TЕКСТУРНЫЙ АНАЛИЗ МУЛЬТИПАРАМЕТРИЧЕСКОЙ МРТ В ДИАГНОСТИКЕ МЫШЕЧНОИНВАЗИВНЫХ И МЫШЕЧНОНЕИНВАЗИВНЫХ ФОРМ РАКА МОЧЕВОГО ПУЗЫРЯ: ВОЗМОЖНОСТИ В УСЛОВИЯХ ПРЕДВАРИТЕЛЬНОЙ ОБРАБОТКИ ИЗОБРАЖЕНИЙ
Оригинальная статья
Дата публикации: ноября 2, 2024
Ключевые слова
рак мочевого пузыря
магнитно-резонансная томография
лучевая диагностика
магнитно-резонансная томография
лучевая диагностика
Аннотация
Актуальной проблемой лечения рака мочевого пузыря (РМП) остается недооценка мышечной инвазии и несоответствие дооперационного стадирования процесса с окончательной морфологической стадией заболевания. Более точно дифференцировать мышечноинвазивные и мышечнонеинвазивные формы РМП, особенно в неоднозначных клинических случаях, может помочь радиомика – относительное новое направление неинвазивной диагностики, основанное на извлечении количественных характеристик из области интереса с последующим определением специфических диагностических и прогностических признаков. Цель исследования. Определить диагностическую значимость текстурного анализа мультипараметрической МРТ в дифференцировке мышечноинвазивных и мышечнонеинвазивных форм РМП; разработать диагностические модели, включающие текстурные показатели-предикторы, для дифференцировки мышечноинвазивных и мышечнонеинвазивных форм РМП. Материал и методы. В исследование было включено 39 пациентов с РМП (16 - с мышечноинвазиным РМП, 23 - с мышечнонеинвазивным РМП), которым было выполнено хирургическое лечение в объеме трансуретральной резекции/цистэктомии. Всем пациентам было выполнено МРТ малого таза. Проведен анализ трех импульсных последовательностей – Т2-ВИ, DWI и ADC. Расчет текстурных показателей осуществлялся в условиях предварительной обработки изображений путем приведения последних к изотропному вокселю 1х1х1 мм (RES). Сегментация изображений проводилась 3D режиме. Результаты. По итогам исследования построены три диагностические модели 1. модель на основе многофакторной логистической регрессии (MLR) 2. на основе дерева решений (DT) 3. на основе стекинга технологий машинного обучения (Stacking). Были выявлены статистически значимо различающиеся текстурные показатели-предикторы (первого и второго порядков) дифференцировки мышечноинвазивных и мышечнонеинвазивных форм РМП, при этом были выделены по 3 показателя-предиктора на основе анализа данных T2-ВИ и DWI, и 2 показателя-предиктора на основе анализа данных ADC-карт. Все построенные модели, демонстрируют высокий диагностический потенциал и обладают следующими характеристиками: площадь под ROC-кривой 93.7-100%, точность 88.1-100%, чувствительность 85.7-100%, специфичность 90.5-100%. Заключение. Текстурный анализ МР-изображений позволяет выявить текстурные признаки-предикторы и с высокой точностью дифференцировать мышечноинвазивные и мышечнонеинвазивные формы РМП, при этом решение данной задачи может быть достигнуто даже при анализе одной импульсной последовательности. Разработанные модели радиомики РМП могут внести вклад в повышение точности как до-, так и послеоперационного обследования, особенно в неоднозначных клинических случаях.Литература
1. Sung H. et al. Global Cancer Statistics 2020: GLOBOCAN Estimates of Incidence and Mortality Worldwide for 36 Cancers in 185 Countries // CA Cancer J Clin. – 2021. - V. 71. - No. 3. – Р. 209-249. doi: 10.3322/caac.21660
