Медицинская литература. Новинки

 

 

 

 

 

 

Оценка возможностей радиомики в определении степени дифференцировки гепатоцеллюлярного рака на КТ-изображениях

Вы можете загрузить полный текст статьи в формате pdf

Цель. Оценить эффективность и целесообразность применения методов машинного обучения в радиомике на примере компьютерных томограмм гепатоцеллюлярного рака.Материал и методы. В исследование включили 42 пациента с патоморфологически подтвержденным гепато- целлюлярным раком. Все пациенты прошли хирургическое лечение или получили консультации специалистов в период с января 2013 г. по декабрь 2022 г. Методом машинного обучения анализировали данные текстурного анализа предоперационных компьютерных томограмм.Результаты. При сравнении результатов модель AdaBoost продемонстрировала лучшие результаты в определе- нии степени дифференцировки гепатоцеллюлярного рака Grade 3 по сравнению со стандартным статистическим анализом. Чувствительность была больше на 15,4%, специфичность – на 3,1%, диагностическая точность – на 15,31%.Заключение. Применение машинного обучения в радиомике является многообещающим методом неинвазивной оценки степени гистологической дифференцировки гепатоцеллюлярного рака. Полученные данные могут быть использованы для решения ряда клинических и научных задач.

Ключевые слова:
радиомика, гепатоцеллюлярный рак, машинное обучение, радиомические признаки, компьютерная томография, radiomics, hepatocellular carcinoma, machine learning, radiomic features, computed tomography

