The Potential of radiomics and artificial intelligence in assessing the response to neoadjuvant chemotherapy in breast cancer patients: a literature review

Full Text

1. Введение

Рак молочной железы (РМЖ) является наиболее распространенным злокачественным новообразованием среди женщин во всем мире. В 2020 году насчитывалось 7,8 миллионов женщин, у которых за последние 5 лет был диагностирован РМЖ, зарегистрировано 2,3 миллиона новых случаев и 685 000 смертельных исходов данного заболевания [1, 2].

Основной задачей ведения пациентов с диагнозом РМЖ является подбор максимально эффективного и экономически доступного протокола лечения, с учетом особенностей каждого молекулярного подтипа РМЖ и индивидуального ответа на проводимое лечение [3].

Существует два основных варианта лечения РМЖ: местное лечение, которое включает хирургическое вмешательство и лучевую терапию; и системное лечение, которое включает химиотерапию, эндокринную (гормональную) терапию и таргетную терапию. Выбор подходящего метода лечения для каждого пациента зависит от различных факторов, таких как возраст, менопауза, молекулярный подтип и стадия опухоли, а также от общего состояния здоровья и предпочтений пациента. Системную терапии проводят после хирургического вмешательства в адъювантном режиме, в то время как неоадъювантная терапия предшествует хирургическому вмешательству [4, 5].

В настоящее время неоадъвантная химиотерапия (НАХТ) является стандартом лечения местнораспространенного первично неоперабельного инвазивного РМЖ, относящегося к агрессивной форме и характеризующегося размером опухоли более 5 см и возможным вовлечением кожи и грудной стенки [3]. Кроме того, по данным Российского общества онкоммологов, Ассоциации онкологов России, клинических рекомендаций лечения РМЖ Минздрава России, Американского общества клинической онкологии (ASCO) и Национальной комплексной онкологической сети (NCCN), НАХТ является предпочтительным методом в качестве первого этапа лечения, показана пациентам с первично операбельным тройным негативным и Her2/neu‑позитивным типамиРМЖ и связана с благоприятным ответом на лечение у 30% женщин с агрессивным РМЖ, а также снижает частоту рецидивов на 50% [6].

Основными целями неоадъювантной лекарственной терапии являются:

• уменьшение размеров опухоли с целью оптимизации объема хирургического этапа лечения;
• оценка эффективности и чувствительности лекарственной терапии in vivo, с возможностью своевременного изменения тактики лечения;
• получение прогностически важной информации, основанной на степени выраженности лекарственного патоморфоза (pPR/pCR), с целью оптимизации и подбора тактики адъювантного лечения [3].

Тем не менее, несмотря на ряд преимуществ, которые дает применение НАХТ, серьезная проблема заключается в различных реакциях, проявляющихся у разных пациентов в процессе лечения. В схемах НАХТ используют те же химиотерапевтические препараты, что и при адъювантном лечении, что приводит к аналогичным долгосрочным и краткосрочным побочным эффектам. Они могут вызывать усталость, рвоту, тошноту, когнитивные нарушения, выпадение волос, бесплодие, остеопороз, кардиомиопатию, снижение иммунитета, инфекционные осложнения, лейкемию, невропатию и др. Кроме того, степень выраженностипатоморфологического ответа зависит от молекулярного подтипа РМЖ, и до 30% пациентов с РМЖ не получают выгоды от НАХТ и страдают от токсичности и побочных эффектов [7].

Степень достижения патоморфологического ответа является единственным на сегодняшний день достоверным биомаркером безрецидивной и общей выживаемости. Установлено, что pCR надежно связан с долгосрочной выживаемостью и снижением риска рецидива на 80%, что подтверждено данными исследования I-SPY2 [8].

Полный патоморфологический ответ (pCR) при РМЖ означает исчезновение всех опухолевых клеток в месте первичной опухоли и регионарных лимфоузлах. Исследования показали, что пациенты с тройным негативным и Her2/neu-положительным типом РМЖ с большей вероятностью достигают pCR [9, 10].

Однако достоверно оценить степень патоморфологического ответа можно только на стадии хирургического этапа лечения [11].  Вследствие этого необходима разработка неинвазивных моделей прогнозирования, которые могут выделить тех пациентов, которые выиграют от НАХТ, и тех, кому она не принесет выраженной пользы. Такие модели могут быть разработаны с применением радиомики и методов искусственного интеллекта, что в результате может снизить экономические затраты и способствовать более эффективному и прецизионному лечению пациентов с РМЖ.

Целью этого исследования является анализ литературных данных о возможности повышения прогностической ценности методов лучевой диагностики в оценке патоморфологического ответа на неоадъювантную терапию у больных РМЖ с использованием радиомики и методов искусственного интеллекта.

Нами был проведен поиск научных публикаций в информационно-аналитических системах PubMed, Scopus, Google Scholar. Общее количество проанализированных публикаций составило 78, изданных за период с 2006 по 2024 гг. Для поиска данных мы использовал следующие ключевые слова: рак молочной железы, неоадъювантная химиотерапия, маммография, ультразвуковое исследование, магнитно-резонансная томография, позитронно-эмиссионная томография, полный патоморфологический ответ, радиомика.

2. Радиомика и Искусственный Интеллект

Радиомика – это новая, развивающаяся область медицины, нацеленная на поиск взаимосвязей между качественной и количественной информацией, извлекаемых из медицинских изображений. Полученные количественные характеристики позволяют создавать многомерные модели в комбинации с клиническими данными, которые в результате выступают в качестве поддержки принятия решений [12]. Учитывая большое количество данных, извлекаемых при радиомическом анализе, и нелинейные взаимосвязи между ними, механизмы искусственного интеллекта (ИИ) способны выполнять более расширенный и комплексный анализ данных [13]

Концепция радиомики и искусственного интеллекта в анализе медицинских изображений особенно актуальна в текущую эпоху персонализированной медицины, направленной на предоставление правильного лечения конкретному пациенту в нужное время. Поэтому количественная оценка медицинских изображений является естественным шагом к повышению точности диагностики и прецизионному лечению РМЖ [14].

Рабочий процесс радиомики включает в себя следующие шаги:

1. Получение изображений.
2. Сегментация изображений.
3. Извлечение характеристик.
4. Выбор характеристик.
5. Построение модели.

В визуализации молочных желез значения пикселей в МРТ, УЗИ и маммографии не отражают физические свойства тканей, как единицы Хаунсфилда в компьютерной томографии, и сильно зависят от параметров сканирования. Сигнал МРТ может изменяться даже при одинаковых параметрах сканирования для двух последовательных исследований, когда как УЗИ является оператор-зависимым методом. Для преодоления этих ограничений рекомендуется использовать одно и то же устройство и параметры сканирования, чтобы обеспечить стабильность характеристик и воспроизводимость результатов. В случаях, когда это невозможно, обязательно применение гармонизации данных для надежности и обобщаемости моделей [15-17].

