MRI-texture analysis in prediction of muscle invasive bladder cancer

Full Text

Ведение

Рак мочевого пузыря (РМП) – наиболее распространенное заболевание среди злокачественных новообразований мочевыделительной системы. По данным Globocan от 2022 г. РМП занимает 9-е место в мире среди всех злокачественных заболеваний и 13-е -по показателям смертности [1], внося значительный вклад в общемировую заболеваемость и расходы на здравоохранение ввиду высоких показателей рецидивов и прогрессирования [2-4]. Важно отметить, что Россия входит в первые 10 стран с самой высокой заболеваемостью РМП [5]. Ежегодно в мире регистрируется более 600 000 новых случаев [1, 2]. 5-летняя выживаемость при РМП снижается в 2 раза при местнораспространенной форме в отличие от локализованной [6].

По данным Tempo J еt al [6], более 90% пациентов с диагностированным РМП составляют лица старше 55 лет, а средний возраст постановки диагноза соответствует 73 годам, что предполагает высокую частоту коморбидной патологии и возможные клинические риски при применении инвазивных диагностических процедур.

Важным фактором, определяющим лечебную тактику при РМП, является инвазия опухоли в мышечный слой. Гистологическое исследование стоит в ряду обязательных диагностических процедур, применяемых с целью выявления мышечной инвазии [7, 8]. Однако на его информативность оказывает влияние целый ряд факторов, связанных прежде всего с качеством забора материала (технические сложности, квалификация медицинских работников, высокоэнергетическое повреждение тканей) [10]. По данным литературы вероятность наличия остаточной опухоли после первичной трансуретральной резекции (ТУР) может достигать 50%, а у каждого десятого пациента после повторной ТУР подтверждается мышечная инвазия, не определяемая ранее [11, 12].

В связи с вышеуказанным, сохраняет свою актуальность разработка и внедрение новых маркеров, в том числе на основе современных методов лучевой диагностики, уточняющих Т-стадию и прогноз РМП. С этих позиций активно обсуждаются возможности использования текстурного анализа магнитно-резонансных томограмм (МРТ).

Текстурный анализ  — это новый аналитический инструмент, позволяющий путем компьютерного анализа медицинских изображений c помощью специализированного программного обеспечения получать информацию о патофизиологических особенностях тканей. Суть текстурного анализа сводится к математическому преобразованию распределения интенсивности сигналов и взаимосвязей пикселей в области интереса [13, 14].

Цель: изучить возможность текстурного анализа магнитно-резонансных томограмм в дифференциальной диагностике мышечноинвазивных (МИРМП) и мышечнонеинвазивных (МНИРМП) форм РМП.

Материал и методы

Общая характеристика пациентов

Ретроспективно проанализированы данные 98 пациентов с морфологически верифицированным диагнозом РМП (уротелиальная карцинома). В 14% случаев по результатам гистологического исследования не представлялось возможным сделать заключение об инвазии опухоли в мышечный слой в связи с отсутствием последнего биоптате или выраженными коагуляционными повреждениями тканей.

Таким образом, в исследование включено 84 пациента (мужчин – 65 (77,0%); женщин – 19 (23,0%). Средний возраст составил 68,5 лет [60, 75; 75, 0]. В соответствии с результатами гистологического исследования инвазия опухоли в мышечный слой верифицирована у 21 пациента (25,0%), у остальных 63 пациентов (75,0%) мышечный слой оставался интактным; высокая степень дифференцировки опухоли (low grade) отмечалась у 48 пациентов (59,0%), низкая степень дифференцировки опухоли (high grade) – у 33 пациентов (41,0%).

У 69 пациентов (82,0%) трансуретральная резекция (ТУР) была выполнена не позднее 1 мес. после МРТ, у 14 пациентов (17,0%) - от 1 до 3,5 мес. после МРТ; у 1 пациента (1,0%) ТУР была выполнена за 1 мес до МРТ.

