Технологии радиомики в определении индекса накопления радиофармпрепарата в глиобластоме по данным ПЭТ/КТ с 11С-метионином

Современная методология количественного анализа данных ПЭТ/КТ пациентов с глиобластомами не является строго стандартизированной в условиях клиники и не исключает влияния человеческого фактора. Методы радиомики могут способствовать унификации, повышению объективности и информативности анализа лучевых изображений.

Цель исследования — оценить возможности использования технологий радиомики в анализе ПЭТ/КТ-изображений глиобластомы путем выявления взаимосвязи между количественными параметрами радиомики и индексом накопления (ИН) ¹¹С-метионина, определяемым экспертом в рутинной практике.

Материалы и методы. В анализ включены данные ПЭТ/КТ (2018–2020 гг.) 40 пациентов (средний возраст — 55±12 лет; 77,5% мужчин) с гистологически подтвержденным диагнозом «глиобластома». ИН рассчитывали по отношению стандартизированных показателей накопления ¹¹С-метионина в опухоли и интактной ткани. Расчет параметров радиомики для каждого исследования выполняли в заданном объеме зоны интереса, включавшей не только опухоль, но и окружающие ткани. Зависимость ИН от параметров радиомики определяли с помощью линейной регрессионной модели. Предикторы включали в модель по результатам корреляционного анализа и LASSO-регуляризации. Эксперимент с машинным обучением повторяли 300 раз, случайно выбирая обучающее (70%) и тестовое (30%) подмножества. Значения метрик качества моделей и значимости предикторов, полученные в 300 тестах, обобщали.

Результаты. Из 412 параметров радиомики ПЭТ/КТ-изображений, статистически значимо коррелировавших с ИН (p<0,05), процедура регуляризации оставляла в каждой модели не более 30 (медиана числа предикторов равна 9 [7; 13]). Эксперимент продемонстрировал неслучайную линейную взаимосвязь (коэффициент корреляции Спирмена равен 0,58 [0,43; 0,74]) между ИН и отдельными параметрами радиомики, в первую очередь — фрактальными размерностями, характеризующими геометрические свойства изображений.

Заключение. Методы радиомики позволяют объективно определить свойства текстур ПЭТ/КТ-изображений, отражающие био­логическую активность глиобластом. Несмотря на существующие ограничения в применении этих методов, первые результаты говорят о перспективности их использования в нейроонкологии.