Сегментация изображений с выделением областей интереса (ROI) является одной из самых важных частей рабочего процесса радиомики. ROI ограничивают области анализа, и их выделение может быть выполнено вручную, полуавтоматическим или полностью автоматическим способом. Ручная сегментация вносит субъективные искажения, поскольку многие радиомические характеристики неустойчивы относительно внутри- и межэкспертных вариаций в выделении областей интереса. Таким образом, исследования, использующие ручную сегментацию, должны оценивать воспроизводимость полученных радиомических характеристик и исключать невоспроизводимые характеристики из дальнейшего анализа [18, 19].

Полуавтоматическая сегментация может решить эти проблемы, показывая хорошие результаты для относительно однородных опухолей, тогда как неоднородные опухоли требуют значительной ручной коррекции [17]. Полностью автоматическая сегментация на основе DL стремительно развивается, и уже существуют обученные алгоритмы для сегментации изображений различных органов. Такие алгоритмы требуют специального обучения и контроля качества с использованием вручную оконтуренных изображений в качестве эталона. Основным недостатком автоматической сегментации является ее частая невоспроизводимость при применении к другим наборам данных [12, 19, 20].

Извлечение радиомических характеристик включает вычисление математических выражений для количественного описания уровней серого в пределах каждого ROI. Поскольку существует множество методов и формул для расчета этих характеристик, рекомендуется следовать рекомендациям Инициативы по стандартизации биомаркеров изображений (IBSI) с целью повышения воспроизводимости и валидации получаемых данных [12, 19]. Характеристики могут быть извлечены непосредственно из изображений или после применения различных фильтров и классифицируются следующим образом:

1. Характеристики формы описывают форму выделенной области интереса и ее геометрические свойства, такие как максимальный линейный размер, объем, площадь поверхности и характеристики границ.
2. Характеристики первого порядка описывают распределение значений отдельных вокселей без учета пространственных отношений. Они включают среднее значение, стандартное отклонение, дисперсию, асимметрию (скос), эксцесс (крутизну) и энтропию. Эти характеристики предоставляют базовую информацию о текстуре изображения, позволяя количественно оценить однородность, контрастность и распределение вокселей.
3. Характеристики второго порядка включают текстурные характеристики, которые получаются путем расчета статистических взаимосвязей между соседними вокселями. Они предоставляют меру пространственного распределения интенсивности вокселей и, следовательно, описывают неоднородность структуры опухолей.
4. Характеристики более высокого порядка получаются статистическими методами после применения фильтров или математических преобразований к изображениям.

Следующим шагом является отбор характеристик для исключения тех, которые либо невоспроизводимы, либо не имеют сильной связи с результатами. Это может быть осуществлено как с использованием статистических методов, так и методов машинного обучения (ML) или глубокого обучения (DL). Первые начинают с использования всех полученных характеристик, выполняя предварительный анализ для выбора наиболее повторяемых и воспроизводимых, а затем уменьшают их выборку с помощью анализа корреляции и избыточности [17].

Оставшиеся некоррелирующие, но высоко актуальные характеристики могут быть использованы в качестве вводных данных для моделей с конкретными задачами (например, провести дифференцировку злокачественных и доброкачественных образований). Модели обычно создаются путем разделения набора данных на обучающие и тестовые. Наиболее надежные из них проверяются с использованием внешнего набора данных, чтобы обеспечить воспроизводимость полученных результатов [18, 21]

3. Перспективы использования радиомики и инструментов искусственного интеллекта (ИИ) в прогнозировании ответа на неоадъювантную химиотерапию (НАХТ) у пациентов с установленным диагнозом РМЖ

3.1 Маммография и спектральная маммография с контрастным усилением (CESM)

Маммография является «золотым» стандартом в визуализации патологических изменений молочной железы. Этот метод характеризуется низкой дозой облучения используется в качестве скрининга и диагностики объемных образований, участков нарушения архитектоники, микрокальцинатов молочных желез с точностью от 85% до 90% [22, 23]. Маммография была одним из первых методов визуализации, внедрившая техники искусственного интеллекта, начиная с традиционной компьютерной системы помощи в диагностике (CAD-системы). CAD-системы для маммографии существуют более десяти лет, что означает наличие существующего эталона для сравнения при применении более новых методов ML и DL [24]. Однако публикаций, в которых был бы применен радиомический анализ маммографических исследований в оценке ответа на НАХТ при РМЖ в настоящее время не опубликовано.

Несколько недавних исследований в области искусственного интеллекта продемонстрировали возможности оценки раннего ответа на НАХТ с использованием исходных маммографических изображений.

Shin et al. использовали метод пирамид изображений с несколькими масштабами (image pyramid with multiple scales) для анализа маммографических изображений. Предложенная модель обеспечила хорошие показатели прогнозирования полного патоморфологического ответа (pCr) (AUC – 0,80, точность 0,75, чувствительность 0,73 и специфичность 0,77). Пирамида изображений с несколькими масштабами, как метод ИИ, используется для улучшения извлечения признаков, позволяя анализировать изображение на различных уровнях детализации. Когда многомасштабные пирамиды изображений используются для извлечения текстурных и других признаков из медицинских изображений (например, маммограмм), эти признаки могут быть частью радиомического анализа. Таким образом, пирамида изображений с несколькими масштабами может быть инструментом радиомики, помогая извлекать более информативные и релевантные данные для последующего анализа и построения предсказательных моделей [25].

Skarping et al. первыми применили методы ИИ к маммографическим изображениям для прогнозирования ответа на лечение. Они разработали модель автоматического анализа цифровых маммограмм на основе DL в качестве инструмента, помогающего в оценке ответа на НАХТ при раке молочной железы. Данная модель также продемонстрировала хорошие показатели прогнозирования полного патоморфологического ответа (pCr) (AUC – 0,71, чувствительность 0,46 и специфичность 0,90). В настоящий момент DL все чаще применяется в радиомике для автоматического извлечения и анализа взаимосвязей количественных характеристик медицинских изображений [26].

Спектральная маммография с контрастным усилением (CESM) — это новый метод визуализации молочных желез, в основе которого лежит метод двойной энергии, при котором низкоэнергетические и высокоэнергетические изображения, полученные после введения йодсодержащего контрастного средства, используют для создания диагностических изображений [27, 28]. CESM может быть предложена как альтернативна МРТ молочных желез для пациентов с противопоказаниями, такими как тяжелая клаустрофобия или наличие в теле МР-несовместимых имплантатов (кардиостимуляторы, дефибрилляторы, нейростимуляторы, кохлеарные имплантаты) [29, 30]. CESM показывает сравнимую диагностическую точность и чувствительность с МРТ в различных исследованиях, находя применение в скрининге РМЖ, диагностике, стадировании опухолей, мониторинге и прогнозировании реакции на НАХТ [27, 28, 31].

Zhang et al. были первыми, кто применил радиомический анализ CESM исследований для прогнозирования pCR у пациентов с местнораспространенным РМЖ, у которых была применена неоадъювантная лекарственная терапия. Результаты показали, что предложенная номограмма обладала хорошей способностью к предсказанию эффективности НАХТ у пациентов с диагнозом РМЖ перед началом лечения (AUC – 0,79, точность 0,86, чувствительность 0,67 и специфичность 0,93). Однако повторное исследование CESM пациентам после лечениядля более достоверной оценки эффективности лекарственной терапии не выполняли [32].

