Разработка принципов адаптации радиогеномного подхода к визуализации глиальных опухолей в рамках инициальных диагностических мероприятий

Радиомика представляет собой количественный подход к интерпретации медицинских изображений, связанный с извлечением из них определённых данных, так называемых «радиомических характеристик», недоступных «невооружённому» глазу, и дальнейшим их преобразованием в цифровые показатели, как правило, с целью последующего радиоге-номного анализа, включающего выявление тех из них, которые обладают статистически достоверной взаимосвязью с экспрессируемыми иммуногистохимическими и молекулярно-генетическими показателями при изучаемой патологии. Таким образом, наиболее стремительно данное направление развивается в сфере онкологической визуализации.

С использованием инструментов радиомики возможен поиск прогностически эффективных визуали-зационных признаков, отражающих изменения на пиксельном и воксельном уровнях и ассоциирующихся с конкретными генетическими и эпигенетическими событиями, обусловливающими различные клинические характеристики течения заболевания (степени злокачественности новообразований, исхо- ды, выживаемость и т.д.), благодаря чему в частности становится возможной потенциальная оптимизация сортировки онкологических пациентов по принципу приоритетности проведения хирургического вмешательства, уровню сложности комбинированной терапии, т.н. «виртуальная биопсия».

«Золотым стандартом» дифференциальной диагностики опухолей головного мозга на сегодняшний день является биопсия с последующими иммуногистохимическим и, в ряде случаев, молекулярно-генетическим исследованиями. Однако, возникающие зачастую затруднения обусловлены сложностью оперативного доступа, периодической невозможностью проведения повторной процедуры, а также серьёзными хирургическими и неврологическими осложнениями (по данным долгосрочного исследования Di Bonaventura R. и соавт. (2021), 2,1% и 3,2% соответственно) и летальностью [1].

В то же время в лучевой диагностике методом выбора для характеристики патологического образования головного мозга остаётся магнитно-резонансная томография, обеспечивающая наивысшую степень дифференциации тканей с помощью различных им- пульсных последовательностей [2]. При этом текущие радиомические исследования отражают обширные возможности выявления взаимосвязей между визуа-лизационными паттернами («простыми»: размер, форма, локализация и т.д., и «сложными» – радиоми-ческими: текстура, интенсивность и т.д.) и иммуноги-стохимическими/молекулярно-генетическими особенностями глиом с использованием всевозможных методов и методик лучевой диагностики – например, одним из наиболее результативных направлений радиогеномики глиальных опухолей является прогнозирование их типов, классов и степеней злокачественности in vivo с помощью протонной магнитнорезонансной спектроскопии, в частности в сочетании с данными диффузионно-тензорной визуализации [3].

Цель исследования

Таким образом, целью данного исследования является поиск не менее актуальных, на наш взгляд, МР-паттернов, характеризующихся отсутствием ограничений по применимости в зависимости от видимых морфолoгических особенностей новообразования и предоставляющих прогностические данные о наличии мутаций и уровнях экспрессии иммуноги-стохимических/молекулярно-генетических маркеров глиом (а стало быть об исходах заболевания и степенях злокачественности опухолей), получаемых с использованием именно традиционных импульсных последовательностей, что, в свою очередь, минимизирует проблему доступности определённых методик, формируя новые возможности оптимизации специализированной медицинской помощи.

Задачи:

• -    определение целевой иммуногистохимиче-ской/молекулярно-генетической переменной для потенциальной разработки предиктивной модели;

• -    выбор импульсных последовательностей для последующего радиомического анализа;

• -    создание базы данных первичных МР-изображений головного мозга пациентов с глиальными опухолями и известным статусом целевой переменной;

• -    препроцессинг исходных данных визуализации с целью их унификации при условии включения в последующий радиомический анализ изображений, полученных с использованием различных МР-томографов;

• -    определение зон интереса в структуре диагностических изображений и их сегментация;

• -    извлечение радиомических характеристик, присущих зонам интереса;

• -    поиск статистически достоверных взаимосвязей между радиомическими характеристиками и целевой переменной.

Материал и методы

Был проведён ретроспективный анализ первичных данных МРТ головного мозга 49 пациентов с глиальными опухолями и впоследствии идентифицированным статусом целевой иммуногистохими-ческой/молекулярно-генетической переменной за 2021–2023 гг. из архива ФГБУ «НМИЦ им. В.А. Алмазова» МЗ РФ (n = 31) и ГБУЗ «СПб КНпЦСВМП(о) им. Н.П. Напалкова» (n = 18).