2. Saginala K. et al. Epidemiology of Bladder Cancer // Med Sci (Basel). – 2020. - V. 8. - No.1. – P. 15. doi: 10.3390/medsci8010015
3. EAU Guidelines. Edn. presented at the EAU Annual Congress Milan 2023. ISBN 978-94-92671-19-6 URL: https://uroweb.org/guidelines
4. Soukup V. et al. Prognostic Performance and Reproducibility of the 1973 and 2004/2016 World Health Organization Grading Classification Systems in Non-muscle-invasive Bladder Cancer: A European Association of Urology Non-muscle Invasive Bladder Cancer Guidelines Panel Systematic Review // Eur Urol. – 2017. – V.72. - No. 5. – Р. 801-813. doi: 10.1016/j.eururo.2017.04.015
5. Ren J. et al. Preoperative CT-based radiomics for diagnosing muscle invasion of bladder cancer // Egypt J Radiol Nucl Med . – 2023. – V 54. – Р. 131. doi: 10.1186/s43055-023-01044-7
6. Hammouda K. et al. A multiparametric MRI-based CAD system for accurate diagnosis of bladder cancer staging // Comput Med Imaging Graph. – 2021. – V. 90. doi: 10.1016/j.compmedimag.2021.101911
7. Ark J.T. et al. Incidence and predictors of understaging in patients with clinical T1 urothelial carcinoma undergoing radical cystectomy // BJU Int. – 2014. – V. 113. - No.6. – Р.894-899. doi:10.1111/bju.12245
8. Lai A.L. et al. VI-RADS in bladder cancer: Overview, pearls and pitfalls // Eur J Radiol. – 2023. – V.160. doi: 10.1016/j.ejrad.2022.110666
9. Panebianco V. et al. Multiparametric Magnetic Resonance Imaging for Bladder Cancer: Development of VI-RADS (Vesical Imaging-Reporting And Data System) // Eur Urol. – 2018. - V.74. - No. 3. – Р. 294-306. doi: 10.1016/j.eururo.2018.04.029
10. Cornelissen S.W.E. et al. Diagnostic Accuracy of Multiparametric MRI for Local Staging of Bladder Cancer: A Systematic Review and Meta-Analysis // Urology. – 2020. – V.145. – Р. 22-29. doi: 10.1016/j.urology.2020.07.021
11. da Silva M.C. et al. The learning curve in bladder MRI using VI-RADS assessment score during an interactive dedicated training program // Eur Radiol. – 2022. – V.32. - No. 11. – Р.7494-7503. doi: 10.1007/s00330-022-08766-8
12. Huang X, Wang X, Lan X, Deng J, Lei Y, Lin F. The role of radiomics with machine learning in the prediction of muscle-invasive bladder cancer: A mini review // Front Oncol. - 2022. – V. 12. doi: 10.3389/fonc.2022.990176
13. Ye Y. et al. Radiomics Prediction of Muscle Invasion in Bladder Cancer Using Semi-Automatic Lesion Segmentation of MRI Compared with Manual Segmentation // Bioengineering (Basel). – 2023. – V. 10. - No. 12. doi: 10.3390/bioengineering10121355
14. Xu X. et al. Quantitative Identification of Nonmuscle-Invasive and Muscle-Invasive Bladder Carcinomas: A Multiparametric MRI Radiomics Analysis // J Magn Reson Imaging. – 2019. – V. 49. - No. 5. – P. 1489-1498. doi: 10.1002/jmri.26327
15. Li L. et al. Prediction of histopathologic grades of bladder cancer with radiomics based on MRI: Comparison with traditional MRI // Urol Oncol. - 2024. doi: 10.1016/j.urolonc.2024.02.008
16. Zhang G. et al. CT-based radiomics to predict the pathological grade of bladder cancer // Eur Radiol. – 2020. – V. 30. - No. 12. – Р. 6749-6756. doi: 10.1007/s00330-020-06893-8
17. Li L. et al. An MRI-based radiomics nomogram in predicting histologic grade of non-muscle-invasive bladder cancer // Front Oncol. – 2023. – V. 13. doi: 10.3389/fonc.2023.1025972
