О ЖУРНАЛЕ
Научный журнал «Медицинская радиология и радиационная безопасность» (Мedical Radiology and Radiation Safety), ISSN 1024-6177 основан в январе 1956 г. (до 30 декабря 1993 г. выходил под названием «Медицинская радиология», ISSN 0025-8334). В 2018 году журнал получил Online ISSN: 2618-9615 и был зарегистрирован как электронное сетевое издание в Роскомнадзоре 29 марта 2018 года. На его страницах публикуются оригинальные научные статьи по вопросам радиобиологии, радиационной медицины, радиационной безопасности, лучевой терапии, ядерной медицины, а также научные обзоры; в целом журнал имеет более 30 рубрик и представляет интерес для специалистов, работающих в областях медицины¸ радиационной биологии, эпидемиологии, медицинской физики и техники. С 01.07.2008 г. Издатель журнала – ФГБУ «Государственный научный центр Российской Федерации – Федеральный медицинский биофизический центр им. А.И. Бурназяна» ФМБА России. Учредитель с 1956 г. - Министерство здравоохранения РФ, а с 2008 г. по настоящее время – Федеральное медико-биологическое агентство.
Членами редакционной коллегии журнала являются ученые – специалисты, работающие в области радиационной биологии и медицины, радиационной защиты, радиационной эпидемиологии, радиационной онкологии, лучевой диагностики и терапии, ядерной медицины и медицинской физики. В состав редакционной коллегии входят: академики РАН, члены-корреспонденты РАН, доктора медицинских наук, профессора, кандидаты и доктора биологических, физико-математических наук и технических наук. Состав редколлегии постоянно пополняется за счет авторитетных специалистов, работающих в ближнем и дальнем зарубежье.
Периодичность выхода в свет – 6 номеров в год, объемом – 13,5 усл. печатных листов или 88 печатных страниц и тиражом 1000 экземпляров. Журнал имеет идентичную по содержанию полнотекстовую электронную версию, которая одновременно с печатным вариантом и цветными рисунками размещается на сайтах Научной Электронной Библиотеки (НЭБ) и сайте журнала. Распространение по подписке через Агентство «Роспечать» по договору № 7407 от 16 июня 2006 г., через индивидуальных покупателей и коммерческие структуры. Публикация статей бесплатная.
Журнал входит в Перечень ведущих российских рецензируемых научных журналов ВАК, рекомендованных для опубликования результатов диссертационных исследований. С 2008 г. журнал представлен в Интернете и индексируется в базе данных РИНЦ, а также входит в Перечень Russian Science Citation Index (RSCI), размещенной на платформе Web of Science. С 2 февраля 2018 года журнал «Медицинская радиология и радиационная безопасность" индексируется в мультидисциплинарной библиографической и реферативной базе SCOPUS.
Краткие электронные версии статей журнала с 2005 г. находятся в открытом доступе в разделе "Выпуски журнала". С 2011 года в открытом доступе представлены все выпуски журнала целиком, а с 2016 года - полнотекстовые версии научных статей. Полный текст остальных статей любого номера, начиная с 2005 г. могут приобрести подписчики только через НЭБ. Редакция журнала «Медицинская радиология и радиационная безопасность» в соответствии с договором с НЭБ поставляет ей в полном объеме выпускаемую продукцию с 2005 г. по настоящее время.
Основным рабочим языком журнала является русский, дополнительный язык – английский, который используется для написания названий статей, сведений об авторах, аннотаций, ключевых слов, списка литературы.
С 2017 г. журнал «Медицинская радиология и радиационная безопасность» перешел на цифровую идентификацию публикаций, присвоив каждой статье идентификатор цифрового объекта (DOI), что значительно ускорило поиск местонахождения статьи в Интернете. В дальнейшем в планах развития журнала «Медицинская радиология и радиационная безопасность» предполагается его издание в англоязычном варианте. С целью получения информации о публикационной активности журнала в марте 2015 года на сайте журнала был помещен счетчик обращений читателей к материалам, выложенным на сайте с 2005 г. по настоящее время. В течение 2015 – 2016 гг. в среднем было не более 100 – 170 обращений в день. Размещение ряда статей, а также электронных версий профильных монографий и сборников в открытом доступе резко увеличило число обращений на сайт журнала до 500 – 800 в день, а общее число посещений сайта к началу 2019 г. составило 527 тыс.
Двухлетний импакт-фактор РИНЦ, по данным на начало 2019 г., составил 0,447, с учетом цитирования из всех источников – 0,614, а пятилетний импакт-фактор РИНЦ – 0,359.
