Анализ данных МРТ изображений больных диффузными срединными глиомами c различным мутационным статусом
Автор: Регентова О.С., Сергеев Н.И., Боженко В.К., Полушкин П.В., Антоненко Ф.Ф., Холодов Я.А., Солодкий В.А.
Журнал: Вестник Российского научного центра рентгенорадиологии Минздрава России @vestnik-rncrr
Рубрика: Лучевая диагностика
Статья в выпуске: 4 т.24, 2024 года.
Бесплатный доступ
Введение. Радиомика и радиогеномика - это методы анализа графических данных, которые имеют большой потенциал в диагностике онкологических заболеваний. Особенно актуальны аспекты диагностики новообразований центральной нервной системы у детей и взрослых. В частности, гистологическая верификация опухолей ствола головного мозга представляет собой огромную проблему из-за их анатомической труднодоступности. В то же время данные гистологической картины, иммуногистохимии и молекулярно-генетического профиля представляют собой ценную информацию о биологических свойствах опухоли, которые важны для определения тактики лечения и прогноза заболевания в целом. Настоящая статья посвящена проблемам применения радиомики и радиогеномики для диагностики в детской нейроонкологии.Цель исследования. Определение возможности связи особенностей текстурных характеристик изображения опухоли и наличия в ней мутации гена H3F3А K27M.Материалы и методы. Текстурный анализ МРТ-исследований 223 детей с диагнозом диффузной опухоли ствола головного мозга. Тренировка моделей машинного обучения с целью решения задачи классификации групп пациентов на основании мутационного статуса гена H3F3А K27M.Результаты. Исследование продемонстрировало возможности применения моделей классического и глубокого машинного обучения при анализе радиомических признаков. При этом удалось достичь удовлетворительных результатов в определении мутационного статуса H3K27M по данным МРТ с применением технологии глубокого машинного обучения (нейросети) с возможностью генерации синтетических данных.
Радиомика, радиогеномика, нейроонкология, машинное обучение, анализ данных, лучевая диагностика
Короткий адрес: https://sciup.org/149147220
IDR: 149147220
Список литературы Анализ данных МРТ изображений больных диффузными срединными глиомами c различным мутационным статусом
- Nicholson JG, Fine HA. Diffuse Glioma Heterogeneity and Its Therapeutic Implications. Cancer Discov. 2021 Mar;11(3):575-590. doi: 10.1158/2159-8290.CD-20-1474.
- Li M, Chen WD, Papadopoulos N, Goodman SN, Bjerregaard NC, Laurberg S, et al. Sensitive digital quantification of DNA methylation in clinical samples. Nat Biotechnol. 2009 Sep;27(9):858-63. doi: 10.1038/nbt.1559.
- Щербенко О.И., Кумирова Э.В., Регентова О.С. «Жидкая биопсия» при опухолях мозга: состояние проблемы. Российский журнал детской гематологии и онкологии. 2019;6(2):61-67. doi: 10.21682/2311-1267-2019-6-2-61-67.
- Litvin AA, Burkin DA, Kropinov AA, Paramzin FN. Radiomics and Digital Image Texture Analysis in Oncology (Review). Sovrem Tekhnologii Med. 2021;13(2):97-104. doi: 10.17691/stm2021.13.2.11.
- Uddin S, Khan A, Hossain ME, Moni MA. Comparing different supervised machine learning algorithms for disease prediction. BMC Med Inform Decis Mak. 2019 Dec 21;19(1):281. doi: 10.1186/s12911-019-1004-8.
- Burkov A. The hundred-page machine learning book: Andriy Burkov (January 13, 2019); 2019. 160 p. ISBN-13: 978-1999579500.
- Намиот Д.Е., Ильюшин Е.А. Порождающие модели в машинном обучении. International Journal of Open Information Technologies. 2022;10(7):101-118.
- Регентова О.С., Солодкий В.А., Боженко В.К., Сергеев Н.И., Полушкин П.В., Близниченко М.А., Деянова В.А. Радиомический анализ данных в нейроонкологии. Вестник Российского научного центра рентгенорадиологии.2024;2024(2):69-77. EDN: NNPCYM.
- Babyak MA. What you see may not be what you get: a brief, nontechnical introduction to overfitting in regression-type models. Psychosom Med. 2004 May-Jun;66(3):411-421. doi: 10.1097/01.psy.0000127692.23278.a9.
- Gorishniy Yu, Rubachev I, Khrulkov V, Babenko A. Revisiting deep learning models for tabular data. In Proceedings of the 35th International Conference on Neural Information Processing Systems (NIPS '21). Curran Associates Inc., Red Hook. 2024;1447:18932-18943.
- Karabacak M, Schupper AJ, Carr MT, Bhimani AD, Steinberger J, Margetis K. Development and internal validation of machine learning models for personalized survival predictions in spinal cord glioma patients. Spine J. 2024 Jun;24(6):1065-1076. doi: 10.1016/j.spinee.2024.02.002.
- Van Kempen EJ, Post M, Mannil M, Witkam RL, Ter Laan M, et al. Performance of machine learning algorithms for glioma segmentation of brain MRI: a systematic literature review and meta-analysis. Eur Radiol. 2021 Dec;31(12):9638-9653. doi: 10.1007/s00330-021-08035-0.