МРТ органов малого таза выполнены в дооперационном периоде с внутривенным контрастированием по стандартному протоколу на томографах с индукцией магнитного поля 1,5/3 Тл. Диффузионно-взвешенные изображения (ДВИ) получали с респираторной синхронизацией. Карты измеряемого коэффициента диффузии (ИКД) были построены автоматически на основе высокого b-фактора. Проанализировано 246 импульсных последовательностей.

Критериями включения в исследование являлось:

1. наличие МРТ органов малого таза удовлетворительного качества;
2. наличие данных гистологического исследования с заключением относительно вовлеченности мышечного слоя.

Критериями исключения являлись:

1. отсутствие гистологического заключения, отражающего состояние инвазии опухоли в мышечный слой;
2. неоптимальное качество исследования.

            Текстурный анализ

Для вычисления текстурных показателей применяли программное обеспечение LIFEx (version v7.4.0, 7.5.5 www.lifexsoft.org) [15]. Сегментация изображений проводилась одним врачом рентгенологом с опытом визуализации 4 года. 

При наличии нескольких образований сегментировалось наиболее крупное.

Для всех изображений была применена предварительная обработка, заключающаяся в использовании заданного размера вокселя 1х1х1 мм.

Выполнялась ручная сегментация трех импульсных последовательностей (Т2-ВИ, ДВИ с b-фактором 800/1000 c/мм², ИКД) с использованием двухмерной области интереса (2D ROI) на срезе, соответствующем максимальному размеру опухоли (рис. 1). Среди Т2-ВИ для сегментации нами были выбраны серия в сагиттальной реконструкции. ДВИ и ИКД последовательности стандартно были представлены аксиальными сканами, при этом при сегментации вышеуказанных проводилось копирование области интереса с одной последовательности на другую с последующей корректировкой при необходимости.

После сегментации для каждой импульсной последовательности рассчитывалось по 147 текстурных показателей.

 

Рис. 1. Магнитно-резонансная томограмма. Экзофитная опухоль мочевого пузыря, Т2-ВИ, сагиттальная плоскость, сегментация образования на срезе, соответствующему максимальному размеру опухоли (2D-ROI)

Fig. 1. MR-scan. Exophytic tumor, sagittal Т2-WI, 2D-ROI segmentation of the lesion

 

Статистический анализ

Сбор данных, их последующая систематизация осуществлялись в электронных таблицах Microsoft Office Excel (2016). Статистическая обработка результатов проводилась с использованием языка программирования Python (v. 3.12, Python Software Foundation, https://www.python.org/). Результаты абсолютных величин представлены в виде медианы с указанием интерквартильного размаха в виде Ме [Q1;Q3] (где Ме – медиана; Q1,Q3 – 1 и 3 квартили), относительных – на 100 обследованных , в процентах. Сравнение данных двух групп проводили с помощью критерия Манна-Уитнни для абсолютных величин, критерия  χ2 - для относительных величин. Корреляционный анализ проводился методом ранговой корреляции Спирмена (r). Cтатистически значимыми считались различия при p≤0.05.

Селекция возможных предикторов инвазии в мышечный слой среди клинических и текстурных показателей, осуществлялась в несколько последовательных этапов:

- отбор предполагаемых предикторов с помощью однофакторных логистических моделей и C-индекса (AUC – area under curve);

- отбор предикторов при использовании регрессионного анализа методом LASSO-регрессии после стандартизации переменных.

После отбора предикторы включались в бинарную логистическую регрессионную модель. Для оценки диагностической способности прогностической модели рассчитывались показатели чувствительности, специфичности и точности, для оценки их качества – площадь под кривой (AUC). Для реализации цели исследования обследованные были разделены случайным образом на обучающую и тестовую выборки в соотношении 80:20.

Результаты анализа клинических переменных

В соответствии с поставленной целью проведена оценка клинических и инструментальных данных у обследованных в зависимости от наличия инвазии опухоли в мышечный слой МП, что иллюстрирует таблица1.