Выпуски журналов
Медицинская радиология и радиационная безопасность. 2025. Том 70. № 1
DOI:10.33266/1024-6177-2025-70-1-53-59
И.А. Галстян, А.Ю. Бушманов, Ф.С. Торубаров, З.Ф. Зверева,
О.В. Щербатых, В.Ю. Нугис, Н.А. Метляева, В.И. Пустовойт, А.С. Умников,
М.В. Кончаловский, А.В. Аксененко, В.В. Кореньков, Л.А. Юнанова,
О.Г. Каширина
ВОЗМОЖНОСТИ РАННЕЙ ДИАГНОСТИКИ ОСТРОГО ЛУЧЕВОГО КОСТНОМОЗГОВОГО СИНДРОМА, РАЗВИВАЮЩЕГОСЯ ПРИ КОМБИНИРОВАННЫХ РАДИАЦИОННО-МЕХАНИЧЕСКИХ ПОРАЖЕНИЯХ
Федеральный медицинский биофизический центр им. А.И. Бурназяна ФМБА России, Москва
Контактное лицо: Ирина Алексеевна Галстян, e-mail: Этот адрес электронной почты защищен от спам-ботов. У вас должен быть включен JavaScript для просмотра.
РЕФЕРАТ
Цель: Изучение возможностей использования для ранней диагностики острого лучевого костномозгового синдрома (ОЛКМС), развивающегося при комбинированных радиационно-механических поражениях (КРМП), симптомов первичной реакции на облучение (время появления тошноты и рвоты, кратность последней), а также оценки глубины абсолютной лимфопении в течение первой недели после радиационного воздействия.
Материал и методы: 1. Сравнительный анализ литературных данных о ранней симптоматике травматического повреждения головы и ранее опубликованных собственных данных о первичной реакции на облучение при острой лучевой болезни (ОЛБ) различной степени тяжести у 134 пострадавших 26.04.1986 г. в аварии на ЧАЭС. 2. Сравнительный анализ динамики абсолютного количества лимфоцитов периферической крови 36 пострадавших с механической политравмой (средний возраст – 40,24 ± 4,07 лет) и 11 больных, перенесших ОЛБ I (группа сравнения 1, средний возраст – 30,00 ± 2,01 лет), а также 15 больных, перенесших ОЛБ II (группа сравнения 2, средний возраст – 28,47 ± 2,03 лет). Статистическая обработка материала ‒ пакет программ IBM SPSS Statistics.23, критерии Краскала‒Уоллиса и U-критерий Манна‒Уитни для независимых выборок. Полученные результаты рассматривались как статистически достоверные при p <0,05.
Результаты: 1. При поступлении пораженного с подозрением на черепно-мозговую травму (ЧМТ) в рамках КРМП, у которого отмечается тошнота и рвота, отсутствует сознание и имеются повреждения кожных покровов головы, диспепсический синдром не может рассматриваться только как проявление первичной реакции на облучение. При отсутствии подозрения на ЧМТ, при ясном сознании и интактности кожных покровов тошнота и рвота могут быть использованы для прогнозирования степени тяжести развивающегося ОЛКМС. 2. Анализ динамики лимфоцитов периферической крови у 15 (41,7 %) больных с политравмой выявил абсолютную лимфопению в течение первой недели после механического воздействия. При этом глубина абсолютной лимфопении при травме без воздействия ионизирующего излучения в сроки, когда обычно она исследуется и определяется степень тяжести ОЛКМС, у отдельных больных соответствует показателям, характерным для ОЛБ I и ОЛБ II (может достигать 0,3 × 109/л).
Выводы: Использование методов ранней диагностики степени тяжести ОЛКМС имеет некоторые особенности при КРМП.
Использование критериев первичной реакции на облучение для диагностики степени тяжести развивающегося ОЛКМС можно рекомендовать только при условии отсутствия у пациента явных признаков ЧМТ: сознание сохранено, в области головы нет признаков механической травмы (гематомы, ссадины, открытой раны, переломов костей). У 42 % больных при наличии механической политравмы в течение первой недели наблюдения может выявляться посттравматическая абсолютная лимфопения, которая в сочетании с пострадиационной абсолютной лимфопенией может привести к завышению степени тяжести развивающегося ОЛКМС. Окончательное решение о прогнозе тяжести ОЛКМС, а также КРМП в целом и тактике ведения больного должно приниматься только после оценки поглощенной дозы цитогенетическим методом.
