Подбор оптимальных импульсных последовательностей и фаз контрастирования МРТ-исследования для радиомического анализа в диагностике раннего гепатоцеллюлярного рака

Цель: Сравнение значимости различных последовательностей и фаз контрастирования МРТ-исследования для создания диагностической радиомической модели 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, проведена сравнительная оценка показателей четырех импульсных последовательностей и фаз контрастирования МРТ-исследования.

Результаты: В результате исследования были созданы радиомические модели различных импульсных последовательностей и фаз контрастирования МРТ-исследования с высокими дискриминативными возможностями, площадь под ROC-кривой (Area Under Curve, AUC) составила от 0,58 до 0,94 в различных моделях. Наилучшие показатели продемонстрировала модель Random Forest, построенная на основе данных МРТ-исследования в гепатоспецифическую фазу (ГСФ) — AUC 0,949684, при этом точность составила 0,825000. При сочетании различных импульсных последовательностей и 4 фаз контрастирования AUC составила 0,914342, точность повысилась до 0,846591.

Заключение: Наибольшие дискриминативные возможности для создания радиомических моделей диагностики ГЦР при МРТ имеют: самостоятельная гепатоспецифическая фаза внутривенного контрастирования, а также сочетание 4 МР-по следовательностей и фаз внутривенного контрастирования.

1. Global Burden of Disease Liver Cancer Collaboration, Akinyemiju T, Abera S, et al. The Burden of Primary Liver Cancer and Underlying Etiologies From 1990 to 2015 at the Global, Regional, and National Level: Results From the Global Burden of Disease Study 2015. JAMA Oncol. 2017;3(12):1683-91. https://doi.org/10.1001/jamaoncol.2017.3055

2. Forner A, Reig M, Bruix J. Hepatocellular carcinoma. Lancet. 2018;391(10127):1301-14. https://doi.org/10.1016/S0140-6736(18)30010-2

3. Каприн АД, Старинский ВВ, ˌШахзадова АО и др. Состояние онкологической помощи населению России в 2022 году. М.: МНИОИ им. П.А. Герцена о филиал ФГБУ ͨНМИЦ радиологииͩ Минздрава России. 2022.

4. Кармазановский ГГ, ˌантаревич М˓, Сташкив ВИ и др. Воспроизводимость текстурных показателей КТ- и МРТ-изображений гепатоцеллюлярного рака. Медицинская визуализация. 2023;27(3):84-93. https://doi.org/10.24835/1607-0763-1372

5. 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

6. 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

7. 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

8. Kierans AS, Fowler KJ, Chernyak V. LI-RADS in 2024: recent updates, planned refinements, and future directions. Abdom Radiol (NY). Published online December 13, 2024. https://doi.org/10.1007/s00261-024-04730-w

9. 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.

10. 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

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

12. Masokano IB, Liu W, Xie S, Marcellin DFH, Pei Y, Li W. 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

13. Молостова ЮВ, Медведева БМ, Кондратьев ЕВ и др. Возможности текстурного анализа и машинного обучения в МРТ-диагностике раннего ГЦР. Онкологический журнал: лучевая диагностика, лучевая терапия. 2024;7(4):68-73. https://doi.org/10.37174/2587-7593-2024-7-4-68-73

14. Navin PJ, Venkatesh SK. Hepatocellular Carcinoma: State of the Art Imaging and Recent Advances. J Clin Transl Hepatol. 2019;7(1):72-85. https://doi.org/10.14218/JCTH.2018.00032

15. Сташкив ВИ, ˌантаревич М˓, Кармазановский ГГ. Предикция степени дифференцировки гепатоцеллюлярного рака по данным текстурного анализа магнитно-резонансных томограмм. Диагностическая и интервенционная радиология, 2023;17(3 Приложение №1):48-57. https://doi.org/10.25512/DIR.2023.17.3(1).07

16. Fedorov A, Beichel R, Kalpathy-Cramer J, et al. 3D Slicer as an image computing plaƞorm for the Yuantitative Imaging Network. Magn Reson Imaging. 2012;30(9):1323-41. https://doi.org/10.1016/j.mri.2012.05.001

17. van Griethuysen JJM, Fedorov A, Parmar C, et al. Computational Radiomics System to Decode the Radiographic Phenotype. Cancer Res. 2017;77(21):e104-e107. https://doi.org/10.1158/0008-5472.CAN-17-0339