Radiomică - Radiomics
În domeniul medicinei, radiomica este o metodă care extrage un număr mare de caracteristici din imaginile medicale utilizând algoritmi de caracterizare a datelor. Aceste caracteristici, denumite caracteristici radiomice, au potențialul de a descoperi tipare și caracteristici tumorale care nu pot fi apreciate cu ochiul liber. Ipoteza radiomicii este că trăsăturile de imagistică distincte dintre formele bolii pot fi utile pentru prezicerea prognosticului și a răspunsului terapeutic pentru diferite tipuri de cancer, oferind astfel informații valoroase pentru terapia personalizată. Radiomica a apărut din domeniile medicale ale radiologiei și oncologiei și este cea mai avansată în aplicații în aceste domenii. Cu toate acestea, tehnica poate fi aplicată oricărui studiu medical în care poate fi imaginat un proces patologic.
Proces
Achizitie de imagini
Datele imaginii sunt furnizate de modalități radiologice precum CT, RMN, PET / CT sau chiar PET / MR. Volumele de date brute produse sunt utilizate pentru a găsi diferite caracteristici pixel / voxel prin intermediul instrumentelor de extracție.
Funcțiile extrase sunt salvate în baze de date mari, în cazul în care clinicile au acces, astfel încât să permită o colaborare pe scară largă și cumulativă, în care toți să poată beneficia de cantități în creștere de date, permițând în mod ideal un flux de lucru mai precis.
Segmentarea imaginii
După ce imaginile au fost salvate în baza de date, acestea trebuie reduse la părțile esențiale, în acest caz tumorile, care sunt numite „volume de interes”.
Datorită datelor mari de imagine care trebuie procesate, ar fi prea multă muncă să se efectueze segmentarea manuală pentru fiecare imagine dacă se creează o bază de date radiomică cu multe date. În loc de segmentare manuală, trebuie utilizat un proces automat. O posibilă soluție sunt algoritmii de segmentare automată și semiautomatică. Înainte de a putea fi aplicat la scară mare, un algoritm trebuie să înscrie cât mai mare posibil în următoarele patru sarcini:
- În primul rând, trebuie să fie reproductibil, ceea ce înseamnă că atunci când este utilizat pe aceleași date, rezultatul nu se va schimba.
- Un alt factor important este consistența. Algoritmul rezolvă problema la îndemână și îndeplinește sarcina mai degrabă decât să facă ceva care nu este important. În acest caz, este necesar ca algoritmul să poată detecta partea bolnavă în toate scanările diferite.
- De asemenea, algoritmul trebuie să fie corect. Este foarte important ca algoritmul să detecteze partea bolnavă în cel mai precis mod posibil. Doar cu date exacte, se pot obține rezultate exacte.
- Un punct minor, dar totuși important, este eficiența timpului. Rezultatele trebuie generate cât mai repede posibil, astfel încât întregul proces de radiomică să poată fi accelerat. Un punct minor înseamnă în acest caz că, dacă se află într-un anumit cadru, nu este la fel de important ca celelalte.
Extragerea și calificarea caracteristicilor
După segmentare, se pot extrage multe caracteristici și se poate calcula modificarea netă relativă din imaginile longitudinale (delta-radiomics). Caracteristicile radiomice pot fi împărțite în cinci grupuri: dimensiuni și forme bazate pe caracteristici, descriptori ai histogramei de intensitate a imaginii, descriptori ai relațiilor dintre voxelurile imaginii (de exemplu, matricea de co-apariție a nivelului de gri (GLCM), matricea lungimii de rulare (RLM), matricea zonei de dimensiuni (SZM) și textura derivată a matricei de tonuri de gri de vecinătate (NGTDM), texturi extrase din imagini filtrate și caracteristici fractale. Definițiile matematice ale acestor caracteristici sunt independente de modalitatea imagistică și pot fi găsite în literatura de specialitate. descrierea caracteristicilor texturii pentru radiomică poate fi găsită în Parekh și colab., (2016) și Depeursinge și colab. (2017).