Ключевые слова: комбинированное радиационно-механическое поражение, острый лучевой костномозговой синдром, черепно-мозговая травма, биодозиметрия, ранняя диагностика, первичная реакция на облучение, лимфоцитарный тест
Для цитирования: Галстян И.А., Бушманов А.Ю., Торубаров Ф.С., Зверева З.Ф., Щербатых О.В., Нугис В.Ю., Метляева Н.А., Пустовойт В.И., Умников А.С., Кончаловский М.В., Аксененко А.В., Кореньков В.В., Юнанова Л.А., Каширина О.Г. Возможности ранней диагностики острого лучевого костномозгового синдрома, развивающегося при комбинированных радиационно-механических поражениях // Медицинская радиология и радиационная безопасность. 2025. Т. 70. № 1. С. 53–59. DOI:10.33266/1024-6177-2025-70-1-53-59
Список литературы
1. Военно-полевая хирургия: Учебник / Под ред. Е.К.Гуманенко. М.: Гэотар-медиа, 2022. 768 с.
2. Военно-полевая хирургия: Национальное руководство / Под ред. И.М.Самохвалова. М.: Гэотар-медиа, 2023 г. 1056 с.
3. Радиационная медицина: Руководство для врачей-исследователей и организаторов здравоохранения. Том 1. Теоретические основы радиационной медицины / Под общ. ред. Л.А.Ильина. М.: ИздАТ, 2001. 992 с.
4. Хромов Б.М. Комбинированные лучевые поражения. Л.: Медгиз, 1959. 343 с.
5. Саркисов А.А., Высоцкий В.Л. Ядерная авария в бухте Чажма. Реконструкция событий и анализ последствий // Вестник РАН. 2018. Т.88. №7. С. 599-618.
6. Барабанова А.В., Баранов А.Е., Бушманов А.Ю. и др. Острая лучевая болезнь человека: Атлас. Ч. 1. Пострадавшие при радиационной аварии на ЧАЭС 1986 г. / Под редакцией А.С.Самойлова, В.Ю.Соловьева. М.: ФГБУ ГНЦ ФМБЦ им. А.И. Бурназяна ФМБА России, 2017. 139 с.
7. Легеза В.И., Гребенюк А.Н., Бояринцев В.В. Комбинированные радиационные поражения и их компоненты. СПб.: Фолиант, 2015. 216 с.
8. Dong X., Wang C., Lu S., Bai X., Li Z. The Trajectory of Alterations in Immune-Cell Counts in Severe-Trauma Patients is Related to the Later Occurrence of Sepsis and Mortality: Retrospective Study of 917 Cases // frontiers in immunology. 2021. No.11. P. 603353. doi: 10.3389/fimmu.2020.603353.
9. Ke R-T., Rau C-S., Hsieh T-M., Chou S-E., SuW-T., Hsu S-Y., et al. Association of Platelets and White Blood Cells Subtypes with Trauma Patients’ Mortality Outcome in the Intensive Care Unit Healthcare // Healthcare. 2021. No.9. P. 42. doi: 10.3390/healthcare9080942.
10. Soulaiman E.S., Datal D., Al-Batool T.R., Walaa H., Niyazi I., Al-Ykzan H., Hussam A.S., Moufid D. Cohort Retrospective Study the Neutrophil to Lymphocyte Ratio as an Independent Predictor of Outcomes at the Presentation of the Multi-Trauma Patient International // International Journal of Emergency Medicine. 2020. No.13. P. 5. doi: 10.1186/s12245-020-0266-3.
11. Гайворонская В.И., Персичкина Н.В. Диагностическая значимость клинико-морфологических проявлений черепно-мозговой травмы разной степени тяжести // Проблемы экспертизы в медицине. 2001. Т.1. №4. С. 17-19.
12. Торубаров Ф.С., Зверева З.Ф., Галстян И.А., Метляева Н.А. Особенности клинических проявлений первичной реакции при комбинированном радиационном поражении (радиационное воздействие и механическая травма головы) // Радиационная медицина. 2023. Т.68. №3. С. 16-20.
13. M’kacher R., Maalouf E.E.L., Ricoul M., Heidingsfelder L., Laplagne E., Cuceu C., et al. New Tool for Biological Dosimetry: Reevaluation and Automation of the Gold Standard Method Following Telomere and Centromere Staining // Mutat. Res. 2014. V.770. No.1. P. 45-53. doi: 10.1016/j.mrfmmm.2014.09.007.
14. Abe Yu., Yoshida M.A., Fujioka K., Kurosu Y., Ujiie R., Yanagi A., Tsuyama N., Miura T., Inaba T., Kamiya K., Sakai A. Dose–Response Curves for Analyzing of Dicentric Chromosomes and Chromosome Translocations Following Doses of 1000 mGy or Less, Based on Irradiated Peripheral Blood Samples from Five Healthy Individuals // Journal of Radiation Research. 2018. V.59. No.1. P. 35–42. doi: 10.1093/jrr/rrx05.