Wang et al. применили радиомический анализ CESM исследований для определения НАХТ-нечувствительных образований молочных желез. Номограмма включала в себя показатель Radscore вместе с тремя другими клиническими характеристиками: усиление фоновой паренхимы (BPE), Her2 статус и индекс Ki-67. Для оценки ответа на лечение были использованы критерии RECIST путем сравнения наибольшего измерения опухоли на исходном уровне (до НАХТ) с измерением остаточного поражения (после НАХТ). Согласно эталонному стандарту, пациенты, состояние которых было определено как стабилизация (SD, <30% уменьшение размеров, <20% увеличение размеров) или прогрессирование заболевания (PD ≥ 20% увеличение размеров), были включены в группу НАХТ-неэффективных. Предложенная номограмма продемонстрировала высокую способность к предсказанию эффективности НАХТ у пациентов с РМЖ до начала лечения (AUC – 0,81, точность 0,80, чувствительность 0,90 и специфичность 0,70) [33].

Mao et al. использовали несколько алгоритмов ML для изучения количественных характеристик CESM-изображений, полученных как из опухоли, так и из прилегающих областей, охватывая внутриопухолевые и периопухолевые регионы. Их анализ привел к выводу, что модель, сочетающая радиомические признаки, извлеченные из внутриопухолевых и периопухолевых регионов (с включением краев шириной до 5 мм), демонстрировала высокую прогностическую эффективность в оценке эффекта на НАХТ (AUC – 0,85, чувствительность 0,58 и специфичность 0,91) [34].

3.2 Ультразвуковой метод исследования (УЗИ)

Ультразвуковая методика основана на детектировании отраженных эхосигналов высокочастотных звуковых волн. Ультразвуковые изображения пригодны для использования в радиомическом анализе, и этот подход в мировой литературе называется количественной ультразвуковой спектроскопией (QUS). Более того, УЗИ обладает рядом преимуществ, такими как доступность и относительная дешевизна метода, независимость от контрастных препаратов и возможность частых повторных сканирований, в виду отсутствия лучевой нагрузки. Наиболее часто используемыми радиомическими характеристиками для прогнозирования ответа на НАХТ по данным УЗИ являются: спектральный наклон (SS), спектральный интерсепт или интерсепт на частоте 0 МГц (SI), средняя полоса пропускания (MBF), средний диаметр рассеивающих частиц (ASD), средняя акустическая концентрация (AAC), оценка коэффициента затухания (ACE) и расстояние между рассеивающими частицами (SAS). Также подавляющее большинство исследований, оценивающих эффективность НАХТ методом УЗИ, используют инструменты ML и DL для анализа полученных данных, такие как: линейный дискриминантный анализ (LDA), k-ближайшего соседа (KNN), метод опорных векторов (SVM) [35–38].

Sadeghi-Naini et al. использовали линейный дискриминантный анализ (LDA) для изучения эффективности средних значений полосы пропускания, спектрального наклона и интерсепта на частоте 0 МГц в прогнозировании ответа на лечение. Они обнаружили, что наилучшее разделение между группами пациентов (отвечающих и не отвечающих на НАХТ) было достигнуто путем объединения текстурных и спектральных характеристик, выделенных из параметрических изображений MBF и интерсепта на частоте 0 МГц, полученных после одной недели лечения, что позволило получить чувствительность и специфичность на уровне 100% и AUC, равную 1 [39].

Sannachi et al. и DiCenzo et al. провели текстурный анализ параметрических карт SS, SI, MBF, ASD, AAC, ACE и SAS, используя три классификатора: KNN, SVM и LDA. Sannachi et al. исследовали прогностические возможности спектральных и текстурных характеристик в зависимости от реакции на лечение через 1, 4 и 8 недель. Их результаты показали, что SVM превосходил показатели KNN и LDA, достигая AUC 0,71, 0,87 и 0,92 на 1-й, 4-й и 8-й неделях соответственно [40]. DiCenzo и et al. провели многоцентровое исследование с использованием спектральных и структурных характеристик, полученных перед лечением. Их результаты показали высокую эффективность прогнозирования с помощью KNN (AUC 0,73, точность 0,87, чувствительность 0,91, специфичность 0,83). Оптимальными характеристиками были: AAC-однородность, SI-энергия и SAS-энергия, в то время как другие характеристики показали более низкую эффективность [41].

Некоторые исследования сочетали радиомические и патологические характеристики для создания клинико-диагностических моделей, которые можно считать инвазивными предикторами. Tadayyon et al., Sannachi et al. включили в свои модели ультразвуковые и текстурные характеристики в сочетании с патологическими признаками, такими как статус рецепторов эстрогена (ER+/-), рецепторам прогестерона (PR+/-) и рецепторам эпидермального фактора роста (Her2+/-). Tadayyon et al. провели проспективное исследование с использованием методов ML (LDA, KNN и SVM) для анализа предсказательной способности клинико-диагностической модели (патологические признаки + ультразвуковые параметры), полученных до лечения как из центральной части опухоли, так и из ее краев (на толщине 3, 5 и 10 мм). Анализ KNN показал наивысшую производительность с точностью 0,88, чувствительностью 0,90, специфичностью 0,79 и AUC 0,81 при использовании радиомических характеристик из центральной части опухоли + краев шириной до 5 мм. Однако, клинико-диагностическая модель (патологические признаки + ультразвуковые параметры) привела к снижению точности и AUC до 0,79 и 0,71 соответственно [42].

Некоторые исследования использовали ультразвуковые методы, включая компрессионную эластографию и эластографией сдвиговой волны (SWE), для предсказания ответа РМЖ на НАХТ. Обе эти модальности оценивают механические характеристики тканей, такие как жесткость и эластичность. Компрессионная эластография включает оценку деформации ткани после применения статической компрессии с помощью ручного маневра с использованием ультразвукового датчика. Напротив, эластография сдвиговой волной (SWE) количественно определяет скорость распространения сдвиговых волн внутри ткани, которые индуцируются силой сфокусированного акустического излучения [43–45].

Fernandes et al. использовали компрессионную эластографию для расчета относительных изменений коэффициента деформации (SR) в опухолях молочных желез в течение курса лечения. Коэффициент деформации (SR) показал заметное различие между двумя группами ответа после 2 недель НАХТ (p-значение <0,01). Они использовали инструменты ML (KNN и Наивный Байесовский классификатор (Naive Bayes)) для прогнозирования ответа. Точность, достигнутая KNN на 1, 4, 8 неделях и на предоперационных сканах, составила 0,60, 0,73, 0,74 и 0,72 соответственно. Naive Bayes показал лушие результаты, достигнув точности 0,72, 0,84, 0,83 и 0,84 соответственно [45].