Datorită varietății sale masive, trebuie implementate reduceri de caracteristici pentru a elimina informațiile redundante. Sute de caracteristici diferite trebuie evaluate cu ajutorul unor algoritmi de selecție pentru a accelera acest proces. În plus, caracteristicile instabile și nereproductibile ar trebui eliminate, deoarece caracteristicile cu fidelitate redusă vor duce probabil la descoperiri false și la modele irepetabile.
Analiză
După selectarea caracteristicilor importante pentru sarcina noastră, este crucial să analizăm datele alese. Înainte de analiza efectivă, datele clinice și moleculare (uneori chiar și cele genetice) trebuie integrate, deoarece au un impact mare asupra a ceea ce poate fi dedus din analiză. Există diferite metode pentru a analiza în cele din urmă datele. În primul rând, diferitele caracteristici sunt comparate între ele pentru a afla dacă au informații în comun și pentru a dezvălui ce înseamnă atunci când apar toate în același timp.
O altă modalitate este analiza supravegheată sau nesupravegheată. Analiza supravegheată utilizează o variabilă de rezultat pentru a putea crea modele de predicție. Analiza nesupravegheată rezumă informațiile pe care le avem și pot fi reprezentate grafic. Astfel încât concluzia rezultatelor noastre este clar vizibilă.
Baze de date
Creare
Sunt necesari mai mulți pași pentru a crea o bază de date radiomică integrată. Datele imagistice trebuie exportate din clinici. Acesta este deja un pas foarte provocator, deoarece informațiile despre pacienți sunt foarte sensibile și sunt guvernate de legile privind confidențialitatea, cum ar fi HIPAA . În același timp, datele exportate nu trebuie să-și piardă integritatea atunci când sunt comprimate, astfel încât baza de date să încorporeze doar date de aceeași calitate. Integrarea datelor clinice și moleculare este de asemenea importantă și este necesară o locație mare de stocare a imaginilor.
Utilizare
Scopul radiomicii este de a putea folosi această bază de date pentru pacienții noi. Aceasta înseamnă că avem nevoie de algoritmi care rulează noi date de intrare prin baza de date, care să returneze un rezultat cu informații despre cum ar putea arăta evoluția bolii pacienților. De exemplu, cât de repede va crește tumora sau cât de mari sunt șansele ca pacientul să supraviețuiască pentru un anumit timp, dacă sunt posibile metastaze la distanță și unde. Aceasta determină modul în care se selectează tratamentul suplimentar (cum ar fi intervenția chirurgicală, chimioterapia, radioterapia sau medicamentele vizate etc.) și cea mai bună soluție care maximizează supraviețuirea sau îmbunătățirea. Algoritmul trebuie să recunoască corelațiile dintre imagini și caracteristici, astfel încât să fie posibilă extrapolarea de la materialul bazei de date la datele de intrare.
Aplicații
Predicția rezultatelor clinice
Aerts și colab. (2014) au efectuat primul studiu radiomic la scară largă care a inclus trei cohorte de cancer pulmonar și două de cap și gât, format din peste 1000 de pacienți. Ei au evaluat valorile prognostice a peste 400 de caracteristici texturale și bazate pe formă și intensitate extrase din imaginile tomografiei computerizate (CT) dobândite înainte de orice tratament. Volumele tumorale au fost definite fie de către oncologi experți în radiații, fie utilizând metode de segmentare semiautomatice. Rezultatele lor au identificat un subset de caracteristici radiomice care pot fi utile pentru prezicerea supraviețuirii pacientului și descrierea eterogenității intratumorale. Ei au confirmat, de asemenea, că capacitatea de prognostic al acestor caracteristici radiomice poate fi transferată de la cancerul pulmonar la cel de cap și gât. Cu toate acestea, Parmar și colab. (2015) au demonstrat că valoarea prognostică a unor caracteristici radiomice poate fi dependentă de tipul cancerului. În special, au observat că nu orice caracteristică radiomică care a prezis în mod semnificativ supraviețuirea pacienților cu cancer pulmonar ar putea prezice, de asemenea, supraviețuirea pacienților cu cancer cap-și-gât și invers.
