ojrdrtОнкологический журнал: лучевая диагностика, лучевая терапияJournal of oncology: diagnostic radiology and radiotherapy2587-75932713-167XНЕКОММЕРЧЕСКОЕ ПАРТНЕРСТВО «ОБЩЕСТВО ИНТЕРВЕНЦИОННЫХ ОНКОРАДИОЛОГОВ»10.37174/2587-7593-2024-7-4-68-73ojrdrt-403Research ArticleЛУЧЕВАЯ ДИАГНОСТИКАDIAGNOSTIC RADIOLOGYВозможности текстурного анализа и машинного обучения в МРТ-диагностике раннего ГЦРThe Capabilities of Machine Learning Radiomics Based Models in the MRI Diagnosis of Early HCChttps://orcid.org/0000-0001-9692-116XМолостоваЮ. В.MolostovaI. V.

Молостова Юлия Викторовна

Россия, 115478 Москва, Каширское шоссе, 24 

Molostova Iuliia Viktorovna

tel: 8916091148 

24 Kashirskoe shosse, Moscow, 115478, Russia 

molostovajulia@yandex.ruhttps://orcid.org/0000-0003-1779-003XМедведеваБ. М.MedvedevaB. M.

 Россия, 115478 Москва, Каширское шоссе, 24 

24 Kashirskoe shosse, Moscow, 115478, Russia 

https://orcid.org/0000-0001-7070-3391КондратьевЕ. В.KondratyevE. V.

Россия, 115093 Москва, ул. Большая Серпуховская, 27 

 27 Bolshaya Serpukhovskaya Moscow, 115093, Russia 

https://orcid.org/0009-0005-9267-8584УсталовА. А.UstalovA. A.

Россия, 115093 Москва, ул. Большая Серпуховская, 27 

 27 Bolshaya Serpukhovskaya Moscow, 115093, Russia 

https://orcid.org/0000-0002-6362-7914НоврузбековМ. С.NovruzbekovM. S.

Россия, 129090 Москва, Большая Сухаревская пл., 3 

 3 Bolshaya Suharevskaya ploshad, Moscow, 129090, Russia 

https://orcid.org/0000-0002-0691-5581ОлисовО. Д.OlisovO. D.

Россия, 129090 Москва, Большая Сухаревская пл., 3 

 3 Bolshaya Suharevskaya ploshad, Moscow, 129090, Russia 

https://orcid.org/0009-0003-9361-8538ТарнопольскийВ. М.TarnoposkyV. M.

Россия, 117152, Москва, Загородное шоссе, 18А, стр. 7 

18A building 7 Zagorodnoe shosse, Moscow, 117152, Russia 

Национальный медицинский исследовательский центр онкологии им. Н.Н. Блохина Минздрава РоссииРоссияN.N. Blokhin National Medical Research Center of Oncology, Russian Ministry of HealthRussian FederationНациональный медицинский исследовательский центр хирургии им. А.В. Вишневского Минздрава РоссииРоссияA. V. Vishnevsky National Medical Research Center of SurgeryRussian FederationНаучно-исследовательский институт скорой помощи им. Н.В. СклифосовскогоРоссияN.V. Sklifosovsky Research Institute for Emergency MedicineRussian FederationФилиал Онкологический центр №1 Городской клинической больницы им. С.С. Юдина Департамента здравоохранения города МосквыРоссияS.S. Yudin State Clinical HospitalRussian Federation202426122024746873Copyright © Молостова Ю.В., Медведева Б.М., Кондратьев Е.В., Усталов А.А., Новрузбеков М.С., Олисов О.Д., Тарнопольский В.М., 20242024Молостова Ю.В., Медведева Б.М., Кондратьев Е.В., Усталов А.А., Новрузбеков М.С., Олисов О.Д., Тарнопольский В.М.Molostova I.V., Medvedeva B.M., Kondratyev E.V., Ustalov A.A., Novruzbekov M.S., Olisov O.D., Tarnoposky V.M.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://www.oncoradjournal.ru/jour/article/view/403

Цель: Оценка возможностей радиомического метода в МРТ- диагностике раннего гепатоцеллюлярного рака (ГЦР).Материал и методы: Ретроспективно проанализированы данные 72 пациентов с 93 узловыми образованиями, прошедших МРТ-исследование с внутривенным контрастированием гепатоспецифическим МРКС «Примовист».Результаты: Построены радиомические модели бинарной классификации для дифференциальной диагностики регенераторных и диспластических узлов, раннего ГЦР и узлов ГЦР с атипичным характером контрастирования с высокими дискриминативными возможностями, площадь под ROC-кривой (Area Under Curve, AUC) составила от 0,89 до 0,95 в различных моделях.Заключение: Созданные радиомические модели могут служить эффективным методом дифференциальной диагностики ГЦР с типичными и атипичными паттернами контрастирования, диспластическими и регенераторными узлами.