Критерии включения в исследование:

• -    гистологически верифицированное первичное объёмное образование глиального ряда;

• -    идентифицированный статус целевой переменной;

• -    супратенториальная локализация процесса;

• -    наличие данных следующих импульсных последовательностей в структуре протокола исследования: Т2, T2-Tirm (T2-FLAIR), T1-CE, DWI, ADC.

Критерии исключения:

• -    предшествующие оперативные вмешательства, химио- и радиолечение;

• -    аномалии развития головного мозга;

• -    артефакты.

МР-исследования проводились на томографах с силой индукции магнитного поля 1,5 и 3 Тл, с применением специальной МР-катушки для головы «Head Coil», в трёх взаимно перпендикулярных плоскостях. Традиционный протокол исследования включал следующие импульсные последовательности: Т2, T2-Tirm (T2-FLAIR), Т1, Т1-СЕ, SWI, DWI, ADC.

Препроцессинг изображений осуществлялся автоматически с использованием программного пакета с открытым кодом по методике сопоставления гистограмм, заключающейся в нормализации значений по шкале серого цвета исходных изображений на основе данных показателей для избранных эталонных изображений (МРТ головного мозга в норме) в пределах одной импульсной последовательности путём автоматизированного преобразования иcходных данных визуализации таким образом, чтобы их гистограммы соответствовали таковой для эталонных изображений (фоновые пиксели были исключены как из исходных, так и из эталонной гистограмм) (рис. 1).

Также с помощью вышеупомянутого программного обеспечения посрезово осуществлялось выделение зон интереса по методике полуавтомати-зированной сегментации (рис. 2) с последующей экстракцией присущих им радиомических характеристик – по 874 для каждой зоны интереса. Помимо этого, использовалось расширение, инкапсулирующее библиотеку Pyradiomics, где, в сочетании с методами выбора и классификации признаков, полученные данные были изучены с точки зрения их производительности и стабильности для прогнозирования. Функции соответствуют определениям таковых, описанным Инициативой по стандартизации биомаркеров изображений (The Image Biomarker Standardization Initiative – IBSI).

Поиск релевантных радиомических признаков, характеризующихся наличием статистически достоверной связи с целевой переменной, выполнялся с применением инструментов предиктивного статистического анализа, логистической регрессии. В качестве регрессионной модели использовался алгоритм Least Absolute Shrinkage and Selection Operation (LASSO). Штрафной коэффициент (лямбда) был выбран таким образом, чтобы быть максимально экономным и обеспечить ошибку оценки ниже одного стандартного отклонения от минимальной ошибки, полученной при 10-кратной перекрёстной проверке.

Рисунок 1. Пример применения методики сопоставления гистограмм. Слева направо: гистограмма и исходные МР-изображения головного мозга, взвешенные по Т2-Tirm, аксиальный срез, – образование в левой гемисфере; гистограмма и эталонные МР-изображения головного мозга в норме, взвешенные по T2-Tirm, аксиальный срез; результирующие гистограмма и МР-изображения головного мозга для данного пациента, взвешенные по Т2-Tirm, аксиальный срез, – после применения методики сопоставления гистограмм

Figure 1. Example of application of histogram matching technique. Left to the right: histogram and original MR images of the brain, weighted by T2-Tirm, axial section, formation in the left hemisphere; histogram and reference MR images of the brain are normal, T2-Tirm weighted, axial slice; resulting histogram and MR-T2-Tirm-weighted brain images for a given patient, axial slice, – after applying the histogram matching technique

Рисунок 2. Пример выполнения посрезовой полуавтоматизиро-ванной сегментации зоны гиперинтенсивного МР-сигнала на Т2-Tirm, ассоциирующейся с опухолевым поражением. МР-изображение головного мозга, взвешенное по Т2-Tirm, аксиальный срез, после применения методики сопоставления гистограмм – образование в левой гемисфере

Figure 2. An example of performing a slice-by-slice semi-automated segmentation of the zone of hyperintense MR signal on T2-Tirm, associated with tumor lesions. MR image of the head brain, T2-Tirm weighted, axial section, after application of the technique histogram comparisons – formation in the left hemisphere

Результаты

В соответствии с обновлённой классификaцией Всемирной организации здравоохранения (ВОЗ) опухолей центральной нервной системы (ЦНС) (2021), определение IDH-статуса (Isocitrate dehydrogenase) является стартовым дифференциально-диагностическим этапом идентификации степеней злокачественности образований головного мозга. По данным многочисленных исследований, наличие IDH-мутации при глиальных опухолях ассоциировано с большей общей выживаемостью (например, согласно исследованию Han S. и соавт. (2020), значения медианы выживаемости при глиобластоме IDH-дикого и мутантного типов (по классификaции ВОЗ опухолей ЦНС от 2016 г.) равны 15 и 31 месяцу соответственно) [4].