 

Таблица 1. Клинико-демографические характеристики пациентов

Table 1. Clinical and demographic characteristics of patients

Показатели	Все обследованные	Группа МНИРМП	Группа МИРМП	p
Пол	n=84	n=63	n=21	p=0,770
мужской	65 (77,0%)	48 (76,0%)	17 (81,0%)
женский	19 (23,0%)	15 (24,0%)	4 (19,0%)
Возраст	68,5 [60, 75; 75, 0], (n=84)	69.0 [59, 5; 75, 0], (n=63)	68.0 [63, 0; 76, 0], (n=21)	p=0,522
Grade	n=81	n=60	n=21	p=0,002*
low	48 (59,0%)	42 (70,0%)	6 (29,0%)
high	33 (41,0%)	18 (30,0%)	15 (71,0%)
Max размер, мм	18,5 [13,0; 32.25], (n=84)	16,0 [12, 0; 24, 0], (n=63)	32,0 [22, 0; 46, 0], (n=21)	p<0,001*
Количество опухолей	1.0 [1.0; 1.0], (n=84)	1.0 [1.0; 1.0], (n=63)	1.0 [1.0; 1.0], (n=21)	p=0.070
одна	75 (89,0%)	54 (86,0%)	21 (100,0%)
две и более	9 (11,0%)	9 (14,0%)	0 (0%)
VI-RADS	n=83	n=62	n=21
VI-RADS_1	11 (13,0%)	11 (18,0%)	0 (0%)	p=0,058
VI-RADS_2	39 (47,0%)	34 (55,0%)	5 (24,0%)	p=0,022*
VI-RADS_3	13 (16,0%)	9 (15,0%)	4 (19,0%)	p=0,730
VI-RADS_4	16 (19,0%)	8 (13,0%)	8 (38,0%)	p=0,022*
VI-RADS_5	4 (5,0%)	0 (0%)	4 (19,0%)	p=0,003*
VI-RADS_1-2	50 (60,0%)	45 (73,0%)	5 (24,0%)	p<0,001*
VI-RADS_4-5	20 (24,0%)	8 (13,0%)	12 (57,0%)	p<0,001*

РМП - рак мочевого пузыря, МИРМП  – мышечноинвазивные формы РМП, МНИРМП – мышечнонеинвазивные формы РМП, VI-RADS – Vesical Imaging-Reporting And Data System, grade – cтепень дифференцировки опухоли по результатам гистологического исследования, low grade – высокая степень дифференцировки, high grade – низкая степень дифференцировки, p – уровень значимости, * - статистически значимо при p < 0,05, n = количество обследованных

 

Возрастные и гендерные характеристики, количество опухолей не имели существенных особенностей, однако по ряду признаков получены статистически значимые (p≤0,05) различия. Так, в случае мышечной инвазии был больше максимальный размер опухоли, определяемый по данным МРТ, чаше регистрировались низкая степень дифференцировки (high grade), VI-RADS 4-5 (табл. 1).

Среди качественных и количественных переменных сильно коррелирующих (коэффициент множественной корреляции (Rm)>0,7) между собой выявлено не было. Умеренную корреляционную связь (Rm от 0,3 до 0,5) показали следующие переменные (рис.2):

- Инвазия - VI-RADS_5: (Rm=0,387; p=0,003*);

- Инвазия - Grade: (Rm=0,369; p=0,002*)

 

Рис. 2 Тепловая карта, Heatmap. Цветовая шкала отражает степень корреляционной связи между переменными. Величина корреляции указана по вертикальной цветовой шкале.

Fig. 2. Correlation matrix heat map. The correlation matrix of all parameters is visualized in a heat map. The magnitude of the correlation is indicated in the color bar.

На основании полученных данных предпринята тактика оценить диагностическую значимость указанных переменных в качестве предикторов инвазии в мышечный слой при РМП. По итогу однофакторной логистической регрессии было отобрано 4 клинических предиктора мышечной инвазии (табл.2). Однофакторный логистический анализ показал, что при использовании отдельных предикторных переменных разброс показателей точности, чувcтвительности и специфичности прогностической модели весьма существенный (табл. 3). Особенно сложно прогнозировать мышечную инвазию на основании заключения о степени VI-RADS, хотя в клинической практике этому показателю придается существенное значение.

