Радиомика и количественные критерии MDA при раке молочной железы с костными метастазами по данным МРТ: примеры алгоритмов расчета и их практическое использование

В практической деятельности радиолога или онколога, особенно в контексте индивидуализированного подхода к лечению, возникает необходимость в быстрой и глубокой диагностике. Большую помощь здесь могут оказать радиомика и искусственный интеллект. Количественные и качественные оценки, полученные таким путем, выступают поддержкой принятия решения врачом.

Цель исследования — улучшение методов количественной и качественной оценки метастатического поражения позвоночника при раке молочной железы для более точной оценки динамики изменений под влиянием терапии в дополнение к MDA.

Материалы и методы. В работе использовали данные МРТ в сагиттальной проекции пациентки с диагнозом «рак молочной железы T2N3M1», получавшей лечение в соответствии с принятыми клиническими протоколами. Метастазы в позвоночнике были оценены рентгенологом и при помощи машинного анализа с применением специального программного обеспечения, включающего функции выделения внутренней структуры снимка и распознавания на основе традиционных нейронных сетей. Приведены также фрагменты использованных программных кодов.

Результаты. Проанализирована структура метастатически измененных позвонков в сагиттальной проекции с использованием машинных операторов анализа изображений. Обнаружены тонкие изменения структуры, такие как несколько типов «кальдер», а также изменения в сложности структурных паттернов на изображениях по мере лечения ингибиторами CDK 4/6. Измерения подкреплялись распознаванием метастазов с помощью нейронных сетей для увеличения надежности оценок. Кроме возможности регистрировать ответ на терапию, выявлена принципиальная возможность оценить степень действия в сравнении с предыдущей терапией.

Заключение. Исследование продемонстрировало высокую эффективность использования алгоритмов анализа структуры изображений, хорошую корреляцию полученных результатов с заключением врача-рентгенолога и с клинико-лабораторными данными. Это позволило приблизить анализ тонких эффектов к получению не только количественных характеристик, но и качественных результатов в дополнении к MDA.

1. Steinhauer V., Sergeev N.I. Radiomics in breast cancer: in-depth machine analysis of MR images of metastatic spine lesion. Sovremennye tehnologii v medicine 2022; 14(2): 16, https://doi.org/10.17691/stm2022.14.2.02.
2. SourceForge. dcm4che, a DICOM Implementation in JAVA Files. URL: https://sourceforge.net/projects/dcm4che/files/dcm4che3.
3. Zwanenburg A., Vallières M., Abdalah M.A., Aerts H.J.W.L., Andrearczyk V., Apte A., Ashrafinia S., Bakas S., Beukinga R.J., Boellaard R., Bogowicz M., Boldrini L., Buvat I., Cook G.J.R., Davatzikos C., Depeursinge A., Desseroit M.C., Dinapoli N., Dinh C.V., Echegaray S., El Naqa I., Fedorov A.Y., Gatta R., Gillies R.J., Goh V., Götz M., Guckenberger M., Ha S.M., Hatt M., Isensee F., Lambin P., Leger S., Leijenaar R.T.H., Lenkowicz J., Lippert F., Losnegård A., Maier-Hein K.H., Morin O., Müller H., Napel S., Nioche C., Orlhac F., Pati S., Pfaehler E.A.G., Rahmim A., Rao A.U.K., Scherer J., Siddique M.M., Sijtsema N.M., Socarras Fernandez J., Spezi E., Steenbakkers R.J.H.M., Tanadini-Lang S., Thorwarth D., Troost E.G.C., Upadhaya T., Valentini V., van Dijk L.V., van Griethuysen J., van Velden F.H.P., Whybra P., Richter C., Löck S. The image biomarker standardization initiative: standardized quantitative radiomics for high-throughput image-based phenotyping. Radiology 2020; 295(2): 328–338, https://doi.org/10.1148/radiol.2020191145.
4. Solovieva S.N., Matkin A.E. Development of a method of MRI image evaluation based on values estimated by the Hounsfield scale. Sovremennye naukoemkie tekhnologii 2018; 4: 188–126. URL: https://top-technologies.ru/en/article/view?id=36970.
5. BOOFCV. Image processing. URL: https://boofcv.org/index.php?title=Main_Page.
6. Kendrick J., Francis R., Hassan G.M., Rowshanfarzad P., Jeraj R., Kasisi C., Rusanov B., Ebert M. Radiomics for identification and prediction in metastatic prostate cancer: a review of studies. Front Oncol 2021; 11: 771787, https://doi.org/10.3389/fonc.2021.771787.
7. Catalano D. Normalization. URL: https://stackoverflow.com/questions/18576538/ image-normalization-in-java/18752509#18752509. https://stackoverflow.com/questions/18576538/image-normalization-in-java/18752509#18752509
8. Sudirman S., Al Kafri A., Natalia F., Meidia H., Afriliana N., Al-Rashdan W., Bashtawi M., Al-Jumaily M. Lumbar spine MRI dataset. Mendeley Data 2019; V. 2. URL: https://data.mendeley.com/datasets/k57fr854j2.
9. An open source perceptual hash library. URL: https://www.phash.org/.
10. Neuroph. Java Neural Network Framework. URL: https://neuroph.sourceforge.net/.
11. Deeplearning4J. URL: https://deeplearning4j.konduit.ai/.
12. Steinhauer V., Steinhauer L. Neuroph und DL4J. Einsatz in einer medizinischen Java-Anwendung. Java Magazin 2021; 06: 79–82.
13. Sergeev N.I., Kotlyarov P.M., Solodkiy V.A. Differential diagnosis of focal changes in the spine using standard and radiologic analysis. N.N. Priorova Journal of Traumatology and Orthopedics 2023; 30(1): 77–86, https://doi.org/10.17816/vto322858.

Steinhauer V., Hartung G. Radiomics and Quantitative MDA Criteria in Breast Cancer with Bone Metastases by MRI: Examples of Calculation Algorithms and Their Practical Use. Sovremennye tehnologii v medicine 2024; 16(3): 5, https://doi.org/10.17691/stm2024.16.3.01