Таким образом, в качестве целевой иммуногистохимической переменной для разработки предиктивной модели на основе данных визуализации был определён IDH-статус глиальных опухолей.

Patel S.H и соавт. (2021) разработали простой в использовании МР-паттерн, позволяющий прогно-

зировать IDH-статус глиальных опухолей, – «подавление сигнала от жидкости в контраст-негативной части опухоли» (Fluid attenuation in non-contrast enhancing tumor – далее «FAINCET») [6]. Данный ви-зуализационный маркер применяется по отношению к контраст-негативному компоненту образования и статистически достоверно соотносится с IDH-мутацией при условии наличия зоны гипоинтенсив-ного МР-сигнала на Т2-FLAIR в структуре контраст-негативного участка, характеризующейся гиперинтенсивным МР-сигналом на Т2-ВИ. За основу был взят широко известный феномен «Т2/FLAIR mismatch», зарекомендовавший себя в качестве высокоспецифичного предиктора IDH-мутантных астроцитом. Зоны некроза, гиперклеточности или гиперваскуляризации, зачастую наличествующие в структуре глиом, демонстрируют визуализацион-ные характеристики, несопоставимые с применением «Т2-FLAIR mismatch»: Foltyn M. и соавт. в 2020 г. обнаружили, что данный МР-паттерн не соблюдался ни в одном из 295 случаев глиобластомы, 5 из которых были IDH-мутантными (по классификaции ВОЗ опухолей ЦНС от 2016 г.) [5]. Несмотря на то, что феномен подавления сигнала от жидкости в кон-траст-негативной части опухоли аналогичным образом связан с наличием зоны несоответствия гиперинтенсивного МР-сигнала на Т2-ВИ и гипоинтен-сивного – на Т2-FLAIR, для его применения отсутствует необходимость соблюдения данного принципа большей частью опухоли, и кроме того, как было сказано выше, данный паттерн явно применим к участкам, не накапливающим контрастный препарат (рис. 3).

Таким образом, вышеописанный признак визуализации имеет больший потенциал применения по отношению к морфолoгически неоднородным опухолям, таким как глиобластома [6].

С использованием сформированной базы данных нами был осуществлён предиктивный статистический анализ, в результате которого была подтверждена высокая прогностическая способность вышеописанного МР-паттерна по отношению к наличию IDH-мутаций (табл. 1–3).

Однако, в связи с невозможностью использования FAINCET по отношению к глиальным опухолям без видимого контраст-негативного компонента в структуре, очевидна необходимость разработки предиктивного МР-паттерна, характеризующегося отсутствием ограничений по применимости в зависимости от морфологических особенностей новообразования.

В соответствии с озвученным выше принципом нивелирования проблемы доступности «сложных» диагностических методик, визуализационные данные для радиомического анализа на текущем этапе исследования были получены с использованием импульсной последовательности Т2-Tirm (T2-FLAIR) как неотъемлемой составляющей традиционного протокола МР-исследования головного мозга.

В связи с включением в анализ изображений, полученных с помощью различных МР-томографов, была осуществлена их автоматическая нормализация с использованием избранных эталонных изображений по методике сопоставления гистограмм, описанной выше.

Рисунок 3. Феномен подавления МР-сигнала от жидкости в контраст-негативной части опухоли – диффузная глиома взрослого типа Grade 3 правой лобной доли головного мозга, IDH-mut

Figure 3. The phenomenon of suppression of the MR signal from liquid in contrast negative part of the tumor – diffuse glioma of the adult type, Grade 3, right frontal lobe of the brain, IDH-mut

Таблица 1. Одновариантный предиктивный анализ (IDH 0 – образования IDH-дикого типа, IDH 1 – IDH-мутантные опухоли) Table 1. Single–variant predictive analysis (IDH 0 - wild-type IDH formations, IDH 1 – IDH-mutant tumors)

	Наличие FAINCET	IDH 0 (n = 27)	IDH 1 (n = 22)	n	p	Тест
FAINCET, n	нет	23 (85%)	8 (36%)	31	<0,001	Chi2
	да	4 (15%)	14 (64%)	18	–	–

Таблица 2. Модель логистической регрессии

Table 2. Logistic regression model

	Отношение шансов		p	Коэффициенты
Intercept		0,348 [0,146; 0,746]	0,01	-1,05
FAINCET	1 vs 0	10,1 [2,75; 44,6]	<0,001	2,29