15. Rogan P.K., Mucaki E.J., Shirley B.C., Li Y., Wilkins R., et al. Automated Cytogenetic Biodosimetry at Poplation-Scale // Radiation. 2021. No.1. P. 79-94. doi: 10.3390/radiation1020008.
16. Пяткин Е.К., Покровская В.Н., Триска В.В. Частота хромосомных аберраций в культурах лимфоцитов костного мозга и периферической крови человека после γ-облучения in vitro // Медицинская радиология. 1980. Т.25. №2. С. 44-48.
PDF (RUS) Полная версия статьи
Конфликт интересов. Авторы заявляют об отсутствии конфликта интересов.
Финансирование. Исследование не имело спонсорской поддержки.
Участие авторов. Cтатья подготовлена с равным участием авторов.
Поступила: 20.10.2024. Принята к публикации: 25.11.2024.
Медицинская радиология и радиационная безопасность. 2025. Том 70. № 1
DOI:10.33266/1024-6177-2025-70-1-60-66
И.Н. Сачков
О КОНЦЕНТРАЦИИ НАПРЯЖЕННОСТИ ВНЕШНЕГО ЭЛЕКТРИЧЕСКОГО ПОЛЯ
НА ВНУТРЕННИХ ПОВЕРХНОСТЯХ КРОВЕНОСНЫХ СОСУДОВ
Уральский федеральный университет, Екатеринбург
Контактное лицо: Игорь Николаевич Сачков, e-mail: Этот адрес электронной почты защищен от спам-ботов. У вас должен быть включен JavaScript для просмотра.
Реферат
Цель: Показать, что соединительная ткань, образующая внутренние поверхности кровеносных сосудов, может являться концентратором внешнего электрического поля.
Материал и методы: Ранее при изучении воздействия электромагнитных полей и излучений на организм человека использовались, как правило, расчетный метод SAR и экспериментальный метод тканеэквивалентных фантомов-манекенов. Их реализация предполагала, как правило, что поглощающая среда является однофазной. При этом не учитывались эффекты, связанные с тем, что биологическая ткань является смесью компонент, диэлектрические проницаемости которых отличаются в десятки раз, а размеры частиц фазовых составляющих, как правило, не превышают одного миллиметра. В статье представлены результаты разработки компьютерной модели, позволяющей анализировать неравномерное распределение электрического поля в подобном объекте. Выполнены вычислительные эксперименты с использованием авторской программы на основе метода конечных элементов.
Результаты: Структура ткани, содержащей кровеносные капилляры, имитировалась матричными системами, содержащими цилиндрические включения, сечения которых характеризовались круглой и прямоугольной формами. Проведены компьютерные эксперименты по расчетам картин пространственных распределений напряженности электрического поля. Варьировались значения диэлектрической проницаемости матрицы и включений, относительные размеры и взаимное положение включений. Процессы считались стационарными и осесимметричными. Обнаружено, что если внешнее электрическое поле направлено вдоль оси цилиндрического капилляра, напряженности поля внутри капилляра и в окружающей ткани оказываются близкими друг другу. Если же внешнее поле направлено перпендикулярно оси капилляра, возникает значительная (десятки раз) концентрация напряженности в соединительной ткани, окружающей капилляр. Полученные результаты могут использоваться при анализе воздействий на организм человека стационарных электромагнитных полей, а также электромагнитных волн, длина которых существенно превышает размер кровеносных капилляров. Обращается внимание, что в область концентрации напряженности электрического поля и мощности выделения тепла попадает эндотелий, выполняющий ряд важных физиологических функций.
Заключение: Полученные данные свидетельствуют, что при анализе механизмов возникновения патологических изменений, создаваемых электрическим полем и электромагнитным излучением в живой ткани, необходимо учитывать, что повышенным риском характеризуются прежде всего внутренние поверхности кровеносных сосудов. Особое внимание должно уделяться областям, в которых происходит сближение сосудов друг с другом.
Ключевые слова: неионизирующее излучение, многофазные ткани человека, кровеносные сосуды, электромагнитное поле, метод конечных элементов, концентрация электрических полей, эндотелий, компьютерное моделирование
Для цитирования: Сачков И.Н. О концентрации напряженности внешнего электрического поля на внутренних поверхностях кровеносных сосудов // Медицинская радиология и радиационная безопасность. 2025. Т. 70. № 1. С. 60–66. DOI:10.33266/1024-6177-2025-70-1-60-66
Список литературы
1. Григорьев Ю.Г. От электромагнитного смога до электромагнитного хаоса. К оценке опасности мобильной связи для здоровья населения // Медицинская радиология и радиационная безопасность. 2018. Т. 63. Вып.3. С. 28-33. doi: 10.12737/article_5b168a752d92b1.01176625.