Таблица 2. Факторы риска мышечной инвазии на основе однофакторной логистической регрессии

Table 2. Risk factors for muscle invasion based on univariate logistic regression

Фактор/ предиктор	B [95%CI]	Exp (B) [95%CI]	p
Grade	1,764	5,836 [1, 950 ;17, 454]	p=0,002*
Max размер, мм	0,034	1,034 [1, 004 ;1, 066]	p=0,021*
VI-RADS_1-2	-2,137	0,118 [0, 037 ; 0, 372]	p<0,001*
VI-RADS_4-5	2,197	8,997 [2, 879 ; 28, 125]	p<0,001*

CI - доверительный интервал, Exp(B) – экспонированное значение шансов, р – уровень значимости, * - статистически значимо при p < 0,05

 

Таблица 3. Сравнительные метрики качества каждой предикторной переменной

Table 3. Performances of risk factors

Переменные	ROC-AUC	Точность	Чувствительность	Специфичность
max размер	77,0% [68, 1; 85, 3]%	73,8% [66, 7; 81, 0]%	66,7% [48, 0; 84, 6]%	76,2% [67, 7; 84, 6]%
grade	70,6% [60, 8; 80, 4]%	70,2% [61, 9; 78, 6]%	71,4% [54, 2; 87, 5]%	69,8% [59, 4; 79, 0]%
VI-RADS 1	59,5% [63, 7; 55, 6]%	39,3% [47, 6; 31, 0]%	100,0% [100, 0; 100, 0]%	19,0% [27, 4; 11, 1]%
VI-RADS 2	65,1% [73, 8; 56, 2]%	59,5% [67, 9; 51, 2]%	76,2% [90, 5; 61, 1]%	54,0% [63, 8; 43, 5]%
VI-RADS 1-2	74,6% [82, 9; 65, 8]%	73,8% [81, 0; 65, 5]%	76,2% [90, 5; 61, 1]%	73,0% [81, 8; 63, 8]%
VI-RADS 3	52,4% [43, 9; 60, 9]%	69,0% [60, 7; 77, 4]%	19,0% [5, 0; 34, 8]%	85,7% [78, 3; 92, 1]%
VI-RADS 4	62,7% [53, 2; 72, 1]%	75,0% [67, 9; 82, 1]%	38,1% [21, 1; 56, 2]%	87,3% [80, 0; 93, 8]%
VI-RADS 5	59,5% [52, 6; 66, 7]%	79,8% [72, 6; 86, 9]%	19,0% [5, 3; 33, 3]%	100,0% [100, 0; 100, 0]%
VI-RADS 4-5	72,2% [62, 1; 81, 8]%	79,8% [72, 6; 86, 9]%	57,1% [38, 1; 75, 0]%	87,3% [80, 0; 93, 8]%

 

Последующий многофакторный анализ проведен после разделения обследованных случайным образом на обучающую (n=66) и тестовую (n=18) выборки (табл.4), которые статистически значимо не различались между собой, что говорит об их сопоставимости.