Nasief și colab. (2019) au arătat că modificările caracteristicilor radiomice în timp în imaginile longitudinale (caracteristici delta-radiomice, DRF) pot fi utilizate ca biomarker pentru a prezice răspunsul la tratament pentru cancerul pancreatic. Rezultatele lor au arătat că o rețea neuronală de regularizare bayesiană poate fi utilizată pentru a identifica un subset de DRF care a demonstrat schimbări semnificative între respondenții buni și răi după 2-4 săptămâni de tratament cu ASC = 0,94. De asemenea, au arătat (Nasief și colab., 2020) că DRF-urile sunt predictori independenți ai supraviețuirii și, dacă sunt combinați cu biomarkerul clinic CA19-9, pot îmbunătăți predicția răspunsului la tratament și pot crește posibilitatea adaptării tratamentului pe bază de răspuns.
Mai multe studii au arătat, de asemenea, că caracteristicile radiomice sunt mai bune la prezicerea răspunsului la tratament decât măsurile convenționale, cum ar fi volumul și diametrul tumorii, și absorbția maximă a radiotrasorului pe imagistica tomografiei cu emisie de pozitroni (PET). Folosind această tehnică, a fost dezvoltat un algoritm, după formarea inițială bazată pe densitatea limfocitelor intra tumorale, pentru a prezice probabilitatea răspunsului tumorii la imunoterapie, oferind o demonstrație a potențialului clinic al radiomicii ca un puternic pentru terapia personalizată în domeniul emergent al imunooncologie. Alte studii au demonstrat, de asemenea, utilitatea radiomicii pentru prezicerea răspunsului la imunoterapie la pacienții cu NSCLC folosind imagini CT pre-tratament și PET / CT .
Radiomica rămâne inferioară tehnicilor convenționale în unele aplicații, sugerând necesitatea îmbunătățirii continue și a manipulării caracteristicilor Radiomics în diferite scenarii clinice. De exemplu, Ludwig et. al (2020) au demonstrat că trăsăturile morfologice ale radiomicii au fost inferioare trăsăturilor stabilite anterior în discriminarea stării de rupere a anevrismului intracranian din angiografia rotațională tridimensională .
Pronosticare
Studiile radiomice au arătat că markerii pe bază de imagine au potențialul de a oferi informații ortogonale stadializării și biomarkerilor și de a îmbunătăți prognosticul.
Risc de prezicere a metastazelor la distanță
Potențialul metastatic al tumorilor poate fi, de asemenea, prezis de caracteristicile radiomice. De exemplu, treizeci și cinci de caracteristici radiomice bazate pe CT au fost identificate ca fiind predictive pentru metastaza la distanță a cancerului pulmonar într-un studiu realizat de Coroller și colab. în 2015. Au concluzionat astfel că caracteristicile radiomice pot fi utile pentru a identifica pacienții cu risc crescut de a dezvolta metastaze la distanță, îndrumând medicii să selecteze tratamentul eficient pentru pacienții individuali.
Evaluarea geneticii cancerului
Mecanismele biologice ale tumorii pulmonare pot demonstra modele de imagistică distincte și complexe. În special, Aerts și colab. (2014) au arătat că caracteristicile radiomice au fost asociate cu seturi de gene biologice, cum ar fi faza ciclului celular, recombinarea ADN-ului, reglarea procesului sistemului imunitar, etc. , TP53, EGFR și NF1, s-au dovedit a fi prognozate semnificativ prin măsurători volumetrice de imagistică prin rezonanță magnetică (RMN), inclusiv volumul tumorii, volumul necrozei și volumul care îmbunătățește contrastul.
