Медицинская литература. Новинки

 

 

 

 

 

 

Дифференциальная диагностика псевдотуморозного панкреатита и протоковой аденокарциномы поджелудочной железы: характеристики КТ с контрастированием и текстурного анализа

Вы можете загрузить полный текст статьи в формате pdf

Цель исследования: повышение эффективности КТ в дифференциальной диагностике протоковой аденокарциномы поджелудочной железы (ПАК ПЖ) и псевдотуморозного хронического панкреатита (ПХП); составление диагностической модели на основе извлеченных текстурных показателей в комбинации с характеристиками контрастирования. Материал и методы. В исследование было включено 45 пациентов с гистологически подтвержденной неметастатической местнораспространенной ПАК ПЖ и 13 пациентов с ПХП, которым было выполнено КТ-исследование с внутривенным контрастированием. Для каждой группы рассчитаны отношение плотностей сохранной ткани поджелудочной железы и образований, относительный коэффициент накопления образований (RTE) во все контрастные фазы КТ-сканирования, 94 текстурных показателя для каждой фазы исследования и проведено их сравнение. Отбор предикторов в логистическую модель осуществлялся в 2 этапа: 1) отбор предикторов на основе однофакторных логистических моделей, критерием отбора служило padj 0,2; 2) отбор предикторов с помощью “лассо”-регрессии после стандартизации переменных. Отобранные предикторы включались в логистическую регрессионную модель без взаимодействий. Результаты. Статистически значимо различались 14, 17, 4 из 94 для нативной, артериальной, венозной фаз исследования соответственно (p 0,05). После отбора в итоговую диагностическую модель были включены показатели CONVENTIONAL HUQ2 и DISCRETIZED HUQ1 для нативной фазы, DISCRETIZED HUQ1 и GLRLM RLNU для артериальной фазы, DISCRETIZED Skewness для венозной фазы, RTE для отсроченной фазы КТ-исследования. На их основании построена диагностическая модель, показавшая точность 81% в диагностике ПХП. Заключение. Разработанная нами диагностическая модель, включающая текстурные показатели и характеристики контрастирования, позволяет предоперационно отличать ПХП и ПАК ПЖ и повысить точность предоперационной диагностики.

Ключевые слова:
протоковая аденокарцинома поджелудочной железы, текстурный анализ, компьютерная томография, псевдотуморозный панкреатит, ductal adenocarcinoma of the pancreas, radiomics features, computed tomography, mass-forming pancreatitis