2. Григорьев Ю. Г., Хорсева Н.И., Григорьев П.Е. Щитовидная железа – новый критический орган воздействия электромагнитных полей мобильной связи: оценка возможных последствий для детей и подростков // Медицинская радиология и радиационная безопасность. 2021. Т. 66. Вып. 2. С. 67-75. doi: 10.12737/1024-6177-2021-66-2-67-75.
3. Самойлов А.С., Ушаков И.Б., Попов В.И., Попова О.А. Анализ адаптационно-приспособительных возможностей отдельных систем организма в условиях воздействия электромагнитного фактора экологического риска // Экология человека. 2019. Вып. 5. С. 37-42. doi: 10.33396/1728-0869-2019-5-31-42.
4. Довгуша В.В., Тихонов М.Н., Довгуша Л.В. Влияние естественных и техногенных электромагнитных полей на безопасность жизнедеятельности // Экология человека. 2009. Вып.12. С. 3-9.
5. Текуцкая Е.Е., Василиади Р.В. Структурные повреждения ДНК лимфоцитов периферической крови человека при воздействии физических факторов // Экология человека. 2017. Вып.12 С. 9-14. doi: 10.33396/1728-0869-2017-12-9-14.
6. Пинаев С.К. Роль гема в экологически обусловленном онкогенезе (обзор литературы) // Экология человека. 2023. Вып.1. С. 5-15. doi: 10.17816/humeco115234.
7. Зюзина И.В., Христофорова Н.К. Воздействие электромагнитных полей сверхвысоких частот на здоровье работников судоремонтного завода // Вестник Российского университета дружбы народов. Серия: Экология и безопасность жизнедеятельности. 2009. Вып.4. С. 62-67.
8. Перов С.Ю., Кудряшов Ю.Б., Рубцова Н.Б. Оценка информативности теоретических основ и ограничений расчетной дозиметрии радиочастотных электромагнитных излучений // Радиационная биология. Радиоэкология. 2012. Т. 52. Вып.2. С. 181-188.
9. Пальцев Ю.П., Походзей Л.В., Рубцова Н.Б., Богачева Е.В. Проблемы гармонизации гигиенических регламентов электромагнитных полей мобильных средств радиосвязи // Гигиена и санитария. 2013. Т. 92. Вып. 3. С. 39-42.
10. Квашнин Г. М., Квашнина О.П., Сорокина Т.П. Модель поглощения СВЧ-энергии в биологических тканях// Вестник КрасГАУ. 2009. № 2(29). С. 199-203.
11. Курушин А.А. Вычисление температуры нагрева головы человека при пользовании сотовым телефоном // Журнал радиоэлектроники. 2011. № 4. С. 3-14.
12. Яргин С.В. Мобильные телефоны: о биологическом действии электромагнитного излучения радиочастотного диапазона // Главный врач Юга России. 2020. № 1(71).
С. 47-51.
13. Павленко В.И., Лаптева С.Н. Изучение воды, активированной сверхвысокочастотным электромагнитным полем // Изв. вузов. Химия и хим. технология. 2017. Т. 60. Вып. 8. С. 47-52. doi: 10.6060/tcct.2017608.5552.
14. Бессонова А.П., Стась И.Е. Влияние высокочастотного электромагнитного поля на физико-химические свойства воды и ее спектральные характеристики // Ползуновский вестник. 2008. №3. С. 305–309.
15. Сборник трудов Пятой Всероссийской конференции «Физика водных растворов». 21-23 ноября 2022 г., Москва. М.: Институт общей физики им. А.М. Прохорова РАН, 2022. 100 с.
16. Сачков И.Н., Чистяков М.А., Куанышев В.Т., Шнайдер А.В. Техносферная безопасность. 2019. № 2 (23). С 33-41.
17. Дульнев Г.Н., Новиков В.В. Процессы переноса в неоднородных средах. Л.: Энергоатомиздат, 1991. 258 с.
18. Сегерлинд Л. Применение метода конечных элементов. М.: Мир, 1979. 392 с.
19. Сачков И.Н. Влияние формы включений на проводимость двумерных регулярных матричных систем // Журнал технической физики. 1996. Т. 66 (12). С. 48–58.
20. Иванов А.Н., Попыхова Э.Б., Терешкина Н.Е. Вазомоторная функция эндотелия // Успехи физиологических наук. 2020. Т. 51 (4). С. 82-104. doi: 10.31857/S0301179820030066.
PDF (RUS) Полная версия статьи
Конфликт интересов. Автор заявляет об отсутствии конфликта интересов.