2. Saginala K. et al. Epidemiology of Bladder Cancer // Med Sci (Basel). – 2020. - V. 8. - No.1. – P. 15. doi: 10.3390/medsci8010015
3. EAU Guidelines. Edn. presented at the EAU Annual Congress Milan 2023. ISBN 978-94-92671-19-6 URL: https://uroweb.org/guidelines
4. Soukup V. et al. Prognostic Performance and Reproducibility of the 1973 and 2004/2016 World Health Organization Grading Classification Systems in Non-muscle-invasive Bladder Cancer: A European Association of Urology Non-muscle Invasive Bladder Cancer Guidelines Panel Systematic Review // Eur Urol. – 2017. – V.72. - No. 5. – Р. 801-813. doi: 10.1016/j.eururo.2017.04.015
5. Ren J. et al. Preoperative CT-based radiomics for diagnosing muscle invasion of bladder cancer // Egypt J Radiol Nucl Med . – 2023. – V 54. – Р. 131. doi: 10.1186/s43055-023-01044-7
6. Hammouda K. et al. A multiparametric MRI-based CAD system for accurate diagnosis of bladder cancer staging // Comput Med Imaging Graph. – 2021. – V. 90. doi: 10.1016/j.compmedimag.2021.101911
7. Ark J.T. et al. Incidence and predictors of understaging in patients with clinical T1 urothelial carcinoma undergoing radical cystectomy // BJU Int. – 2014. – V. 113. - No.6. – Р.894-899. doi:10.1111/bju.12245
8. Lai A.L. et al. VI-RADS in bladder cancer: Overview, pearls and pitfalls // Eur J Radiol. – 2023. – V.160. doi: 10.1016/j.ejrad.2022.110666
9. Panebianco V. et al. Multiparametric Magnetic Resonance Imaging for Bladder Cancer: Development of VI-RADS (Vesical Imaging-Reporting And Data System) // Eur Urol. – 2018. - V.74. - No. 3. – Р. 294-306. doi: 10.1016/j.eururo.2018.04.029
10. Cornelissen S.W.E. et al. Diagnostic Accuracy of Multiparametric MRI for Local Staging of Bladder Cancer: A Systematic Review and Meta-Analysis // Urology. – 2020. – V.145. – Р. 22-29. doi: 10.1016/j.urology.2020.07.021
11. da Silva M.C. et al. The learning curve in bladder MRI using VI-RADS assessment score during an interactive dedicated training program // Eur Radiol. – 2022. – V.32. - No. 11. – Р.7494-7503. doi: 10.1007/s00330-022-08766-8
12. Huang X, Wang X, Lan X, Deng J, Lei Y, Lin F. The role of radiomics with machine learning in the prediction of muscle-invasive bladder cancer: A mini review // Front Oncol. - 2022. – V. 12. doi: 10.3389/fonc.2022.990176
13. Ye Y. et al. Radiomics Prediction of Muscle Invasion in Bladder Cancer Using Semi-Automatic Lesion Segmentation of MRI Compared with Manual Segmentation // Bioengineering (Basel). – 2023. – V. 10. - No. 12. doi: 10.3390/bioengineering10121355
14. Xu X. et al. Quantitative Identification of Nonmuscle-Invasive and Muscle-Invasive Bladder Carcinomas: A Multiparametric MRI Radiomics Analysis // J Magn Reson Imaging. – 2019. – V. 49. - No. 5. – P. 1489-1498. doi: 10.1002/jmri.26327
15. Li L. et al. Prediction of histopathologic grades of bladder cancer with radiomics based on MRI: Comparison with traditional MRI // Urol Oncol. - 2024. doi: 10.1016/j.urolonc.2024.02.008
16. Zhang G. et al. CT-based radiomics to predict the pathological grade of bladder cancer // Eur Radiol. – 2020. – V. 30. - No. 12. – Р. 6749-6756. doi: 10.1007/s00330-020-06893-8
17. Li L. et al. An MRI-based radiomics nomogram in predicting histologic grade of non-muscle-invasive bladder cancer // Front Oncol. – 2023. – V. 13. doi: 10.3389/fonc.2023.1025972