Литература:
1.Chao J., Zhao S., Sun H. Dedifferentiation of hepatocellular carcinoma: molecular mechanisms and therapeutic implications. Am. J. Transl. Res. 2020; 12 (5): 2099–2109.
2.Бредер В.В., Косырев В.Ю., Кудашкин Н.Е., Лактио- нов К.К. Гепатоцеллюлярный рак в Российской Федерации как социальная и медицинская проблема. Медицинский совет. 2016; 10: 10–18. https://doi.org/10.21518/2079-701X-2016-10-10-16. Breder V.V., Kosyrev V.Y., Kudashkin N.E., Laktionov K.K. Hepatocellular carcinoma as a social and medical problem in the Russian Federation. Meditsinskiy sovet = Medical Council. 2016; 10: 10–18. https://doi.org/10.21518/2079-701X-2016-10-10-16 (In Russian)
3.Ahn J.C., Qureshi T.A., Singal A.G., Li D., Yang J.-D. Deep learning in hepatocellular carcinoma: current status and future perspectives. World J. Hepatol. 2021; 13 (12): 2039–2051. https://doi.org/10.4254/wjh.v13.i12.2039
4.Larrain C., Torres-Hernandez A., Larrain C. Artificial intelligence, machine learning, and deep learning in the diagnosis and management of hepatocellular carcinoma. Livers. 2024; 4 (1): 36–50. https://doi.org/10.3390/livers4010004
5.Feng J., Wang L., Wang Q., Qiu D., Chen H., Su X., Li Y., Xiao Y., Lin C. Current status and analysis of machine learning in hepatocellular carcinoma. J. Clin. Transl. Hepatol. 2023; 11 (5): 1184–1191. https://doi.org/10.14218/JCTH.2022.00077S
6.El-Serag H.B., Mason A.C. Rising incidence of hepatocellular carcinoma in the United States. N. Engl. J. Med. 1999; 340 (10): 745–750. https://doi.org/10.1056/NEJM199903113401001
7.Zhang Z.-M., Huang Y., Liu G., Yu W., Xie Q., Chen Z., Huang G., Wei J., Zhang H., Chen D., Du H. Development of machine learning-based predictors for early diagnosis of hepatocellular carcinoma. Sci. Rep. 2024; 14 (1): 5274. https://doi.org/10.1038/s41598-024-51265-7
8.Li J., Wang J., Lei L., Yuan G., He S. The diagnostic performance of gadoxetic acid disodium-enhanced magnetic resonance imaging and contrast-enhanced multi-detector computed tomography in detecting hepatocellular carcinoma: a meta-analysis of eight prospective studies. Hepatobiliary-Pancreas. 2019; 29 (12): 6519–6528. https://doi.org/10.1007/s00330-019-06294-6
9.Hanna R.F., Miloushev V.Z., Tang A., Finklestone L.A., Brejt S.Z., Sandhu R.S., Santillan C.S., Wolfson T., Gamst A., Sirlin C.B. Comparative 13-year meta-analysis of the sensitivity and positive predictive value of ultrasound, CT, and MRI for detecting hepatocellular. Abdominal Radiology. 2016; 41 (1): 71–90. https://doi.org/10.1007/s00261-015-0592-8
10.Qin X., Hu X., Xiao W., Zhu C., Ma Q., Zhang C. Preoperative evaluation of hepatocellular carcinoma differentiation using contrast-enhanced ultrasound-based deep-learning radiomics model. 2023. J. Hepatocell. Carcinoma. 2023; 10: 157–168. https://doi.org/10.2147/JHC.S400166
11.Martins-Filho S.N., Paiva C., Azevedo R.S., Alves V.A.F. Histological grading of hepatocellular carcinoma – a systematic review of literature. Front. Med. 2017; 4: 193. https://doi.org/10.3389/fmed.2017.00193
12.Кондратьев Е.В., Шмелева С.А., Усталов А.А., Гурина В.И., Кармазановский Г.Г. Теоретические основы текстурного анализа КТ-изображений образований органов брюшной полости: обзор. Лучевая диагностика и терапия. 2025; 16 (1): 33–46. https://doi.org/10.22328/2079-5343-2025-16-1-33-46 Kondratyev E.V., Shmeleva S.A., Ustalov A.A., Gurina V.I., Karmazanovsky G.G. Theoretical basics of abdominal СT radiomics: a review. Diagnostic Radiology and Radiotherapy. 2025; 16 (1): 33–46. https://doi.org/10.22328/2079-5343-2025- 16-1-33-46 (In Russian)
13.Parmar C., Grossmann P., Bussink J., Lambin P., Aerts H.J.W.L. Machine learning methods for quantitative radiomic biomarkers. Sci. Rep. 2015; 5: 13087. https://doi.org/10.1038/srep13087
14.McCague C., Ramlee S., Reinius M., Selby I., Hulse D., Piyatissa P., Bura V., Crispin-Ortuzar M., Sala E., Woitek R. Introduction to radiomics for a clinical audience. Clin. Radiol. 2023; 78 (2): 83–98. https://doi.org/10.1016/j.crad.2022.08.149
15.Timmeren J.E., Cester D., Tanadini-Lang S., Alkadhi H., Baessler B. Radiomics in medical imaging – “how-to” guide and critical reflection. Insights Imaging. 2020; 11 (1): 91. https://doi.org/10.1186/s13244-020-00887-2
16.Majumder S., Katz S., Kontos D., Roshkovan L. State of the art: radiomics and radiomics-related artificial intelligence on the road to clinical translation. BJR Open. 2023; 6 (1): tzad004. https://doi.org/10.1093/bjro/tzad004
17.Кармазановский Г.Г., Кондратьев Е.В., Груздев И.С., Тихонова В.С., Шантаревич М.Ю., Замятина К.А., Сташкив В.И., Ревишвили А.Ш. Современная лучевая диагностика и интеллектуальные персонализированные технологии в гепатопанкреатологии. Вестник РАМН. 2022; 77 (4): 245–253. https://doi.org/https://doi.org/10.15690/vramn2053 Karmazanovsky G.G., Kondratyev E.V., Gruzdev I.S., Tikhonova V.S., Shantarevich M.Yu., Zamyatina K.A., Stashkiv V.I., Revishvili A.Sh. Modern radiation diagnostics and intelligent personalized technologies in hepatopancreatology. Annals of the Russian Academy of Medical Sciences. 2022; 77 (4): 245–253. https://doi.org/10.15690/vramn2053. (In Russian)

Assessment of a CT-based radiomics model for predicting hepatocellular carcinoma grade

Aim. To assess the effectiveness and feasibility of CT radiomics-based machine-learning models for hepatocellular carcinoma diagnosis.Materials and Methods. The study included 42 patients with pathologically confirmed hepatocellular carcinoma. All patients underwent surgery or received medical advice between January 2013 and December 2022. Machinelearning algorithms were used to evaluate texture analysis data from preoperative CT scans.Results. In comparative analysis, the AdaBoost model outperformed standard statistical methods in identifying Grade 3 hepatocellular carcinoma. Sensitivity was higher by 15.4%, specificity by 3.1%, and diagnostic accuracy by 15.31%.Conclusion. The use of machine-learning based radiomics is a promising noninvasive method for evaluating the histological hepatocellular carcinoma grade. The obtained results may be applied in a variety of clinical and research contexts.

Keywords:
радиомика, гепатоцеллюлярный рак, машинное обучение, радиомические признаки, компьютерная томография, radiomics, hepatocellular carcinoma, machine learning, radiomic features, computed tomography