Radioterapie cu imagine
Radiomica oferă avantajul de a fi neinvazivă și, prin urmare, poate fi repetată prospectiv pentru un pacient dat mai ușor decât biopsiile tumorale invazive. S-a sugerat că radiomica ar putea fi un mijloc de a monitoriza modificările dinamice tumorale de-a lungul cursului radioterapiei și de a defini subvolumele cu risc pentru care creșterea dozei ar putea fi benefică.
Distingând adevărata progresie de radionecroză
Efectul tratamentului sau necroza radiației după radiochirurgia stereotactică (SRS) pentru metastazele cerebrale este un fenomen comun adesea care nu se distinge de progresia adevărată. Radiomica a demonstrat diferențe semnificative într-un set de 82 de leziuni tratate la 66 de pacienți cu rezultate patologice. Caracteristicile Radiomic de top se introduc într-un clasificator IsoSVM optimizat, rezultând o sensibilitate și specificitate de 65,38% și, respectiv, 86,67%, cu o zonă sub curba de 0,81 la validarea încrucișată. Doar 73% din cazuri au fost clasificate de neuroradiolog, cu o sensibilitate de 97% și specificitate de 19%. Aceste rezultate arată că radiomica este promițătoare pentru diferențierea efectului tratamentului și progresia reală a metastazelor cerebrale tratate cu SRS.
Predicția evenimentelor fiziologice
Radiomica poate fi, de asemenea, utilizată pentru a identifica evenimente fiziologice provocatoare, cum ar fi activitatea creierului, care este de obicei studiată cu tehnici de imagistică, cum ar fi RMN funcțional "fMRI". Imaginile brute FMRI pot fi supuse unei analize radiomice pentru a genera caracteristici imagistice care pot fi ulterior corelate cu activitatea creierului semnificativă.
Radiomică multiparametrică
Imagistica radiologică multiparametrică este vitală pentru detectarea, caracterizarea și diagnosticul multor boli diferite. Cu toate acestea, metodele actuale în radiomică se limitează la utilizarea de imagini unice pentru extragerea acestor caracteristici texturale și pot limita domeniul de aplicare aplicabil al radiomicii în diferite setări clinice. Astfel, în forma actuală, acestea nu sunt capabile să capteze adevăratele caracteristici ale țesuturilor subiacente în spațiul de imagini multiparametric de înaltă dimensiune.
Recent, a fost dezvoltat un cadru radiomic de imagistică multiparametrică denumit MPRAD pentru extragerea caracteristicilor radiomice din seturi de date cu dimensiuni ridicate. Radiomica multiparametrică a fost testată pe două organe și boli diferite; cancer de sân și accidente cerebrovasculare la nivelul creierului, denumit în mod obișnuit accident vascular cerebral.
Cancer mamar
În cazul cancerului de sân, cadrul MPRAD a clasificat maligne din leziunile mamare benigne cu sensibilitate și specificitate excelente de 87% și respectiv 80,5% cu ASC de 0,88. MPRAD a furnizat o creștere de 9% -28% a ASC față de parametrii radiomici unici. Mai important, la nivelul sânului, țesutul glandular normal MPRAD a fost similar între fiecare grup, fără diferențe de semnificație.
Accident vascular cerebral
În mod similar, caracteristicile MPRAD în accident vascular cerebral creier au demonstrat o performanță crescută în a distinge nepotrivirea perfuzie-difuzie comparativ cu radiomica cu un singur parametru și nu au existat diferențe în țesutul de substanță albă și cenușie. Majoritatea caracteristicilor unice de ordin secundar radiomic (GLCM) nu au prezentat nicio diferență texturală semnificativă între țesutul infarctat și țesutul cu risc pe harta ADC. În timp ce aceleași caracteristici radiomice multiparametrice de ordinul doi (TSPM) au fost semnificativ diferite pentru setul de date DWI. În mod similar, valorile radiomice multiparametrice pentru setul de date TTP și PWI au demonstrat rezultate excelente pentru MPRAD. Entropia MPRAD TSPM a prezentat diferențe semnificative între țesutul infarctat și țesutul potențial cu risc: (6,6 ± 0,5 vs 8,4 ± 0,3, p = 0,01).