Таблица 3. Показатели чувствительности и специфичности в соответствии с порогами вероятности Table 3. Sensitivity and specificity indicators according to probability thresholds

Порог вероятности	Чувствительность	Специфичность
0,0	100% [85–100%]	0% [0–13%]
0,2	100% [85–100%]	0% [0–13%]
0,4	64% [41–83%]	85% [66–96%]
0,6	64% [41–83%]	85% [66–96%]
0,8	0% [0–15%]	100% [87–100%]
1,0	0% [0–15%]	100% [87–100%]

С момента начала развития радиогеномного подхода к интерпретации данных МРТ при глиальных опухолях сформировались различные принципы определения зон интереса для последующего радиомического анализа, включающие сегментацию зоны перитуморальной гиперинтенсивности на Т2-FLAIR, всей зоны гиперинтенсивного МР-сигнала на Т2-ВИ, контраст-позитивной части опухоли на Т1-CE и т.д. [7–9].

На данном этапе исследования нами была избрана тактика выделения всей зоны гиперинтенсивного МР-сигнала на T2-Tirm, ассоциирующейся с опухолевым поражением, с захватом связанных кистозных и/или некротических компонентов, так как такой подход лимитирует потенциальные разночтения в процессе идентификации тех или иных структурных компонентов образования, возникающие несмотря на полуавтоматизированный характер сегментации, а также существенно ускоряет процесс определения зон интереса.

После осуществления посрезовой полуавтомати-зированной сегментации утверждённых зон интереса (IDH-мутантные образования: n = 22; опухоли IDH-дикого типа: n = 27) для каждой из них были извлечены по 874 радиомические характеристики. В результате радиомического анализа было обнаружено, что параметр Dependence Entropy (DE) связан с IDH-статусом со значением p < 0,01. Прогнозный анализ основывался на логистической регрессии для получения вероятности принадлежности каждого образования к группе IDH-мутантных; в связи со сравнительно небольшим объёмом выборки был проведён непараметрический тест Мэнна – Уитни (табл. 4, 5, рис. 4).

На основе проведённого анализа распределения данных можно сделать вывод, что две выборки различимы. С целью проверки производительности модели была рассчитана ROC-кривая на основе бут-стреп-пересчёта (100 итераций) с использованием тех же процедур выбора переменных и расчёта коэффициентов логистической регрессии (табл. 6, рис. 5).

Таблица 4. Одновариантный предиктивный анализ (IDH 0 – образования IDH-дикого типа, IDH 1 – IDH-мутантные опухоли)

Table 4. Single–variant predictive analysis (IDH 0 – wild-type IDH formations, IDH 1 – IDH-mutant tumors)

IDH 0 (n = 27) IDH 1 (n = 22)            n                  p                Тест

Dependence Entropy, median [Q25-75]     4,68 [4,62; 4,73]    4,62 [4,55; 4,64]          49               <0,01          Mann-Whitney

Таблица 5. Модель логистической регрессии Table 5. Logistic regression model

	Отношение шансов	p	Коэффициенты
Intercept	+Inf [+Inf; +Inf]	<0,01	81,5
Dependence Entropy	0 [0; 0,000583]	<0,01	–17,6

Таблица 6. Показатели чувствительности и специфичности в соответствии с порогами вероятности Table 6. Sensitivity and specificity indicators according to probability thresholds

Порог вероятности	Чувствительность	Специфичность
0,0	100% [85–100%]	0% [0–13%]
0,2	95% [77–100%]	31% [14–52%]
0,4	77% [55–92%]	65% [44–83%]
0,6	36% [17–59%]	81% [61–93%]
0,8	23% [7.8–45%]	100% [87–100%]
1,0	0% [0–15%]	100% [87–100%]

Рисунок 5. ROC-кривая, демонстрирующая предиктивную способность Dependence Entropy в отношении IDH-статуса; площадь под кривой – 0,766 [0,627–0,880]. Значение близко к 1, следовательно, классификатор может правильно различать все положительные и отрицательные точки класса

Figure 5. ROC curve demonstrating predictive ability. Dependence Entropy regarding IDH status; area under the curve – 0.766 [0.627– 0.880]. The value is close to 1, therefore the classifier can correctly distinguish between all positive and negative points of the class

Рисунок 4. Коробчатая диаграмма распределения значений Dependence Entropy в зависимости от IDH-статуса

Figure 4. Boxplot of distribution of Dependence Entropy values depending on IDH status

Показатель Dependence Entropy относится к семейству Gray Level Dependence Matrix (матрица яркостной зависимости), характеризующему пространственные связи между созависимыми пиксе-лями/вокселями относительно расстояния и угла между ними. Энтропия, в свою очередь, отражает неравномерность (хаотичность) текстуры – иными словами, неопределённость в значениях серого в структуре изображения: низкое значение признака соответствует неоднородной текстуре, высокое – однородной [10].