Ma et al. и Gu et al. исследовали взаимосвязь между параметрами SWE и патологическими характеристиками опухолей в прогнозировании ответа на лечение. Ma et al. разработали многомерную линейную регрессионную модель и продемонстрировали, что сочетание индекса Ki-67 с относительными изменениями параметров SWE после второго цикла НАХТ показало эффективные предсказательные способности. AUC для выявления пациентов, неотвечающих на лечение, с использованием индекса Ki-67 составила 0,84, для относительного изменения жесткости после второго цикла – AUC 0,82 и их комбинация - AUC 0,93 [43]. Аналогично, Gu et al. заключили, что интеграция Ki-67 с параметрами SWE улучшила предсказательную способность модели на середине лечения, достигнув AUC 0,80. Более того, они выявили новый радиомический биомаркер - частота характеристики массы (f_mass), при которой наблюдается специфическое поведение или реакция ткани опухоли на применяемое механическое воздействие [46].

3.3 ПЭТ/КТ

Позитронно-эмиссионная томография (ПЭТ) является методом ядерной визуализации для оценки метаболической активности опухолей. ПЭТ позволяет выявлять как первичные опухоли, так и отдаленные метастазы, а также оценивать эффективность противоопухолевой терапии. Обычно ПЭТ исследование дополняется другими методами визуализации, такими как компьютерная томография (КТ), магнитно-резонансная томография (МРТ) и маммография, после введения радиофармпрепаратов, среди которых наиболее распространенным является 18F-фтордезоксиглюкоза (18F-FDG) [47]. 

Основными параметрами, применяемыми в научных исследованиях в радиомике, являются:

• максимальное стандартное значение поглощения (SUVmax) — это наибольшая концентрация радиофармпрепарата в области интереса (ROI) или объеме интереса (VOI).
• из значений SUVmax могут быть рассчитаны дополнительные параметры, такие как SUVpeak (параметр, полученный путем усреднения значений стандартного поглощения в фиксированном, небольшом объеме интереса, содержащем область с наивысшим SUV) и SUVmean (среднее стандартное значение поглощения всех вокселей в VOI).
• метаболический объем опухоли (MTV) – это общее количество вокселей в VOI, демонстрирующих поглощение, превышающее определенный порог SUV
• общий гликолиз опухоли (TLG) является произведением MTV и SUVmean.

Buchbender et al. и Andrade et al. использовали статистический метод U-тест Манна–Уитни, для прогнозирования ответа на НАХТ. Их метод основывался на оценке относительного изменения стандартизированной величины поглощения (ΔSUV) между изображениями, полученными до и после второго цикла лечения. Они определили оптимальный порог ΔSUV для дифференцировки pCR и не-pCR, а также было обнаружено статистически значимое различие в ΔSUV между двумя группами пациентов (ответчики и неответчики). Buchbender et al. определили ΔSUV на уровне -89% для pCR и -51% для не-pCR. Оптимальный порог ΔSUV для различения pCR от не-pCR был установлен на уровне -88% (чувствительность 0,75, специфичность 1 и точность 0,92). Различение ответчиков от неответчиков было достигнуто с использованием оптимального порога ΔSUV, что дало AUC 0,92, чувствительность 0,66, специфичность 0,88 и точность 0,89 [48].

По данным исследования Andrade et al. значение ΔSUV для случаев pCR составило -81,58%, а для случаев не-pCR -40,18%. Оптимальный порог ΔSUV для различения pCR от не-pCR составил -71,8% (чувствительность 0,83, специфичность 0,79 и точность 0,63). Различение ответчиков от неответчиков с использованием оптимального порога ΔSUV дало AUC 0,86, чувствительность 0,59, специфичность 0,68 и точность 0,75 [49].

Koolen et al. анализировали изменения в максимальном стандартном значении поглощения (SUVmax) через 2–3 недели и 6–8 недель после начала НАХТ. Они рассчитали ΔSUVmax для первичной опухоли, лимфатических узлов, комбинации обоих (с использованием логистической регрессии) и наибольшего ΔSUVmax (в первичной опухоли, либо в лимфатическом узле). Их результаты показали, что в Her2+ опухолях AUC для прогнозирования ответа с использованием ΔSUVmax после 3 недель НАХТ варьировалась от 0,61 до 0,74 (в частности, 0,61 для первичной опухоли, 0,74 для подмышечных узлов, 0,67 для комбинированного подхода и 0,72 при выборе области с наибольшим ΔSUVmax). Однако AUC, полученные для ΔSUVmax после 8 недели лечения, не превышали 0,64 во всех областях. С другой стороны, прогнозирование ответа на лечение трижды негативного рака молочной железы (TNBC) оказалось более точным. AUC, достигнутые ΔSUVmax после 2 недель НАХТ, варьировались от 0,76 до 0,84 (в частности, 0,76 для первичной опухоли, 0,74 для подмышечных узлов, 0,84 для комбинированного подхода и 0,76 при использовании области с наибольшим ΔSUVmax). Примечательно, что AUC ΔSUVmax после 6 недель НАХТ превышали 0,87 [50].

Некоторые исследователи интегрировали патологические характеристики опухолей с параметрами ПЭТ/КТ для прогнозирования ответа на НАХТ. В 2013 году Groheux et al. использовали статистический t-тест (критерий Стьюдента) для изучения зависимости между pCR и SUVmax первичной опухоли и лимфатических узлов до и после двух циклов НАХТ у пациентов с Her2/neu‑позитивным типом РМЖ. Они обнаружили, что ни патологические характеристики, ни SUVmax на начальном этапе не коррелировали с pCR. Однако не-pCR можно было эффективно предсказать с использованием ΔSUVmax после второго цикла НАХТ (точность 0,80, чувствительность 0,86 и специфичность 0,75, при пороговом значении менее -62%) [51]. В 2014 году Groheux et al. исследовали предсказательную ценность параметров ПЭТ и патологических характеристик в прогнозировании ответа на тройной негативный РМЖ. Они продемонстрировали, что использование порогового значения ΔSUVmax -50% в первичной опухоли достигло точности 0,80, в то время как порог -42% достиг точности -0,74, чувствительности 0,58 и специфичности 1 [52].

Humbert et al. and Luo et al. комбинировали в своих моделях патологические характеристики с радиомическими данными и использовали метод LDA для прогнозирования ответа на лечение. Humbert et al. анализировали значения ΔSUVmax после первого цикла лечения в сочетании с различными клиническими и патологическими данными (такими как CA 15-3, ACE, CA-125, статус ER, PR, экспрессия Her2, индекс Ki-67, рецепторов андрогенов, эпидермальный фактор роста (EGF), степень Scarff-Bloom-Richardson (SBR) и экспрессия цитокератина (CK) 5/6 в опухоли). Их результаты показали, что высокие значения ΔSUVmax, повышенный Ki-67 и отрицательный статус EGF продемонстрировали значительную взаимосвязь с pCR. Они достигли AUC 0,75 для случаев pCR, используя ΔSUVmax (чувствительность 0,74, специфичность 0,76 и оптимальным порогом ΔSUVmax -50%). Кроме того, было установлено, что случаи не-pCR можно предсказать с точностью 0,92, комбинируя положительный статус EGF и ΔSUVmax менее -50% [53].