Финансирование. Работа поддержана Российским научным фондом, грант № 23-29-00411, «Разработка компьютерных программ и методики их применения для создания новых технологий, использующих эффекты концентрации термодинамических сил в многофазных и неоднородных материалах».
Участие авторов. Cтатья подготовлена с равным участием авторов.
Поступила: 20.10.2024. Принята к публикации: 25.11.2024.
Медицинская радиология и радиационная безопасность. 2025. Том 70. № 1
DOI:10.33266/1024-6177-2025-70-1-74-80
Ю.А. Васильев, Д.С. Конторович, Р.В. Решетников, И.А. Блохин,
Д.С. Семенов
ВЫБОР МЕТОДА ЛУЧЕВОЙ ДИАГНОСТИКИ
ПРИ ЗЛОКАЧЕСТВЕННЫХ НОВООБРАЗОВАНИЯХ ГОЛОВЫ
И ШЕИ У ПАЦИЕНТОВ С ДЕНТАЛЬНЫМИ МЕТАЛЛОКОНСТРУКЦИЯМИ: ЛИТЕРАТУРНЫЙ ОБЗОР
Научно-практический клинический центр диагностики и телемедицинских технологий
Департамента здравоохранения города Москвы, Москва
Контактное лицо: Дарья Сергеевна Конторович, e-mail: Этот адрес электронной почты защищен от спам-ботов. У вас должен быть включен JavaScript для просмотра.
РЕФЕРАТ
Цель: Систематизировать данные о возможностях визуализации злокачественных новообразований (ЗНО) области головы и шеи (ОГШ) у пациентов с дентальными металлоконструкциями с помощью методов лучевой диагностики и выбрать наиболее информативный.
Материал и методы: Проведен поиск научных публикаций в информационно-аналитической системе PubMed до 2024 г. включительно по ключевым словам: metal artifact, head and neck neoplasms, oropharyngeal cancer. В общей сложности было проанализировано 26 статей. При выборе локализации образований критериями исключения являлись возможности применения метода и вероятное наличие металлоконструкций в зоне сканирования. Выбор локализации осуществлялся исходя из данных о среднем возрасте пациентов с впервые выявленными образованиями головы и шеи и распространился преимущественно на анатомические зоны, наиболее подверженные артефактам от стоматологических металлоконструкций: область носо/ротоглотки, языка, мягких тканей дна полости рта.
Результаты: Изучение материалов позволило систематизировать современные данные о возможностях лучевой диагностики при визуализации опухолей головы и шеи у пациентов с металлоконструкциями в ротовой полости и cделать вывод о том, что методами выбора при данной патологии являются ПЭТ/КТ и МРТ с контрастным усилением (КУ), их численные показатели при обнаружении опухоли составляют 89 % для ПЭТ/КТ и 84 % для МРТ с КУ соответственно. При невозможности использования вышеуказанных методов стоит провести дообследованние с помощью дополнительных методов: SCT plus SII, MAR*, двухэнергетическая КТ (ДЭКТ).
Заключение: В данном обзоре проведен сравнительный анализ методов лучевой диагностики, которые используются для подавления влияния металлических артефактов у пациентов с ЗНО ОГШ и указаны наиболее предпочтительные при выборе метода диагностики. Таким образом, грамотный выбор и последовательное применение различных методов лучевой диагностики с учетом их возможностей и ограничений является ключевым фактором для точной предоперационной оценки образований ОГШ при наличии артефактов от дентальных конструкций у пациентов.
Ключевые слова: рак головы и шеи, дентальные металлоконструкции, КТ, МРТ, ПЭТ/КТ, артефакты изображений
Для цитирования: Васильев Ю.А., Конторович Д.С., Решетников Р.В., Блохин И.А., Семенов Д.С. Выбор метода лучевой диагностики при злокачественных новообразованиях головы и шеи у пациентов с дентальными металлоконструкциями: литературный обзор // Медицинская радиология и радиационная безопасность. 2025. Т. 70. № 1. С. 74–80. DOI:10.33266/1024-6177-2025-70-1-74-80
Список литературы
1. Bray, F., Ferlay, J., Soerjomataram, I., Siegel, R. L., Torre, L. A., & Jemal, A. (2018). Global Cancer Statistics 2018: GLOBOCAN Estimates of Incidence and Mortality Worldwide for 36 Cancers in 185 Countries. CA: A Cancer Journal for Clinicians. doi:10.3322/caac.214922 .