Литература:
1.Statistics 2020: GLOBOCAN Estimates of Incidence and Mortality Worldwide for 36 Cancers in 185 Countries. CA Cancer J. Clin. 2021; 71 (3): 209-249. https://doi.org/10.3322/caac.21660
2.Sarantis P., Koustas E., Papadimitropoulou A. et al. Pancreatic ductal adenocarcinoma: Treatment hurdles, tumor microenvironment and immunotherapy. Wld J. Gastrointest. Oncol. 2020; 12 (2): 173-181. https://doi.org/10.4251/wjgo.v12.i2.173
3.Wolske K.M., Ponnatapura J., Kolokythas O. et al. Chronic Pancreatitis or Pancreatic Tumor? A Problem-solving Approach. Radiographics. 2019; 39 (7): 1965-1982. https://doi.org/10.1148/rg.2019190011
4.Narkhede R.A., Desai G.S., Prasad P.P., Wagle P.K. Diagnosis and Management of Pancreatic Adenocarcinoma in the Background of Chronic Pancreatitis: Core Issues. Dig. Dis. 2019; 37 (4): 315-324. https://doi.org/10.1159/000496507
5.Meng F., Guo Y., Li M. et al. Radiomics nomogram: A noninvasive tool for preoperative evaluation of the invasiveness of pulmonary adenocarcinomas manifesting as ground-glass nodules. Transl. Oncol. 2021; 14 (1): 100936. https://doi.org/10.1016/j.tranon.2020.100936
6.Gillies R.J., Kinahan P.E., Hricak H. Radiomics: Images Are More than Pictures, They Are Data. Radiology. 2016; 278 (2): 563-577. https://doi.org/10.1148/radiol.2015151169
7.Park S., Chu L.C., Hruban R.H. et al. Differentiating autoimmune pancreatitis from pancreatic ductal adenocarcinoma with CT radiomics features. Diagn. Interv. Imaging. 2020; 101 (9): 555-564. https://doi.org/10.1016/j.diii.2020.03.002
8.Zhang Y., Cheng C., Liu Z. et al. Radiomics analysis for the differentiation of autoimmune pancreatitis and pancreatic ductal adenocarcinoma in 18F-FDG PET/CT. Med. Phys. 2019; 46: 4520-4530.
9.Zhang Y., Cheng C., Liu Z. et al. Radiomics analysis for the differentiation of autoimmune pancreatitis and pancreatic ductal adenocarcinoma in 18F-FDG PET/CT. Med. Phys. 2019; 46 (10): 4520-4530. https://doi.org/10.1002/mp.13733
10.Dai W., Mo S., Han L. et al. Prognostic and predictive value of radiomics signatures in stage I-III colon cancer. Clin Transl Med. 2020; 10 (1): 288-293. https://doi.org/10.1002/ctm2.31
11.Ren S., Zhao R., Zhang J. et al. Diagnostic accuracy of unenhanced CT texture analysis to differentiate massforming pancreatitis from pancreatic ductal adenocarcinoma. Abdominal. Radiol. (NY). 2020; 45 (5): 1524-1533. https://doi.org/10.1007/s00261-020-02506-6
12.Ren S., Zhang J., Chen J. et al. Evaluation of Texture Analysis for the Differential Diagnosis of Mass-Forming Pancreatitis From Pancreatic Ductal Adenocarcinoma on Contrast-Enhanced CT Images. Front. Oncol. 2019; 9: 1171. Published 2019 Nov 5. https://doi.org/10.3389/fonc.2019.01171
13.Washington M.K., Berlin J., Branton P.A. et al. Protocol for the examination of specimens from patients with carcinoma of the distal extrahepatic bile ducts. Arch. Pathol. Lab. Med. 2010; 134 (4): e8-e13. https://doi.org/10.5858/134.4.e8
14.Nioche C., Orlhac F., Boughdad S. et al. LIFEx: A Freeware for Radiomic Feature Calculation in Multimodality Imaging to Accelerate Advances in the Characterization of Tumor Heterogeneity. Cancer Res. 2018; 78 (16): 4786-4789. https://doi.org/10.1158/0008-5472.CAN-18-0125
15.Тихонова В.С., Кармазановский Г.Г., Кондратьев Е.В., Груздев И.С., Глотов А.В. Влияние параметров низкодозового протокола сканирования на результаты текстурного анализа протоковой аденокарциномы поджелудочной железы. Анналы хирургической гепатологии. 2021; 26 (1): 25-33. https://doi.org/10.16931/1995-5464.2021125-33.
16.Steyerberg E.W. Coding of categorical and continuous predictors. Clinical prediction models. Springer, Cham, 2019. 175-190. https://doi.org/10.1007/978-3-030-16399-0_9
17.Gareth J., Daniela W., Trevor H., Robert T. An introduction to statistical learning: with applications in R. Spinger, 2013. ISBN: 978-1-4614-7138-7. https://doi.org/10.18637/jss.v070.b02
18.Harrell F.E. Regression Modeling Strategies: With Applications to Linear Models, Logistic and Ordinal Regression, and Survival Analysis. 2nd ed. 2015 ed. Cham. Heidelberg; New York: Springer, 2015: 209-212.
19.Siddiqi A.J., Miller F. Chronic pancreatitis: ultrasound, computed tomography, and magnetic resonance imaging features. Semin. Ultrasound CT MR. 2007; 28 (5): 384-394. https://doi.org/10.1053/j.sult.2007.06.003
20.Sahani D.V., Kalva S.P., Farrell J. et al. Autoimmune pancreatitis: imaging features. Radiology. 2004; 233 (2): 345-352. https://doi.org/10.1148/radiol.2332031436
21.Ren S., Chen X., Cui W. et al. Differentiation of chronic mass-forming pancreatitis from pancreatic ductal adenocarcinoma using contrast-enhanced computed tomography. Cancer Managm. Res. 2019; 11: 7857-7866. https://doi.org/10.2147/CMAR.S21703

Texture analysis of contrast enhancement CT in the differential diagnosis of mass-forming pancreatitis and pancreatic ductal adenocarcinoma

Purpose. Improving the efficiency of CT in the differential diagnosis of mass-forming pancreatitis (MFP) and pancreatic ductal adenocarcinoma (PDAC) making a diagnostic model based using a combination of texture features and contrast enhancement features. Methods and materials. 45 patients with histologically confirmed non-metastatic locally advanced PDAC and 13 patients with MFP where underwent CT examination with contrast enhancement. For each group, the ratio of the densities of intact pancreatic tissue and tumors, the relative tumor enhancement ratio (RTE) in all enhanced phases of CT, 94 texture features for each phase of the study were calculated and compared. The selection of predictors in the logistic model was carried out in 2 stages: 1) selection of predictors based on one-factor logistic models, the selection criterion was padj 0.2; 2) selection of predictors using LASSO-regression after standardization of variables. The selected predictors were included in a logistic regression model without interactions. Results. There were statistically significant differences in 14, 17, 4 out of 94 for the unenhanced, arterial, and venous phases of the study, respectively (p 0.05). After selection, the final diagnostic model included the texture features CONVENTIONAL HUQ2 and DISCRETIZED HUQ1 for the unenhanced phase, DISCRETIZED HUQ1 and GLRLM RLNU for the arterial phase, DISCRETIZED Skewness for the venous phase, RTE for the delayed CT phase. The diagnostic model was built showed an accuracy of 81% in the diagnosis of MFP. Conclusion. We have developed a diagnostic model, including textural parameters and contrast enhancement features, which allows preoperatively distinguish MFP and PDAC, the developed model will increase the accuracy of preoperative diagnosis.

Keywords:
протоковая аденокарцинома поджелудочной железы, текстурный анализ, компьютерная томография, псевдотуморозный панкреатит, ductal adenocarcinoma of the pancreas, radiomics features, computed tomography, mass-forming pancreatitis