Cheng et al. исследовали изменения в SUVmax, MTV, TLG и текстурных характеристик изображений до и после второго курса НАХТ, в сочетании с патологическими характеристиками. Значительные различия в ΔSUVmax, текстурные показатели энтропии и шероховатости (coarseness) были обнаружены между случаями pCR и не-pCR в группе Her2-негативного типа РМЖ, достигнув AUC 0,93, 0,81 и 0,8 соответственно. В группе Her2-позитивного типа РМЖ разница в асимметрии (Δskewness) и ΔSUVmax умеренно предсказывали pCR (AUC 0,76 и 0,75 соответственно), из чего можно сделать вывод, что Her2 статус имеет значительную связь с ответом на лечение. Более того, текстурный анализ с большей вероятность предсказывал pCR после 2 курсов НАХТ, в то время как ΔTLG and ΔMTV не обладали прогностической эффективностью [54].

Antunovic et al. and Li et al. оценивали прогностическую силу патологических и радиомических характеристик для оценки степени pCR до начала НАХТ. Antunovic et al. предложили четыре логистические регрессионные модели. Модель (1) включала возраст и суррогатный подтип опухоли, достигнув AUC 0,71. Дискриминация улучшилась немного при добавлении SUVmax и TLG (AUC 0,73). Модель (2) комбинировала признаки второго порядка (correlationGLCM) и более высокого порядка (CoarsenessNGLDM, GLNUglzlm) текстурных признаков с возрастом и суррогатным подтипом, достигнув AUC 0,72. Модель (3) достигла AUC 0,70, которая включала возраст, суррогатный подтип, текстурные показатели корреляции и шероховатости (coarseness). Модель (4) достигла AUC 0,73, включая признаки модели (3) вместе с ER статусом, типом НАХТ, индексом Ki67 и GLNU. Авторы сделали вывод, что добавление SUVmax, TLG, признаков второго и более высокого порядка не улучшило прогностическую эффективность моделей [55].

Li et al. использовали метод ML, а именно модель случайного леса (Random Forest) для прогнозирования ответа на лечение. Они извлекли 2210 радиомических признаков, включая Run VarianceGLRLM, Zone varianceGLSZM, LGLREglzlm и Difference AverageGLCM. Модель, основанная на данных радиомических признаках, показала следующие результаты: AUC 0,72, чувствительность 0,73, специфичность 0,80 и точность 0,77. Сочетание этих параметров с данными возраста пациентов повысило производительность, достигнув AUC 0,73, чувствительности 0,73, специфичности 0,87 и точности 0,80 в независимом валидационном наборе [56].

3.4 МРТ с динамическим контрастным усилением

Магнитно-резонансная томография (МРТ) с динамическим контрастным усилением требует введения контрастного препарата для получения функциональной (динамической) информации о тканях. Данный метод визуализации предоставляет необходимую информацию о морфологии опухоли, включая размер, особенности формы и текстурную неоднородность, а также характеристики ее васкуляризации. Этот метод визуализации может быть предложен для скрининга женщин с высоким риском развития РМЖ, диагностики и стадирования опухолей, оценки эффективности лечения и прогнозирования раннего ответа на НАХТ [57].

Pesapane el al. провели систематический обзор 43 и метаанализ 34 исследований, опубликованных с 2013 по 2021 годы, использующих радиомику в МРТ исследованиях молочных желез для предсказания pCr у пациентов с РМЖ, проходящих неоадъювантную терапию, и оценили их методологическое качество с помощью радиомического качественного балла (Radiomics Quality Score, RQS). RQS — это параметр, используемый для оценки качества исследований в области радиомики. RQS позволяет стандартизировать и систематически оценивать методологические аспекты радиомических исследований, такие как дизайн исследования, валидация, управление данными и анализ результатов. Работа была выполнена в соответствии с заявлением PRISMA-DTA (Preferred Reporting Items for Systematic Reviews and Meta-Analysis for Diagnostic Test Accuracy).

В результате сводный AUC с применением модели метаанализа с случайными эффектами составил 0,78 (95% ДИ: 0,74-0,81). Гетерогенность согласно статистике I² была значительной (71,05%, p <0,001), что указывает на значительные различия между исследованиями. Оценка качества исследований с помощью RQS составила 12,9 балла (диапазон: -1 до 26), что соответствует 36% от максимального количества баллов. После проведения мета-регрессии было установлено, что год публикации, сила магнитного поля и суммарный балл RQS не объясняли полученные результаты гетерогенности, что требует более глубокого анализа причин этих различий. Также все исследования являлись одноцентровыми, что непосредственно влияет на воспроизводимость и стандартизацию радиомических моделей, что в свою очередь ограничивает широкое применение радиомики в МРТ молочных желез в оценке ответа на НАХТ в рутинной клинической практике [58].

Множество исследований также тестировали различные комбинации патологических и радиомических характеристик для прогнозирования ответа, либо до, либо на раннем этапе неоадъювантной химиотерапии.

Jimenez et al. предприняли попытку оценить комбинацию радиомических признаков, извлеченных из изображений до лечения, с значениями такого параметра, как тумор-инфильтрирующие лимфоциты (TIL), который представляет собой лимфоциты, которые проникают в опухолевую ткань. Они предположили, что пациенты, с высокими уровнями TIL (более 20%) и значения радиомической сигнатуры (radiomics signature value) <0,33, достигали pCR (AUC 0,75, точность 0,83, чувствительность 0,56 и специфичность 0,97) [59].

Jahani et al. выделили две различные категории признаков из серий динамического контрастного усиления, полученных до и после первого цикла НАХТ. Первая категория включала особенности воксельной деформации опухоли, которые отображают изменения в размере, ориентации и форме опухоли (в частности, Jacobian, который представляет собой отношение объема опухоли после первого цикла НАХТ к базовому объему), анизотропный индекс деформации (ADI) и индекс «Плита-стержень» (Slab-Rod Index (SRI)). Вторая категория включала воксельные изменения динамических признаков (PE, WIS, WOS и SER). Эти радиомические признаки достигли AUC 0,74 при использовании в модели логистической регрессии для прогнозирования pCR. Кроме того, было проведено исследование потенциала демографических и патологических характеристик для прогнозирования pCR и безрецидивной выживаемости (Relapse-Free Survival (RFS)). Комбинация возраста, расы, гормонального статуса рецепторов и параметров функционального объема опухоли (Functional Tumor Volume (FTV)) привела к AUC 0,71 для прогнозирования pCR, а включение демографических, патологических и воксельных характеристик повысило AUC до 0,78. Авторы сравнили прогностическую эффективность воксельных признаков с динамическими признаками (представляющими средние значения изменений по всей опухоли, ΔPE, ΔWIS, ΔWOS, ΔSER, FTV2/FTV1), с AUC 0,71. Таким образом, воксельные признаки несколько превзошли динамические признаки в прогнозировании pCR [60].

Sutton et al. использовали метода случайного леса (RF, алгоритм ML) для оценки pCR на основе радиомических признаков, извлеченных из МР изображений до и после лечения, в сочетании с данными о суррогатном подтипе опухоли. Были построены три модели: первая модель, использующая только радиомические признаки, показала AUC 0,83, чувствительность 0,77 и специфичность 0,69. Последующее включение данных о суррогатном подтипе опухоли с радиомическими признаками незначительно улучшило результаты (AUC 0,78, чувствительность 0,79 и специфичность 0,69). Третья модель, основанная на радиомических признаках, без учета характеристик интенсивности контрастного усиления при МРТ, показала аналогичные первой модели показатели (AUC 0,78, чувствительность 0,79, специфичность 0,69) [61].