Таблица 4. Характеристики обучающей и тестовой выборок

Table 4. Сharacteristics of training and test cohorts

Показатели	Все обследованные	Тестовая выборка	Обучающая выборка	p
	n=84	n=18	n=66	p=1,000
МНИРМП	63 (75,0%)	14 (78,0%)	49 (74,0%)
МИРМП	21 (25,0%)	4 (22,0%)	17 (26,0%)
Предикторы мышечной инвазии
Пол	n=84	n=18	n=66	p=1,000
мужской	65 (77,0%)	14 (78.0%)	51 (77,0%)
женский	19 (23,0%)	4 (22,0%)	15 (23,0%)
Возраст	68,5 [60, 75; 75, 0], (n=84)	65,0 [59, 25; 69, 75], (n=18)	69,5 [63, 0; 75, 75], (n=66)	p=0,121
Grade	n=81	n=16	n=65	p=1,000
low	48 (59,0%)	10 (62,5%)	38 (58,5%)
high	33 (41,0%)	6 (37,5%)	27 (41,5%)
Max размер, мм	18,5 [13, 0; 32, 25], (n=84)	22,0 [10, 5; 41, 5], (n=18)	18,0 [14, 0; 32, 0], (n=66)	p=0,756
Количество опухолей	1.0 [1.0; 1.0], (n=84)	1.0 [1.0; 1.0], (n=18)	1.0 [1.0; 1.0], (n=66)	p=0.433
одна	75 (89,0%)	17 (94,0%)	58 (88,0%)
две и более	9 (11,0%)	1 (6,0%)	8 (12,0%)
VI-RADS	n=83	n=18	n=65	p=0,380
1	11 (13,0%)	5 (28,0%)	6 (9,0%)
2	39 (47,0%)	6 (33,0%)	33 (51,0%)
3	13 (16,0%)	2 (11,0%)	11 (17,0%)
4	16 (19,0%)	4 (22,0%)	12 (18,0%)
5	4 (5,0%)	1 (6,0%)	3 (5,0%)
VI-RADS_1-2	50 (60,0%)	11 (61,0%)	39 (60,0%)	p=1,000
VI-RADS_4-5	20 (24,0%)	5 (28,0%)	15 (23,0%)	p=0,756

РМП - рак мочевого пузыря, МИРМП  – мышечноинвазивные формы РМП, МНИРМП – мышечнонеинвазивные формы РМП, VI-RADS – Vesical Imaging-Reporting And Data System, Grade – cтепень дифференцировки по опухоли по результатам гистологического исследования, low grade – высокая степень дифференцировки, high grade – низкая степень дифференцировки, p – уровень значимости, n = количество обследованных

 

В математическую модель прогноза наличия мышечной инвазии путем многофакторной логистической регрессии включены 6 переменных – VI-RADS_4-5, grade, максимальный размер опухоли, возраст, VI-RADS_1-2, количество опухолей. Коэффициенты предикторных переменных представлены в таблице 5.

Таблица 5. Факторы риска мышечной инвазии на основе многофакторной логистической регрессии

Table 5. Risk factors for muscle invasion based on multivariate logistic regression

Переменные	coef (B)
VI-RADS_4-5	1,291
Grade	1,202
Max размер, мм	0,061
Возраст	0,027
VI-RADS_1-2	-0,677
Количество опухолей	-1,032
const	-4.125

Сonst – константа, coef (B) – значения коэффициентов для каждой переменной, используемые для составления формулы

Полученная математическая модель имеет следующий вид: ВПР= 1/(1+ e^(-x))

где ВПР - вероятность прогнозирования результата – наличие мышечной инвазии,

x = 1,290*(VI-RADS_4-5) + 1,201*(Grade) + 0,061*(Max размер, мм) + 0,027*(Возраст) – 0,677*(VI-RADS_1-2) – 1,032*(Количество опухолей) -4,125.

Определено значение точки отсечения (cut-off), которое равно 0,22: если ВПР < 0,22, то инвазии в мышечный слой нет; если ВПР ≥ 0,22, то инвазия в мышечный слой есть.

Метрики оценки качества данной прогностической модели представлены в таблице 6. На тестовой выборке при удовлетворительных показателях специфичности и точности чувствительность модели составляет только 50%.