Таким образом, на основе числовых показателей Dependence Entropy для исследуемой когорты пациентов была построена статистическая модель, позволяющая с определённой степенью достоверности неинвазивно прогнозировать IDH-статус глиальных опухолей в соответствии с полученными значениями данного радиомического признака.

Обсуждение

В процессе исследования была выявлена необходимость поиска радиомического признака, не зависящего в своей потенциальной применимости от структурной неоднородности новообразования, а также достоверно ассоциирующегося с IDH-статусом как неотъемлемой стартовой дифференциально-диагностической характеристикой глиальных опухолей [6].

С применением инструментов предиктивного анализа, логистической регрессии была доказана возможность достоверного уточнения экспрессии иммуногистохимических/молекулярно-генетических характеристик глиальных опухолей путём использования традиционных импульсных последовательностей, а также дальнейшего изучения определённых наборов визуализационных признаков.

Таким образом, был выявлен радиомический показатель Dependence Entropy, отражающий неравномерность пространственных связей между соза-висимыми вокселями в пределах зон интереса. Учитывая автоматизированный характер препроцессинга исходных изображений и извлечения радио-мических признаков, а также, ввиду обоснованности тактики сегментации всего ассоциирующегося с опухолевым образованием участка гиперинтенсивного МР-сигнала на Т2-Tirm, существенно сократилось время, необходимое для подготовки данных к получению значений Dependence Entropy, что, в условиях отсутствия соответствующего специализированного программного обеспечения, потенциально может ускорить процесс принятия клинических решений в рамках инициальных диагностических мероприятий, оптимизируя маршрутизацию пациентов с опухолями глиального ряда, вследствие чего предполагается улучшение клинических исходов.

Заключение

Проведённое исследование характеризуется рядом общих ограничений, требующих коррекции и зачастую присущих многим разработкам с сфере радиогеномики и радиомики. Так, в ходе дальнейшей работы планируется увеличение базы первичных данных МРТ головного мозга пациентов с глиальными опухолями и впоследствии идентифицированным IDH-статусом, повышение точности имеющейся статистической модели путём тестирования дополнительных препроцессинговых методик, а также разработки альтернативных подходов к сегментации зон интереса, в частности – с использованием принципа пороговых значений. Помимо этого, будет осуществлён поиск радиомических характеристик, статистически достоверно соотносящихся с IDH-статусом и экстрагируемых с использованием иных традиционных импульсных последовательностей, с целью финального выделения наиболее практически значимых результатов и создания на их базе комплексной предиктивной радиогеномной модели, модифицирующей дифференциальнодиагностический алгоритм интерпретации данных МРТ головного мозга при глиальных опухолях в условиях первичного нейровизуализационного исследования и позволяющей осуществлять неинвазивное прогнозирование генотипа новообразований. Впоследствии, на основании полученных результатов, планируется разработка автоматизированного программного обеспечения.

Выводы

На текущем этапе исследования был решён ряд концептуальных задач, благодаря чему становится возможной дальнейшая мультидисциплинарная ра- бота в соответствии с вышеобозначенными направлениями.

Согласно обновлённой классификации ВОЗ опухолей ЦНС (2021) и на основании данных многочисленных научных исследований, в соответствии с которыми наличие IDH-мутации при глиальных опухолях ассоциировано с большей общей выживаемостью, в качестве целевой иммуногистохимической характеристики для потенциальной разработки предиктивной модели был определён IDH-статус.

Соблюдая принцип использования для последующего радиомического анализа широко доступных методик нейровизуализации, данные извлекались из изображений, взвешенных по Т2-Tirm.

В связи с необходимостью унификации исходных МР-изображений осуществлялся их препроцессинг – в качестве инструмента была избрана методика сопоставления гистограмм.

Несмотря на использование полуавтоматизиро-ванной сегментации, с целью ускорения данного процесса и минимизации разночтений, регулярно возникающих при выделении тех или иных структурных компонентов новообразования и неизбежно оказывающих влияние на количественные показатели при разработке и дальнейшем использовании статистической модели, в качестве зон интереса были определены участки гиперинтенсивного МР-сигнала на Т2-Tirm, ассоциирующиеся с опухолевым поражением, а также кистозные и/или некротические компоненты на их фоне.

В результате проделанной работы была найдена статистически достоверная взаимосвязь между ра-диомической характеристикой Dependence Entropy и IDH-статусом глиальных опухолей.