В другом исследовании, Fan et al. оценивали изменения гетерогенности опухоли с помощью морфологического, статистических данных первого порядка и текстурного анализа МР изображений, полученных до и после двух циклов НАХТ. Для прогнозирования ответчиков и неответчиков использовался метод опорных векторов (SVM). Прогностическая способность начальных изображений и параметров карты Якобиана (Jacobian map) оказалась ниже среднего (AUC 0,57 и 0,63 соответственно). Напротив, использование изображений после второго курса НАХТ дало AUC 0,77. Более того, модель, основанная на оценке изменений признаков между изображениями, полученными до и во время лечения, дала AUC 0,73. Комбинирование признаков из всех упомянутых изображений с данными суррогатного подтипа опухоли привело к наибольшей прогностической эффективности, достигая AUC 0,81, чувствительности 0,83 и специфичности 0,80 [62].

Hussain et al. комбинировали молекулярный подтип опухолей молочной железы и индекс Ki-67 с радиомическими признаками, затем сравнили прогностические возможности пяти классификаторов ML (SVM, Naive Bayes, KNN, Decision Tree и Ensemble RUSBoosted Tree) в определении пациентов, достигших pCR, используя данные из набора данных I-SPY-1 TRIAL. Используя модель Ensemble RUSBoosted Tree, при использовании данных только молекулярного подтипа, достигался AUC 0,82 и точность 0,84. Проведение текстурного анализа исследований МРТ до лечения, после первого курса и в середине лечения, дало AUC 0,88, 0,72 и 0,78 и соответствующие точности 0,86, 0,82 и 0,76. Объединение результатов текстурного анализа из двух временных точек (до и после первого курса НАХТ) дало впечатляющий AUC 0,96 с точностью 0,84. В то время как добавление данных молекулярного подтипа еще больше улучшила прогностические возможности это модели, повысив AUC до 0,98, с точностью 0,94 [63].

Параметрические карты ответа (Parametric Response Maps (PRMs)) были использованы для исследования областей повышенной и пониженной интенсивности внутри опухолей на ранней стадии лечения. Cho et al. использовали t-тест (критерий Стьюдента) для сравнения прогностических возможностей традиционных фармакокинетических параметров (в частности, Ktrans, Kep и Ve) с анализом PRM. Анализ PRM включал воксельное сравнение между изображениями до лечения и теми, которые были получены после первого курса НАХТ. Воксели с повышенной интенсивностью (>10%) были помечены как PRMSI+, в то время как те, у которых интенсивность сигнала уменьшилась, были помечены как PRMSI-. В результате, авторы не обнаружили значительной разницы между группами pCR и не-pCR по фармакокинетическим параметрам и изменению объема опухоли. Однако, PRM анализ вокселей с повышенной интенсивностью сигнала (PROMISE+) может предсказывать pCr (после первого курса лечения), и достигли AUC 0,77, чувствительности 1 и специфичности 0,71 при пороге 0,21 [64].

Drisis et al. создали параметрические карты ответа через метод аффинной регистрации, включающий вычитание изображений, полученных до лечения (референсное изображение), и после начала НАХТ (трансформированное изображение). Области, где значения вокселей показали увеличение интенсивности более чем на 10%, были классифицированы как неотвечающие области (PRMdce+), в то время как отвечающие области (PRMdce-) показали снижение интенсивности более чем на 10% после начала терапии. Воксели, вошедшие в эти категории, были классифицированы как (PRMstable). Исследование включило потенциал как патологических характеристик, так и PRM в прогнозировании не-pCR. Было установлено, что патологические характеристики и PRM достигли AUC 0,71 и 0,88 соответственно. Они также выявили, что PRMdce+ и Grade 2 опухоли являются значимыми факторами для прогнозирования не-pCR (AUC 0,94) [65].

Применения методов DL также продемонстрировали многообещающий потенциал в прогнозировании ответа на НАХТ. В исследовании Comes et al. использовалась предварительно обученная сверточная нейронная сеть (CNN) для автоматического извлечения признаков низкого уровня (характеристики краев, линий и точек) из изображений, полученных до и после первого курса НАХТ, заменяя необходимость ручной сегментации. Исследование также изучало прогностическую способность патологических признаков, из которых были выбраны наиболее оптимальные и использованы с применением метода опорных векторов (SVM). Модель, основанная на патологических признаках, достигла точности 0,69, чувствительности 0,43 и специфичности 0,79. Сочетание патологических и радиомических признаков до и на ранних стадиях лечения, был достигнут впечатляющий AUC 0,9, точность 0,92, чувствительность 0,86 и специфичность 0,95 на независимом тестовом наборе данных [66].

В исследовании Peng et al. проводилось сравнение между DL и традиционными ML подходами в прогнозировании ответа на основе начальных патологических, динамических и радиомических характеристик. Традиционные методы ML включали ручное извлечение радиомических данных и регрессию LASSO для оптимального выбора признаков, при этом LDA оказалась наиболее надежным методом. Напротив, DL подход использовал ResNeXt50 CNN для извлечения радиомических признаков и многослойную перцептронную нейронную сеть (MLP) для построения моделей на основе патологических и динамических признаков. Значения AUC для моделей, использующих радиомические, динамические и патологические признаки отдельно, будь то через LDA или DL, не превышали 0,75. Небольшое улучшение эффективности наблюдалось при комбинировании этих признаков. Однако, модель DL, включающая в себя все характеристики, значительно превзошел результаты ML модели (AUC 0,83, с точностью 0,77) [67].

Еще одно исследование Li et al. включало создание номограммы для прогнозирования pCR у пациентов с тройным негативным раком молочной железы (TNBC). Эта номограмма интегрировала метод LDA для выявления независимых предикторов ответа из подборки патологических, клинических и радиомических данных, извлеченных из МР изображений до лечения. В результате, номограмма была построена на трех ключевых предикторах: статус AR (Androgen Receptor), объем опухоли и время до пика (TTP). Прогностическая эффективность номограммы была значительной, достигнув AUC 0,79 в валидационной когорте. Исследование также подчеркнуло, что опухоли, демонстрирующие TTP в 2 минуты, большой объем и положительную экспрессию андрогенных рецепторов, имели меньшую вероятность достижения pCR [68].

3.5 Прогнозирование ответа на НАХТ с использованием мультимодальной радиомики

Liang et al. применили статистические методы, включая t-тест (критерий Стьюдента) и U-тест Манна-Уитни, для оценки эффективности параметров МРТ и значений ADC, полученных до и после второго цикла НАХТ, для раннего прогнозирования pCR. Они обнаружили, что параметры до лечения не показывают значительной разницы между pCR и не-pCR, при этом AUC отдельных параметров не превышали 0,6. Тем не менее, все параметры продемонстрировали высокую прогностическую способность после второго цикла НАХТ, за исключением Ve (экстраваскулярное, внеклеточное пространство) и вымывания контрастного препарата. Кроме того, комбинация параметров Wash-in, TTP (Time to Peak) и ADC дала наивысший AUC 0,89, с чувствительностью 0,88 и специфичностью 0,82 [69].