 

Таблица 6. Метрики оценки качества прогностической модели, основанной на клинических переменных, на обучающей и тестовой выборках

Table 6. Performances of clinical model on training and test sets

Мера оценки	Обучаюшая выборка	Тестовая выборка
ROC-AUC	90,8% [83, 6; 96, 4]%	75,0% [50, 0; 94, 6]%
Точность	77,3% [68, 2; 84, 8]%	72,2% [55, 6; 88, 9]%
Чувствительность	82,4% [64, 7; 95, 2]%	50,0% [0, 0; 100, 0]%
Специфичность	75,5% [64, 8; 85, 4]%	78,6% [60, 0; 94, 1]%

 

Результаты текстурного анализа

Текстурный анализ МРТ показал, что обследованные с МИРМП имеют статистически значимые (p от ≤0,001 до ≤0,005) различия с пациентами с МНИРМП по 161 показателю (43% от всех анализируемых показателей). Преимущественно это были показатели, получаемые в ИКД последовательности (40% от всех показателей, имеющих статистически значимые различия). Резюмируя эти данные, нами сделан предварительный вывод о высокой информативности текстурного анализа МРТ, учитывая высокий процент различий в зависимости от наличия мышечной инвазии.

Последующий многофакторный анализ проведен после разделения обследованных на две группы – обучающую (n=66) и тестовую (n=18), которые были сопоставимы по основным характеристикам (табл.4). При пошаговом отборе с включением показателей в Lasso-регрессию было отобрано 4 текстурных предиктора мышечной инвазии (рис. 3, рис.4, табл. 7).

 

 

Рис. 3 Выбор оптимального параметра alpha в модели LASSO. Alpha (вертикальная пунктирная линия) -значение минимальной среднеквадратической ошибки на обучающей и тестовой выборках. Оптимальное значение alpha = 10,72.

Fig. 3. Selection the optimal alpha tuning parameter in the LASSO model. The vertical dashed line indicates the optimal value of alpha ( = 10,72) – the value of the minimum mean square error for the training and test sets.

 

 

 

Рис. 4. График Lasso-коэффициентов. Каждая цветная линия отражает коэффициент для отдельного текстурного признака. Вертикальная линия отражает 4 текстурных признака с ненулевыми коэффициентами, отобранными при оптимальном значении alpha, для дифференцировки МИРМП и МНИРМП

Fig. 4. Lasso coefficients. Each colored line represents the coefficient of each radiomics feature, and the vertical dashed line represents 4 radiomics features with non-zero coefficients selected with optimal alpha.

 

Таблица 7. Отобранные методом LASSO-регрессии текстурные 2D-предикторы для дифференциальной диагностики МИРМП и МНИРМП

Table 7. Selected 2D-radiomics features based on the LASSO algorithm for classifying NMIBC and MIBC.

Переменные	coef (B)
T2_2D_INTENSITY-HISTOGRAM_IntensityHistogramMode(IBSI:AMMC)[Intensity]	1,347
ИКД_2D_INTENSITY-HISTOGRAM_IntensityHistogramEntropyLog2(IBSI:TLU2)[Intensity]	1,179
ИКД_2D_GLSZM_ZoneSizeEntropy(IBSI:GU8N)	-0,018
ИКД_2D_MORPHOLOGICAL_SurfaceToVolumeRatio(IBSI:2PR5)[mm]	-1,202
Const	-2,229

Сonst – константа, coef (B) – значения коэффициентов для каждой переменной, используемые для составления формулы

Построенная на результатах текстурного анализа прогностическая модель выглядит следующим образом: ВПР= 1/(1+ e^(-x))

где ВПР - вероятность прогнозирования результата – наличие мышечной инвазии,

x = 1,347*(T2_2D_INTENSITY-HISTOGRAM_IntensityHistogramMode(IBSI:AMMC)[Intensity]) + 1,179*(ИКД_2D_INTENSITY-HISTOGRAM_IntensityHistogramEntropyLog2(IBSI:TLU2)[Intensity]) -0,018*(ИКД_2D_GLSZM_ZoneSizeEntropy(IBSI:GU8N)) - 1,201*(ИКД_2D_MORPHOLOGICAL_SurfaceToVolumeRatio(IBSI:2PR5)[mm]) – 2,229

Определено значение точки отсечения (cut-off), которое равно 0,34: если ВПР < 0.34, то инвазии в мышечный слой нет; если ВПР ≥ 0,34, то инвазия в мышечный слой есть.