Purpose: To evaluate machine-learning radiomics based models on enhanced MR images in diagnostics of early HCC.Material and methods: Data from 72 patients with 93 masses who underwent Gadoxetic acid-enhanced MRI scans was retrospectively analyzed.Results: Binary classification models were produced for the differential diagnosis of regenerative and dysplastic nodes, early HCC and HCC nodes with an atypical enhancement with high discriminatory capabilities; the area under the ROC-curve ranged from 0.89 to 0.95 in various models.Conclusion: The performed radiomic models can be used as an effective method for differential diagnostics of HCC with typical and atypical enhancement, dysplastic and regenerative nodes.

МРТрадиомикатекстурный анализгадоксетовая кислотагепатоцеллюлярный ракдифференциальная диагностикарегенераторные узлыдиспластические узлыMRIradiomicsgadoxetic acidHCCdifferential diagnosisregenerative nodesdysplastic nodesReferencesSiegel RL, Miller KD, Fuchs HE, et al. Cancer Statistics. 2021. CA Cancer J Clin. 2021;71(1):7-33. https://doi.org/10.3322/caac.21669Siegel RL, Miller KD, Fuchs HE, et al. Cancer Statistics. 2021. CA Cancer J Clin. 2021;71(1):7-33. https://doi.org/10.3322/caac.21669Roberts LR, Sirlin CB, Zaiem F, et al. Imaging for the diagnosis of hepatocellular carcinoma: A systematic review and meta-analysis. Hepatology. 2018;67(1):401-21. https://doi.org/10.1002/hep.29487Roberts LR, Sirlin CB, Zaiem F, et al. Imaging for the diagnosis of hepatocellular carcinoma: A systematic review and meta-analysis. Hepatology. 2018;67(1):401-21. https://doi.10.1002/hep.29487Marrero JA, Kulik LM, Sirlin CB, et al. Diagnosis, Staging, and Management of Hepatocellular Carcinoma: 2018 Practice Guidance by the American Association for the Study of Liver Diseases. Hepatology. 2018;68(2):723-50. https://doi.org/10.1002/hep.29913Marrero JA, Kulik LM, Sirlin CB, et al. Diagnosis, Staging, and Management of Hepatocellular Carcinoma: 2018 Practice Guidance by the American Association for the Study of Liver Diseases. Hepatology. 2018;68(2):723-50. https://doi.10.1002/hep.29913EASL Clinical Practice Guidelines: Management of hepatocellular carcinoma. J Hepatol. 2018;69(1):182-236. https://doi.org/10.1016/j.jhep.2018.03.019.EASL Clinical Practice Guidelines: Management of hepatocellular carcinoma. J Hepatol. 2018;69(1):182-236. https://doi.10.1016/j.jhep.2018.03.019.Motosugi U, Bannas P, Sano K, Reeder SB. Hepatobiliary MR contrast agents in hypovascular hepatocellular carcinoma. J Magn Reson Imaging. 2015;41(2):251-65. https://doi.org/10.1002/jmri.24712.Motosugi U, Bannas P, Sano K, Reeder SB. Hepatobiliary MR contrast agents in hypovascular hepatocellular carcinoma. J Magn Reson Imaging. 2015;41(2):251-65. https://doi.10.1002/jmri.24712.Кармазановский ГГ, Кондратьев ЕВ, Груздев ИС и др. Современная лучевая диагностика и интеллектуальные персонализированные технологии в гепатопанкреатологии. Вестник Российской академии медицинских наук. 2022;77(4):245-53. https://doi.org/10.15690/vramn2053Karmazanovsky GG, Kondratyev EV, Gruzdev IS, et al. Radiation diagnostics and intelligent personalized technologies in hepatopancreatology Bulletin of RMAS. 2022;77(4):245-53 (In Russ.) https://doi.10.15690/vramn2053Mirestean CC, Pagute O, Buzea C, et al. Radiomic Machine Learning and Texture Analysis — New Horizons for Head and Neck Oncology. Maedica (Bucur). 