Li et al. исследовали потенциал параметров контрастного усиления и DWI, полученных до и после первого курса НАХТ, наряду с процентным изменением значений между двумя сканированиями, чтобы предсказать ответ на лечение. С помощью анализа ROC-кривых они оценили прогностическую способность каждого параметра и производного параметра (Kep/ADC). Соотношение Kep/ADC комбинирует информацию о скорости обмена контрастного вещества (Kep) и степени диффузии молекул воды (ADC). Исследование показало, что параметр Kep/ADC, рассчитанный после одного цикла НАХТ, превзошел все другие отдельные параметры, достигнув AUC 0,88, чувствительности 0,92 и специфичности 0,78 при пороговом значении 3,32 мм^-2 [70].

Zhao et al. использовали многомерную логистическую регрессию для исследования независимых предикторов pCR на основе радиомических характеристик, извлеченных из изображений DWI и МРТ, проведенных до и после второго цикла НАХТ. Значимые независимые предикторы pCR включали: значения коэффициента диффузии (ADC) после 2 циклов и процентное снижение как раннего коэффициента усиления E90 (соотношение интенсивности сигнала через 90 секунд после введения контрастного вещества к базовому уровню сигнала), так и размера опухоли. Соответствующие отношения шансов (Odds Ratio) были рассчитаны как 1,04, 0,93 и 0,95 соответственно. Данная модель прогнозирования дала впечатляющие AUC 0,94, чувствительность 1 и специфичность 0,87 при валидации. Также было выявлено, что характеристики МРТ до лечения, возраст, суррагатный подтип и другие патологические маркеры не показали значительных различий между группами pCR и не-pCR [71].

Bian et al. разработали номограмму для прогнозирования как чувствительности к НАХТ, так и pCR. Они оценили прогностические возможности двух моделей логистической регрессии, основанных на радиомических признаках, извлеченных из комбинации контрастного усиления, T2WI и DWI. Модель (1) достигла AUC значений 0,56 и 0,64 для прогнозирования чувствительности к НАХТ и pCR соответственно. В то время как, модель (2) продемонстрировала лучшую эффективность, достигнув AUC 0,91, точности 0,82, чувствительность 1 и специфичность 0,75 в прогнозировании чувствительности к НАХТ. А в прогнозировании pCR она достигла AUC 0,91, точности 0,89, чувствительности 0,88 и специфичности 0,91 [72].

В исследовании, проведенном Liu et al., радиомические характерстики были извлечены из последовательностей T2WI, DWI, T1WI c контрастом и их комбинаций. Предложенные модели метода опорных векторов (SVМ) были проверены на трех независимых когортах (n = 99, 107 и 80). Радиомические характеристики из отдельных последовательностей МРТ дали AUC, не превышающие 0,64 ни в одной из валидационных когорт. Напротив, мульти-параметрическая радиомическая модель достигла AUC 0,70, 0,68 и 0,79 в валидационных когортах. Интеграция патологических признаков (ER, PR и Her2 статус) с мульти-параметрической МРТ улучшила производительность радиомической модели, достигнув AUC 0,79, 0,71 и 0,80 соответственно [73].

Chen et al. извлекли в общей сложности 984 радиомических признаков из изображений контрастного усиления, T2WI и DWI до лечения. Среди них были выбраны шесть признаков — три из T2WI и три из последовательностей с контрастом — для создания радиомической сигнатуры с использованием алгоритма ML Random Forest. Полученные радиомические сигнатуры продемонстрировали заметные показатели производительности в тестовом наборе, включая AUC 0,83, чувствительность 0,80 и специфичность 0,73. Исследование также исследовало взаимосвязь между патологическими характеристиками и pCR, показав, что статусы ER и PR могут служить независимыми предикторами pCR. Кроме того, была разработана прогностическая номограмма, включающая ER, PR и радиомическую сигнатуру, достигнув улучшенного AUC 0,88, чувствительности 0,84 и специфичности 0,82. Модель на основе даннах DWI и T2WI изображений вместе со статусом ER и PR рецепторов продемонстрировала сильные прогностические возможности [74].

В последующем исследовании Chen et al. создали новую номограмму, которая интегрировала радиомические признаки из карт ADC и контрастного усиления до лечения с патологическими характеристиками для различения между pCR (степень 5) и pPR (степени 1–4 по шкале Миллера-Пейна). Авторы использовали логистическую регрессию для создания прогностических моделей, основанных на картах ADC, изображениях с контрастом и их комбинации. Соответствующие значения AUC составляли 0,64, 0,79 и 0,68 соответственно. Исследователи пришли к выводу, что наиболее эффективная модель прогнозирования была достигнута при комбинации статусов ER и PR с радиомическими признаками как из карт ADC, так и из контрастных изображений, достигнув AUC 0,84, точности 0,90, чувствительности 0,71 и специфичности 0,96 [75].

Joo et al. разработали мультимодальную модель DL для прогнозирования pCR на основе изображений T2WI и T1WI с контрастом и субтракцией до лечения, а также клинико-патологических параметров. Они создали две 3D модели сверточных нейронных сетей (CNN) на основе ResNet-50 для извлечения радиомических признаков из билатеральных МРТ изображений. Значения AUC для моделей, использующих изображения T2WI, T1WI с контрастом и субтракцией и клинико-патологические данные, составили 0,66, 0,73 и 0,83 соответственно. Комбинирование изображений T2W и T1WI с контрастом и субтракцией дало AUC 0,75 и точность 0,74, чувствительность 0,49 и специфичность 0,85. Оптимальная прогностическая способность модели достигалась при сочетании клинико-патологических маркеров, T2WI и изображений T1WI с контрастом и субтракцией (AUC 0,89, точность 0,85, чувствительность 0,67 и специфичность 0,93) [76].

Umutlu et al. исследовали потенциал применения в радиомике ПЭТ/MРТ исследований. Применив метод опорных векторов (SVM) с 5-кратной перекрестной проверкой, они предсказывали pCR по всей когорте пациентов и в двух подгруппах молекулярных подтипов ((HR+/Her2-) и (TN/Her2+)). Комбинированное применение всех последовательностей МРТ и ПЭТ дало наиболее надежную прогностическую эффективность для всей когорты, достигнув AUC 0,80, точности 0,77, чувствительности 0,81, специфичности 0,74, PPV 0,76 и NPV 0,80. В подгруппе (HR+/Her2-) тот же набор изображений достиг лучших значений AUC и точности (0,94 и 0,85 соответственно), с чувствительностью и специфичностью 0,85. Заключение авторов подчеркнуло способность радиомической модели на основе ПЭТ/MРТ изображений прогнозировать pCR, особенно у пациентов HR+/Her2- [77].