2. Злокачественные новообразования в России в 2020 году: (заболеваемость и смертность) / под редакцией А.Д. Каприна, В.В. Старинского, А.О. Шахзадавой – М.: МНИОИ им. П.А. Герцена – филиал ФГБУ «НМИЦ радиологии» Минздрава России, – 2021. – 252 с
3. Sun J. et al. Computed tomography versus magnetic resonance imaging for diagnosing cervical lymph node metastasis of head and neck cancer: a systematic review and meta-analysis //OncoTargets and therapy. – 2015. – С. 1291-1313.
4. Arya S., Rane P., Deshmukh A. Oral cavity squamous cell carcinoma: role of pretreatment imaging and its influence on management //Clinical radiology. – 2014. – Т. 69. – №. 9. – С. 916-930.
5. Alfouzan A. F. Radiation therapy in head and neck cancer //Saudi medical journal. – 2021. – Т. 42. – №. 3. – С. 247.
6. Hauck K. E. et al. Clinical and satisfaction outcomes of using one or two dental implants for mandibular overdentures: preliminary short-term follow-up of a randomized clinical trial //International Journal of Implant Dentistry. – 2021. – Т. 7. – С. 1-10.
7. Kubo Y. et al. Diagnostic value of model-based iterative reconstruction combined with a metal artifact reduction algorithm during CT of the oral cavity //American Journal of Neuroradiology. – 2020. – Т. 41. – №. 11. – С. 2132-2138.
8. Артефакты от металлоконструкций в магнитно-резонансной томографии: методические рекомендации / Ю.А. Васильев, Д.С. Семенов, О.Ю. Панина [и др.] // Серия «Лучшие практики лучевой и инструментальной диагностики». – Вып. 83. – М. : ГБУЗ «НПКЦ ДиТ ДЗМ», 2022. – 40 с.
9. Khodarahmi I. et al. Metal about the hip and artifact reduction techniques: from basic concepts to advanced imaging //Seminars in musculoskeletal radiology. – Thieme Medical Publishers, 2019. – Т. 23. – №. 03. – С. e68-e81.
10. Kamila N. K. (ed.). Handbook of research on emerging perspectives in intelligent pattern recognition, analysis, and image processing. – 2015.
11. Юдин А. Л., Щетинин Р. А., Афанасьева Н. И. Рак языка и дна полости рта: современные аспекты диагностики //Вестник рентгенологии и радиологии. – 2015. – №. 5. – С. 42-48.
12. Hiyama T. et al. Subtraction iodine imaging with area detector CT to improve tumor delineation and measurability of tumor size and depth of invasion in tongue squamous cell carcinoma //Japanese Journal of Radiology. – 2022. – С. 1-10.
13. Hirata K. et al. Added value of a single-energy projection-based metal-artifact reduction algorithm for the computed tomography evaluation of oral cavity cancers //Japanese journal of radiology. – 2015. –
Т. 33. – С. 650-656.
14. Hong H. R. et al. Clinical values of 18F‐FDG PET/CT in oral cavity cancer with dental artifacts on CT or MRI //Journal of Surgical Oncology. – 2014. – Т. 110. – №. 6. – С. 696-701].
15. Mesia R. et al. SEOM clinical guidelines for the treatment of head and neck cancer (2020) //Clinical and Translational Oncology. – 2021. – Т. 23. – С. 913-921.
16. Castelijns JA. van den Brekel MW, Hermans R. Imaging of the larynx. Semin Roentgenol 2000;35:31–41
17. Verduijn G. M. et al. Magnetic resonance imaging protocol optimization for delineation of gross tumor volume in hypopharyngeal and laryngeal tumors //International Journal of Radiation Oncology* Biology* Physics. – 2009. – Т. 74. – №. 2. – С. 630-636.
18. Безопасность проведения магнитно-резонансного исследования пациентам с имплантируемыми медицинскими изделиями / К.А. Сергунова, Е.С. Ахмад, А.В. Петряйкин [и др.] // Бюллетень НЦССХ им. А.Н. Бакулева РАМН. Сердечно-сосудистые заболевания. – 2019. – Т. 20, № 4. – С. 313-323. – DOI 10.24022/1810-0694-2019-20-4-313-323.
19. Каприн А. Д. Клинические рекомендации. Рак носоглотки. – 2020.
20. Каприн А. Д. Клинические рекомендации. Злокачественные новообразования полости рта – 2020.
21. Каприн А. Д. Клинические рекомендации. Рак ротоглотки. – 2024.
22. Петровичев В. С. и др. Двухэнергетическая компьютерная томография рака головы и шеи. Digital Diagnostics. 2021;2(3):343-355. doi:10.17816/DD62572
23. Toepker M. et al. Can dual-energy CT improve the assessment of tumor margins in oral cancer? //Oral oncology. – 2014. – Т. 50. – №. 3. –
С. 221-227.