Метрики оценки качества данной прогностической модели представлены в таблице 8. Полученная модель очень хорошего качества (80-90%), т.к. ROC-AUC на тестовой выборке составляет 0,86.

Таблица 8. Метрики оценки качества прогностической модели, основанной на текстурных 2D-признаках, на обучающей и тестовой выборках

Table 8. Performances of 2D-radiomics model on training and test sets

Мера оценки	Обучающая выборка	Тестовая выборка
ROC-AUC	91,1% [83, 9; 97, 0]%	85,7% [57, 1; 100, 0]%
Точность	84,8% [77, 3; 92, 4]%	77,8% [61, 1; 94, 4]%
Чувствительность	82,4% [65, 2; 95, 7]%	75,0% [33, 3; 100, 0]%
Специфичность	85,7% [76, 6; 94, 0]%	78,6% [60, 0; 93, 8]%

 

            Как иллюстрирует таблица 9, использование текстурного анализа позволило добиться улучшения качества прогноза мышечной инвазии при РМП, не прибегая к инвазивным процедурам.

Таблица 9. Сравнение метрик оценки качества клинической и радиомической моделей

Table 9. Comparison of clinical and radiomic models

Мера оценки	Клиническая модель		Радиомическая модель
	Обучающая выборка	Тестовая выборка	Обучающая выборка	Тестовая выборка
ROC-AUC	90,8% [83, 6; 96, 4]%	75,0% [50, 0; 94, 6]%	91,1% [83, 9; 97, 0]%	85,7% [57, 1; 100, 0]%
Точность	77,3% [68, 2; 84, 8]%	72,2% [55, 6; 88, 9]%	84,8% [77, 3; 92, 4]%	77,8% [61, 1; 94, 4]%
Чувствительность	82,4% [64, 7; 95, 2]%	50,0% [0, 0; 100, 0]%	82,4% [65, 2; 95, 7]%	75,0% [33, 3; 100, 0]%
Специфичность	75,5% [64, 8; 85, 4]%	78,6% [60, 0; 94, 1]%	85,7% [76, 6; 94, 0]%	78,6% [60, 0; 93, 8]%

 

Обсуждение

Особенностью нашего исследования является сравнительный анализ возможностей клинико-инструментальных данных с одной стороны и радиомических параметров - с другой в прогнозировании мышечной инвазии РМП. Важным следует отметить, что в нашей работе текстурному анализу предшествовала стандартизация всех анализируемых импульсных последовательностей, заключающаяся к приведению последних к вокселю единого размера 1х1х1 мм.

Среди данных стандартного инструментального обследования и клинических переменных достоверными предикторами мышечной инвазии оказались следующие - grade, возраст, количество опухолей, категория Vi-RADS 1-2 и VIRADS 4-5. Оценивая важность клинических предикторов, исходя из коэффициентов (coef (B), важно отметить два наиболее значимых параметра – VIRADS 4-5 и grade.

Отобранные текстурные предикторы мышечной инвазии имели следующую характеристику – 3 из 4 относились к ИКД последовательности, 2 являлись показателями первого порядка (гистограммы), 1 – показателем второго порядка (GLSZM), 1- показателем формы. Показатели первого порядка характеризуют распределение значений отдельных вокселей без учета пространственных отношений, показатели второго порядка наоборот характеризуют пространственное расположение [12]. Более точные характеристики текстурных показателей представлены ниже [15]:

- GLSZM  (grey level size zone matrix) – матрица размеров зон уровней серого, количественно определяет зоны уровня серого на изображении. Зона уровня серого определяется как количество соединенных вокселей с одинаковой интенсивность уровня серого. GLSZM_ZoneSizeEntropy – характеризует случайность в распределении размеров зон и уровней серого, при этом более высокое значение указывает на большую неоднородность в текстурной картине;

-INTENSITY-HISTOGRAM_IntensityHistogramMode –наиболее часто встречающееся значение интенсивности уровня серого в гистограмме интенсивности;

- INTENSITY-HISTOGRAM_IntensityHistogramEntropyLog2 – значение энтропии в гистограмме интенсивности, отражает случайность значений в изображении;

- MORPHOLOGICAL_SurfaceToVolumeRatio - отношение площади поверхности к объему.

