Аспирант кафедры лучевой диагностики и терапии Факультета Фундаментальной
Медицины МНОИ МГУ им. М.В.Ломоносова.
Врач отделения рентгенодиагностики с кабинетами МРТ и КТ Университетской клиники.
MD, Cand. Sci. (Med), Associate Professor
канд. мед. наук, доцент
MD, Cand. Sci. (Med), Associate Professor
Врач отделения рентгенодиагностики с кабинетами МРТ и КТ Университетской клиники.
Over the past decades, the detection rate of kidney tumors has increased. However, some of them may be benign. Radiographic diagnostic methods are often unable to reliably determine the tumor's nature, so histological verification remains the gold standard. The use of noninvasive methods for diagnosing tumors is particularly relevant in modern urology. One such promising method is radiomics, which is based on mathematical methods for assessing tumor structure heterogeneity and allows for the prediction of histological verification results. Nevertheless, the lack of standardization and external validation of modern radiomics methods hinders their widespread implementation. Over the past few years, radiomics analysis has increasingly been used in conjunction with machine learning (ML) methods, which reduce the risk of systematic errors.
This paper presents a review of publications devoted to MR and CT radiomics in differentiating fat-poor AML from other types of kidney tumors with low lipid content. It provides information on the role of radiomics in determining the nature of kidney tumors, details the methodology for performing radiomics analysis, and demonstrates the results of radiomics analysis for the differential diagnosis of fat-poor AML from other renal tumors based on CT and MR images, identifying the most reliable textural features.
A search of publications using keywords in the Russian scientific database
Each study included in the review demonstrated high AUC values for the predictive model. The combination of radiomics with clinical and/or conventional imaging features outperformed both clinical and radiomics only models. Second-order features (GLCM, GLRLM, GLSZM, GLDM, NGTDM) were identified as statistically significant in 67% of cases. Machine learning methods were used in every study. Logistic regression was the most common machine learning algorithm (7/9 studies). Radiomics features were extracted from CT images in 6/9 studies, while MRI-based radiomics was used in three studies. Most studies (6/9) focused on differentiating fp-AML from clear cell renal cell carcinoma.
The quality of the studies, assessed based on their methodology, was considered satisfactory. This was primarily due to the lack of external validation of results (89% of the included articles), as well as the unavailability or opacity of data (82%). It is essential to highlight that there is no strict standardization in radiomics analysis. Some authors used 2D segmentation (in 5/9 studies) and manual region of interest (ROI) delineation in most studies. Thus, the reproducibility of radiomics parameters can be considered low. All included studies were retrospective, corresponding to the current state of radiomics research. Differentiating fp-AML remains challenging due to its low prevalence, which leads to small sample sizes and class imbalance.
Therefore, strict standardization and the creation of an open radiomics database are necessary for the implementation of radiomics in clinical practice. The use of machine translation algorithms in radiomics can lead to increased sensitivity, specificity, and accuracy in distinguishing renal masses. Further prospective multicenter studies with external validation are needed to introduce radiomics into clinical practice.
За последние десятилетия выявляемость опухолей почки возросла. Однако, часть из них, особенно на стадии T1а, может иметь доброкачественную природу. Методы лучевой диагностики зачастую не способны достоверно судить о природе опухоли, поэтому гистологическая верификация остаётся золотым стандартом. Использование неинвазивных методов диагностики природы опухолей является особенно актуальным для современной урологии. Одним из подобных перспективных методов является радиомика, основанная на математических методах оценки неоднородности структуры опухолей и позволяющая прогнозировать результаты гистологической верификации. Однако, отсутствие стандартизации и внешней валидации современных методов радиомики не позволяет широко их внедрять. За последние несколько лет радиомический анализ стал всё чаще использоваться в совокупности с методами машинного обучения (МО), позволяющими снижать риск систематических ошибок.
В данной работе представлен обзор публикаций посвященных МР- и КТ-радиомике в дифференциации БЖ-АМЛ от других видов опухолей почек с низким содержанием жира.
В статье
Поиск русскоязычных публикаций на основе российской научной базы
Каждое вошедшее в обзор исследование продемонстрировало высокие показатели AUC для предсказательной модели. Признаки второго порядка были выделены в 67% случаев как статистически значимые. В каждой работе применялись методы МО. Качество исследований, которое оценивали по данным их методологии, было признано удовлетворительным. В основном его снижение было обусловлено отсутствием внешней валидации результатов (89% проанализированных статей), а также недоступностью или непрозрачностью данных (82%). Воспроизводимость радиомических параметров можно считать низкой.
Таким образом