2019;14(2):126-30. https://doi.org/10.26574/maedica.2019.14.2.126Mirestean CC, Pagute O, Buzea C, et al. Radiomic Machine Learning and Texture Analysis — New Horizons for Head and Neck Oncology. Maedica (Bucur). 2019;14(2):126-30. https://doi.10.26574/maedica.2019.14.2.126Sagir Kahraman A. Radiomics in Hepatocellular Carcinoma. J Gastrointest Cancer. 2020;51(4):1165-8. https://doi.org/10.1007/s12029-020-00493-xSagir Kahraman A. Radiomics in Hepatocellular Carcinoma. J Gastrointest Cancer. 2020;51(4):1165-8. https://doi.10.1007/s12029-020-00493-xMasokano IB, Liu W, yie S, et al. The application of texture quantification in hepatocellular carcinoma using CT and MRI: a review of perspectives and challenges. Cancer Imaging. 2020;20(1):67. https://doi.org/10.1186/s40644-020-00341-yMasokano IB, Liu W, yie S, et al. The application of texture quantification in hepatocellular carcinoma using CT and MRI: a review of perspectives and challenges. Cancer Imaging. 2020;20(1):67. https://doi.10.1186/s40644-020-00341-yZwanenburg A, Valliğres M, Abdalah MA, et al. The Image Biomarker Standardization Initiative: Standardized Yuantitative Radiomics for High-Throughput Image-based Phenotyping. Radiology. 2020;295(2):328-38. https://doi.org/10.1148/radiol.2020191145Zwanenburg A, Valliğres M, Abdalah MA, et al. The Image Biomarker Standardization Initiative: Standardized Yuantitative Radiomics for High-Throughput Image-based Phenotyping. Radiology. 2020;295(2):328-38. https://doi.10.1148/radiol.2020191145Breiman L. Random forests. Machine Learning. 2001;45:5-32. https://doi.org/10.1023/A:1010933404324Breiman L. Random forests. Machine Learning. 2001;45:5-32. https://doi.10.1023/A:1010933404324Lee CS, Cheang PYS, Moslehpour M. Predictive Analytics in Business Analytics: Decision Tree. Advances in Decision Sciences. 2022;26:1-29. https://doi.org/10.47654/v26y2022i1p1-30Lee CS, Cheang PYS, Moslehpour M. Predictive Analytics in Business Analytics: Decision Tree. Advances in Decision Sciences. 2022;26:1-29. https://doi.10.47654/v26y2022i1p1-30Connelly L. Logistic regression. MEDSURG Nursing 2020;29:353-4. https://doi.org/10.56687/9781847423399-016Connelly L. Logistic regression. MEDSURG Nursing 2020;29:353-4. https://doi.10.56687/9781847423399-016Bentéjac C, Csörgő A, Martínez-Muñoz G. A comparative analysis of gradient boosting algorithms. Artificial Intelligence Review. 2021;54:1937-67. https://doi.org/10.1007/s10462-020-09896-5BentĠjac C, CsƂrgƅ A, Marơnez-MuŹoz G. A comparative analysis of gradient boosting algorithms. Artificial Intelligence Review. 2021;54:1937-67. https://doi. 10.1007/s10462-020-09896-5Cortes C, Vapnik V. Support-Vector Networks. Machine Learning. 1995;20:273-97. https://doi.org/10.1023/A:1022627411411Cortes C, Vapnik V. Support-Vector Networks. Machine Learning. 1995;20:273-97. https://doi. 10.1023/A:1022627411411Cunningham P, Delany SK. Nearest Neighbour Classifiers A Tutorial. ACM Computing Surveys. 2021;54. https://doi.org/10.1145/3459665Cunningham P, Delany SK. Nearest Neighbour Classifiers A Tutorial. ACM Computing Surveys. 2021;54. https://doi. 10.1145/3459665Бредер ВВ, Балахнин ПВ, Виршке ЭР и др Практические рекомендации по лекарственному лечению больных гепатоцеллюлярным раком. Злокачественные опухоли. 