Возможности текстурного анализа и машинного обучения в МРТ-диагностике раннего ГЦР

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.

1. Siegel 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.21669

2. Roberts 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.29487

3. Marrero 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.29913

4. EASL Clinical Practice Guidelines: Management of hepatocellular carcinoma. J Hepatol. 2018;69(1):182-236. https://doi.org/10.1016/j.jhep.2018.03.019.

5. 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.

6. 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/vramn2053

7. Mirestean 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.2019.14.2.126

8. Sagir Kahraman A. Radiomics in Hepatocellular Carcinoma. J Gastrointest Cancer. 2020;51(4):1165-8. https://doi.org/10.1007/s12029-020-00493-x

9. Masokano 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-y

10. Zwanenburg 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.2020191145

11. Breiman L. Random forests. Machine Learning. 2001;45:5-32. https://doi.org/10.1023/A:1010933404324

12. Lee 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/v26y2022i1p1-30

13. Connelly L. Logistic regression. MEDSURG Nursing 2020;29:353-4. https://doi.org/10.56687/9781847423399-016

14. Bentéjac 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/s10462-020-09896-5

15. Cortes C, Vapnik V. Support-Vector Networks. Machine Learning. 1995;20:273-97. https://doi.org/10.1023/A:1022627411411

16. Cunningham P, Delany SK. Nearest Neighbour Classifiers A Tutorial. ACM Computing Surveys. 2021;54. https://doi.org/10.1145/3459665

17. Бредер 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/10.18027/2224-5057-2020-10-3s2-25

18. EASL 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.2018.03.019

19. 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.

20. 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/10.37174/2587-7593-2024-7-3-54-61

21. 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.org/10.3748/wjg.v27.i32.5341.

22. 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.

23. 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.

24. 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/s00330-011-2165-8