Полученные нами результаты свидетельствуют о том, что текстурный анализ может использоваться для дифференциальной диагностики МИРМП и МНИРМП. В ходе нашего исследования мы разработали клиническую и радиомическую модели для прогнозирования мышечной инвазии при РМП и доказали, что радиомическая модель, основанная на 2D-текстурных параметрах, превосходит клиническую по всем метрикам оценки. Модель на основе текстурных параметров показала существенно большую чувствительность (+25%) в предикции мышечной инвазии, чем модель на основе клинико-инструментальных данных.

Наши результаты сопоставимы с рядом работ, в которых показатели первого порядка, в частности - гистограммы, входили в число предикторов мышечной инвазии [14, 16].

Lim CS et al (2019) [14] также доказали, что 2D-текстурный анализ T2-ВИ и ИКД позволяет уточнять локальный статус РМП и получили AUC 0,85 для Т2-ВИ и AUC 0,80 для ИКД. В отличие от нашей прогностической модели, включающей несколько подгрупп текстурных предикторов, в исследовании Lim CS et al в итоговую модель был отобран лишь один показатель первого порядка (энтропия).

Ранее было выполнено исследование со схожим дизайном [17], однако оно не выявило текстурных предикторов мышечной инвазии. Razik A at al (2021) объяснили это неоптимальностью выборки (все случаи МИРМП имели high grade, что отразилось на высоком коэффициенте корреляции  r=1) [14]. Отличие от полученных нами результатов, вероятно, может быть обусловлено также тем, что группа авторов не включала в анализ показатели второго и более высокого порядков, объяснив трудности их интерпретации и выявления причинно-следственных связей.

Наше исследование имеет ряд ограничений. Во-первых, работа выполнена ретроспективно на относительно небольшой выборке пациентов. Во-вторых, радиомическому анализу подвергалась лишь опухоль, однако дополнительный интерес может представлять также анализ структуры нормальной стенки и прилежащей клетчатки. В-третьих, анализ двухмерной области интереса (2D-ROI), вероятно может снижать общую выборку текстурных параметров и препятствовать оценке всей структуры опухоли, что, по нашему мнению, заслуживает дальнейшего изучения.

Заключение

Таким образом, текстурный анализ магнитно-резонансных томограмм позволяет прогнозировать мышечную инвазию при РМП. Модель, основанная на текстурных предикторах, показывает большую точность в сравнении с клинической моделью (AUC= 0,86 и AUC=0,75 соответственно).

About the authors

Anastasia A. Kovalenko

Central Clinical Hospital of the Management Affair

Author for correspondence.
Email: nastua_kovalenko@mail.ru
ORCID iD: 0000-0001-8276-3594
SPIN-code: 6158-0090

врач-рентгенолог отделения рентгеновской диагностики и томографии

Russian Federation, Moscow

Valentin E. Sinitsyn

Lomonosov Moscow State University

Email: vsini@mail.ru
ORCID iD: 0000-0002-5649-2193
SPIN-code: 8449-6590

MD, Dr. Sci. (Medicine), Professor

Russian Federation, Moscow

Victor Petrovichev

National Medical Research Centre “Treatment and Rehabilitation Centre”

Email: petrovi4ev@gmail.com
ORCID iD: 0000-0002-8391-2771
SPIN-code: 7730-7420

MD, Cand. Sci. (Medicine)

Russian Federation, Moscow

Zahar Kovalenko

Email: zahar_kovalenko@mail.ru
ORCID iD: 0000-0002-8314-9307
SPIN-code: 2384-2473

References

Supplementary files