2020;10(3s2-1):450-69. https://doi.org/10.18027/2224-5057-2020-10-3s2-25Breder VV, Balakhnin PV, Virshke ER, et al. Practical recommendations for medicinal treatment for individual patients with hepatocellular cancer. Malignant Tumors. 2020;10(3s2-1):450-69. (In Russ.) https://doi.10.18027/2224-5057-2020-10-3s2-25EASL Clinical Practice Guidelines: Management of hepatocellular carcinoma published correction appears in J Hepatol. 2019;70(4):817. doi: 10.1016/j.jhep.2019.01.020. J Hepatol. 2018;69(1):182-236. https://doi.org/10.1016/j.jhep.2018.03.019EASL Clinical Practice Guidelines: Management of hepatocellular carcinoma published correction appears in J Hepatol. 2019;70(4):817. doi: 10.1016/j.jhep.2019.01.020. J Hepatol. 2018;69(1):182-236. https://doi.10.1016/j.jhep.2018.03.019Chou R, Cuevas C, Fu R, et al. Imaging Techniques for the Diagnosis and Staging of Hepatocellular Carcinoma. Rockville (MD): Agency for Healthcare Research and Yuality (US). 2014.Chou R, Cuevas C, Fu R, et al. Imaging Techniques for the Diagnosis and Staging of Hepatocellular Carcinoma. Rockville (MD): Agency for Healthcare Research and Yuality (US). 2014.Медведева БМ, Молостова ЮВ, Лаптева МГ. Возможности МРТ с гадаксетовой кислотой в дифференциальной диагностике редко встречающихся форм гепатоцеллюлярной карциномы. Онкологический журнал: лучевая диагностика, лучевая терапия. 2024;7(3):54-61. https://doi.org/10.37174/2587-7593-2024-7-3-54-61Medvedeva BM, Molostova YuV, Lapteva MG. Diagnostic Value of Gadoxetic Acid-Enhanced MRI for Differential Diagnosis of Rare Types of Hepatocellular Carcinoma. Journal of Oncology: Diagnostic Radiology and Radiotherapy. 2024;7(3):54-61. (In Russ.) https://doi. 10.37174/2587-7593-2024-7-3-54-61Feng B, Ma yH, Wang S, et al. Application of artificial intelligence in preoperative imaging of hepatocellular carcinoma: Current status and future perspectives. World J Gastroenterol. 2021;27(32):5341-50. https://doi.org/10.3748/wjg.v27.i32.5341.Feng B, Ma yH, Wang S, et al. Application of artificial intelligence in preoperative imaging of hepatocellular carcinoma: Current status and future perspectives. World J Gastroenterol. 2021;27(32):5341-50. https://doi. 10.3748/wjg.v27.i32.5341.Jiang H, Liu y, Chen J, et al. Man or machine͍ Cancer Imaging. 2019;19:84. https://doi.org/10.1186/s40644-019-0266-9.Jiang H, Liu y, Chen J, et al. Man or machine͍ Cancer Imaging. 2019;19:84. https://doi. 10.1186/s40644-019-0266-9.Zhen SH, Cheng M, Tao YB, et al. Deep Learning for Accurate Diagnosis of Liver Tumor Based on Magnetic Resonance Imaging and Clinical Data. Front Oncol. 2020;10:680. https://doi.org/10.3389/fonc.2020.00680.Zhen SH, Cheng M, Tao YB, et al. Deep Learning for Accurate Diagnosis of Liver Tumor Based on Magnetic Resonance Imaging and Clinical Data. Front Oncol. 2020;10:680. https://doi.10.3389/fonc.2020.00680.Kitao A, Matsui O, Yoneda N, et al. The uptake transporter OATP8 expression decreases during multistep hepatocarcinogenesis: correlation with gadoxetic acid enhanced MR imaging. Eur Radiol. 2011;21(10):2056-66. https://doi.org/10.1007/s00330-011-2165-8Kitao A, Matsui O, Yoneda N, et al. The uptake transporter OATP8 expression decreases during multistep hepatocarcinogenesis: correlation with gadoxetic acid enhanced MR imaging. Eur Radiol. 2011;21(10):2056-66. https://doi.10.1007/s00330-011-2165-8

The authors declare that there are no conflicts of interest present.