1. Ostrom Q.T., Cioffi G., Waite K., Kruchko C., Barnholtz-Sloan J.S. CBTRUS statistical report: primary brain and other central nervous system tumors diagnosed in the United States in 2014–2018. Neuro Oncol 2021; 23(12 Suppl 2): iii1–iii105, https://doi.org/10.1093/neuonc/noab200.
2. Никитин П.В., Рыжова М.В., Зубова И.В., Пани­на Т.Н., Шугай С.В. Гетерогенность опухолевых клеток в глио­бластомах. Архив патологии 2019; 81(3): 27–36, https://doi.org/10.17116/patol20198103127.
3. Вихрова Н.Б., Калаева Д.Б., Баталов А.И., Конако­ва Т.А., Хохлова Е.В., Постнов А.А., Пронин И.Н. ПЭТ/КТ с 11С-метионином и 18F-фтордезоксиглюкозой в изучении гетерогенности глиом головного мозга. Российский электронный журнал лучевой диагностики 2021; 11(2): 68–82.
4. Litvin A.A., Burkin D.A., Kropinov A.A., Paramzin F.N. Radiomics and digital image texture analysis in oncology (review). Sovremennye tehnologii v medicine 2021; 13(2): 97, https://doi.org/10.17691/stm2021.13.2.11.
5. Kocher M., Ruge M.I., Galldiks N., Lohmann P. Applications of radiomics and machine learning for radiotherapy of malignant brain tumors. Strahlenther Onkol 2020; 196(10): 856–867, https://doi.org/10.1007/s00066-020-01626-8.
6. Danilov G.V., Shifrin M.A., Kotik K.V., Ishankulov T.A., Orlov Yu.N., Kulikov A.S., Potapov A.A. Artificial intelligence in neurosurgery: a systematic review using topic modeling. Part I: major research areas. Sovremennye tehnologii v medicine 2020; 12(5): 106, https://doi.org/10.17691/stm2020.12.5.12.
7. Lambin P., Leijenaar R.T.H., Deist T.M., Peerlings J., de Jong E.E.C., van Timmeren J., Sanduleanu S., Larue R.T.H.M., Even A.J.G., Jochems A., van Wijk Y., Woodruff H., van Soest J., Lustberg T., Roelofs E., van Elmpt W., Dekker A., Mottaghy F.M., Wildberger J.E., Walsh S. Radiomics: the bridge between medical imaging and personalized medicine. Nat Rev Clin Oncol 2017; 14(12): 749–762, https://doi.org/10.1038/nrclinonc.2017.141.
8. Zhu M., Li S., Kuang Y., Hill V.B., Heimberger A.B., Zhai L., Zhai S. Artificial intelligence in the radiomic analysis of glioblastomas: a review, taxonomy, and perspective. Front Oncol 2022; 12: 924245, https://doi.org/10.3389/fonc.2022.924245.
9. Kolossváry M. RIA package manual. URL: https://cran.r-project.org/web/packages/RIA/vignettes/RIA.html.
10. Kolossváry M., Karády J., Szilveszter B., Kitslaar P., Hoffmann U., Merkely B., Maurovich-Horvat P. Radiomic features are superior to conventional quantitative computed tomographic metrics to identify coronary plaques with napkin-ring sign. Circ Cardiovasc Imaging 2017; 10(12): e006843, https://doi.org/10.1161/circimaging.117.006843.
11. Cao X., Tan D., Liu Z., Liao M., Kan Y., Yao R., Zhang L., Nie L., Liao R., Chen S., Xie M. Differentiating solitary brain metastases from glioblastoma by radiomics features derived from MRI and 18F-FDG-PET and the combined application of multiple models. Sci Rep 2022; 12(1): 5722, https://doi.org/10.1038/s41598-022-09803-8.
12. Zhang L., Yao R., Gao J., Tan D., Yang X., Wen M., Wang J., Xie X., Liao R., Tang Y., Chen S., Li Y. An integrated radiomics model incorporating diffusion-weighted imaging and 18F-FDG PET imaging improves the performance of differentiating glioblastoma from solitary brain metastases. Front Oncol 2021; 11: 732704, https://doi.org/10.3389/fonc.2021.732704.
13. Li Z., Holzgreve A., Unterrainer L.M., Ruf V.C., Quach S., Bartos L.M., Suchorska B., Niyazi M., Wenter V., Herms J., Bartenstein P., Tonn J.C., Unterrainer M., Albert N.L., Kaiser L. Combination of pre-treatment dynamic [18F]FET PET radiomics and conventional clinical parameters for the survival stratification in patients with IDH-wildtype glioblastoma. Eur J Nucl Med Mol Imaging 2022, https://doi.org/10.1007/s00259-022-05988-2.
14. Barry N., Rowshanfarzad P., Francis R.J., Nowak A.K., Ebert M.A. Repeatability of image features extracted from FET PET in application to post-surgical glioblastoma assessment. Phys Eng Sci Med 2021; 44(4): 1131–1140, https://doi.org/10.1007/s13246-021-01049-4.
15. Carles M., Popp I., Starke M.M., Mix M., Urbach H., Schimek-Jasch T., Eckert F., Niyazi M., Baltas D., Grosu A.L. FET-PET radiomics in recurrent glioblastoma: prognostic value for outcome after re-irradiation? Radiat Oncol 2021; 16(1): 46, https://doi.org/10.1186/s13014-020-01744-8.
16. Lohmann P., Elahmadawy M.A., Gutsche R., Werner J.M., Bauer E.K., Ceccon G., Kocher M., Lerche C.W., Rapp M., Fink G.R., Shah N.J., Langen K.J., Galldiks N. FET PET radiomics for differentiating pseudoprogression from early tumor progression in glioma patients post-chemoradiation. Cancers (Basel) 2020; 12(12): 3835, https://doi.org/10.3390/cancers12123835.
17. Kong Z., Jiang C., Zhu R., Feng S., Wang Y., Li J., Chen W., Liu P., Zhao D., Ma W., Wang Y., Cheng X. 18F-FDG-PET-based radiomics features to distinguish primary central nervous system lymphoma from glioblastoma. Neuroimage (Amst) 2019; 23: 101912, https://doi.org/10.1016/j.nicl.2019.101912.
18. Qian J., Herman M.G., Brinkmann D.H., Laack N.N., Kemp B.J., Hunt C.H., Lowe V., Pafundi D.H. Prediction of MGMT status for glioblastoma patients using radiomics feature extraction from 18F-DOPA-PET imaging. Int J Radiat Oncol Biol Phys 2020; 108(5): 1339–1346, https://doi.org/10.1016/j.ijrobp.2020.06.073.

Danilov G.V., Kalayeva D.B., Vikhrova N.B., Konakova T.A., Zagorodnova A.I., Popova A.A., Postnov A.A., Shugay S.V., Pronin I.N. Radiomics in Determining Tumor-to-Normal Brain SUV Ratio Based on 11C-Methionine PET/CT in Glioblastoma. Sovremennye tehnologii v medicine 2023; 15(1): 5, https://doi.org/10.17691/stm2023.15.1.01