Choi et al. провели сравнение между моделью на основе Alexnet сверочных нейронных сетей (CNN) и традиционными параметрами для прогнозирования ответчиков и неответчиков на НАХТ на основе данных ПЭТ/КТ и DWI. Предложенная модель CNN показала AUC 0,89, 0,98, 0,60 и 0,70, а также точность 0,97, 0,95, 0,85 и 0,88 для PET0, PET1, MRI0 и MRI1 соответственно (где 0 представляет сканы до лечения, а 1 — сканы после первого цикла НАХТ). Напротив, AUC традиционных параметров, включающих SUV, TLG, MTV и ADC, оставались ниже 0,70 как при начальных, так и при последующих исследованиях, с точностью ниже 0,84 [78].

4. Обсуждение

Обзор литературы показывает, что предсказательные модели ответа на НАХТ значительно эволюционировали с применением методов ML и DL, и большая часть исследований обнаруживают статистически значимую корреляцию хотя бы одного радиомического признака с ответом на НАХТ. Исследования также показывают, что захват более обширной области интереса, включающую само образование и прилежащие ткани (перитуморальную область), и комбинация радиомической модели с клинико-патологическими данными, предлагает значительные перспективы для понимания биологии опухолей в контексте неоадъювантного лечения.

Несмотря на многообещающие результаты предсказательных радиомических моделей, существуют явные ограничения и вызовы, которые необходимо преодолеть. Подавляющее большинство исследований были одноцентровыми, ретроспективными и основывались на относительно небольших выборках пациентов. Отмечались противоречивые результаты некоторых исследований, в которых использовались одинаковые предсказательные характеристики. Также преимущественно была применена ручная сегментация области интереса (ROI), что вызывает вероятность внутри- и межэкспертных расхождений. Зависимость качества данных от диагностического оборудования и оператора, большое количество извлекаемых характеристик усложняет анализ и интерпретацию данных, требуя значительных вычислительных ресурсов. Различия в терапевтических режимах, молекулярных подтипах опухолей, отсутствие стандартизации протоколов сканирования, методов анализа и обработки данных вызывает большую гетерогенность проведенных исследований, что непосредственно влияет на воспроизводимость данных. Более того, разработка радиомических клинико-диагностические моделей требует экспертных знаний специалистов, значительных финансовых и временных ресурсов.

Будущие исследования должны стремиться к устранению существующих пробелов в этой области. Необходимо уделить приоритетное внимание разработке стандартизированных протоколов сбора данных, которые бы прописывали четкие рекомендации к параметрам сканирования, методам извлечения радиомических характеристик, временным точкам сбора данных с учетом различных схем НАХТ. Гармонизация этих протоколов снизит вариативность и будет способствовать получению более сопоставимых и воспроизводимых результатов, что усилит достоверность результатов и повысит обобщаемость предсказательных моделей. Это должно основываться на фундаменте проспективных клинических исследований и обширных, сбалансированных многоцентровых наборов данных. Поэтому необходим набор стандартов, который бы структурировал протоколы для использования разных центрах, разными пользователями, на разном оборудовании.

Сбор внешних, независимых наборов данных для валидации имеет основное значение для тестирования производительности предсказательных моделей. Наборы данных радиомики для обучения, тестирования и валидации алгоритмов ИИ должны постоянно пополняться и развиваться, включать полные статистические и клинические параметры для интеграции и пути для оценки производительности алгоритмов в исследованиях и клинической практике.

На настоящий момент большинство исследователей сосредоточило свое внимание на разработке клинико-радиомических моделей, основанных на таких методах, как МРТ с динамическим контрастным усилением, ПЭТ/КТ и мультимодальной визуализации, которые являются финансово затратными, требующими специализированного оборудования и высококвалифицированного персонала, что в совокупности создает барьеры для их повсеместного использования. Маммография, напротив, является самым доступным и экономически эффективным методом, применяемым для скрининга РМЖ и доступным в большинстве медицинских учреждений. Маммографические исследования являются наиболее стандартизированными, быстрыми и простыми в исполнении. Фокус на использовании маммографии и повышение ее диагностической ценности с помощью радиомики и алгоритмов ИИ может значительно улучшить ее прогностические возможности в оценке ответа на НАХТ. Такой подход обеспечит более персонализированное и точное лечение, делая его доступным для большего числа пациентов.

Следующим этапом развития радиомики является преодоление вышеописанных ограничений с использованием более простых и широко распространенных методов визуализации, таких как маммография, и повышение их диагностической ценности с помощью радиомики и алгоритмов ИИ, стандартизация методик и разработка алгоритмов ее применения в клинической практике.

5. Выводы

РМЖ остается глобальной проблемой, требующей инновационных подходов к лечению. Важность количественной оценки медицинских изображений была признана крупнейшими профессиональными сообществами и является естественным этапом перехода к персонализированной медицине.  Включение в протоколы лечения НАХТ обещает улучшение результатов лечения и прогнозов для пациентов. Раннее прогнозирование эффективности НАХТ помогает подобрать оптимальную тактику ведения пациентов, тем самым снижая ненужную токсичность, экономические затраты и побочные эффекты, связанные с самим лечением. Однако, на данный момент, можно сделать вывод, что радиомике еще нужно время, прежде чем она сыграет значительную роль в практических аспектах исследования рака и еще больше времени, чтобы она внедрилась в клиническую практику.

About the authors

Maria M. Suleymanova

Национальный медицинский исследовательский центр хирургии имени А.В. Вишневского

Author for correspondence.
Email: maria.suleymanova95@gmail.com
ORCID iD: 0000-0002-5776-2693
SPIN-code: 7193-6122
Russian Federation, Москва

Grigory G. Karmazanovsky

A.V. Vishnevsky National Medical Research Center of Surgery

Email: karmazanovsky@yandex.ru
ORCID iD: 0000-0002-9357-0998
SPIN-code: 5964-2369
Scopus Author ID: 55944296600
Russian Federation, Moscow

Evgeniy V. Kondratyev

A.V. Vishnevsky National Medical Research Center of Surgery

Email: evgenykondratiev@gmail.com
ORCID iD: 0000-0001-7070-3391
SPIN-code: 2702-6526
Scopus Author ID: 55865664400
Moscow

Anatoly Yu. Popov

Национальный медицинский исследовательский центр хирургии имени А.В. Вишневского

Email: vishnevskogo@ixv.ru
ORCID iD: 0000-0001-6267-8237
SPIN-code: 6197-2060
Москва

Valentin A. Nechaev

Moscow City Hospital named after S.S. Yudin, Moscow Healthcare Department

Email: dfkz2005@gmail.com
ORCID iD: 0000-0002-6716-5593
SPIN-code: 2527-0130

MD, PhD

Russian Federation, Moscow

Maria V. Ermoshchenkova

Городская клиническая больница им. С.С. Юдина Департамента здравоохранения г. Москвы»

Email: ermoshchenkova_m_v@staff.sechenov.ru
ORCID iD: 0000-0002-4178-9592
Москва

Evgeniya S. Kuzmina

Городская клиническая больница им. С.С. Юдина Департамента здравоохранения г. Москвы»

Email: saparts@mail.ru
ORCID iD: 0009-0007-2856-5176
SPIN-code: 9668-5733

head department of chemotherapy

Russian Federation, Москва

References

Supplementary files