регистрации СМИ: серия ПИ № ФС 77 - 79539 от 09 ноября 2020 г.