24. Parakh A. et al. Dual-energy CT images: pearls and pitfalls //Radiographics. – 2021. – Т. 41. – №. 1. – С. 98-119.
25. Bayer N. et al. Iterative metal artifact reduction in head and neck CT facilitates tumor visualization of oral and oropharyngeal cancer obscured by artifacts from dental hardware //Academic Radiology. – 2023. – Т. 30. – №. 12. – С. 2962-2972.
26. Патент на полезную модель № 190308 U1 Российская Федерация, МПК A61B 6/02. Устройство фантома для оценки эффективности алгоритмов и методов подавления артефактов от металлоконструкций при проведении компьютерной томографии : № 2019105941 : заявл. 04.03.2019 : опубл. 25.06.2019 / К. А. Сергунова, А. В. Петряйкин, Д. С. Семенов [и др.] ; заявитель Государственное бюджетное учреждение здравоохранения города Москвы «Научно-практический клинический центр диагностики и телемедицинских технологий Департамента здравоохранения города Москвы» (ГБУЗ «НПКЦ ДиТ ДЗМ»)
27. Сергунова К. А. и др. Основы безопасности при проведении магнитно-резонансной томографии. – Москва : Научно-практический клинический центр диагностики и телемедицинских технологий Департамента здравоохранения города Москвы, 2019. – 68 с.
PDF (RUS) Полная версия статьи
Конфликт интересов. Авторы заявляют об отсутствии конфликта интересов.
Финансирование. Данная статья подготовлена авторским коллективом в рамках НИР «Научное обоснование методов лучевой диагностики опухолевых заболеваний с использованием радиомического анализа», (№ ЕГИСУ: № 123031500005-2 ) в соответствии с Приказом от 21.12.2022 г. № 1196 «Об утверждении государственных заданий, финансовое обеспечение которых осуществляется за счет средств бюджета города Москвы государственным бюджетным (автономным) учреждениям подведомственным Департаменту здравоохранения города Москвы, на 2023 год и плановый период 2024 и 2025 годов» Департамента здравоохранения города Москвы.
Участие авторов. Все авторы подтверждают соответствие своего авторства международным критериям ICMJE (все авторы внесли существенный вклад в разработку концепции, проведение исследования и подготовку статьи, прочли и одобрили финальную версию перед публикацией). Наибольший вклад распределён следующим образом: Д.С. Конторович – анализ литературных источников, написание текста. Р.В. Решетников, И.А. Блохин – анализ литературных источников, редактирование статьи.
Поступила: 20.10.2024. Принята к публикации: 25.11.2024.
Медицинская радиология и радиационная безопасность. 2025. Том 70. № 1
DOI:10.33266/1024-6177-2025-70-1-67-73
А.В. Вертинский1, 2, Е.А. Селихова2, Е.С. Сухих2, 3, В.В. Великая3,
О.В. Грибова3, Ж.А. Старцева3
МОДЕРНИЗАЦИЯ ПРОГРАММНОГО ОБЕСПЕЧЕНИЯ
ДЛЯ РАСЧЕТА И ОПТИМИЗАЦИИ РАСПРЕДЕЛЕНИЯ ПОГЛОЩЕННОЙ ДОЗЫ В ГОМОГЕННОЙ СРЕДЕ
ПРИ ЛУЧЕВОЙ ТЕРАПИИ БЫСТРЫМИ НЕЙТРОНАМИ
1 Томский областной онкологический диспансер, Томск
2 Национальный исследовательский Томский политехнический университет, Томск
3 Томский национальный исследовательский медицинский центр РАН, Томск
Контактное лицо: Андрей Владимирович Вертинский, e-mail: Этот адрес электронной почты защищен от спам-ботов. У вас должен быть включен JavaScript для просмотра.
РЕФЕРАТ
Цель: Модернизировать программное обеспечения для расчета и оптимизации распределения изоэффективной и поглощенной дозы в гомогенной среде при планировании терапии быстрыми нейтронами злокачественных опухолей.
Материал и методы: Обновленную систему расчета поглощенной дозы применили на пациентах с двумя опухолевыми локализациями – рак молочной железы (РМЖ) и рак области головы и шеи (ОГШ). В исследовании приняли участие данные 12 пациентов, из которых 7 – больные первичным местнораспространенным (МР) раком молочной железы и 5 пациентов – раком головы и шеи.
У больных МР РМЖ проводилось комплексное лечение. Больным со злокачественными опухолями области головы и шеи нейтронная и нейтронно-фотонная лучевая терапия проводилась как в плане комбинированного лечения, так и в плане самостоятельного вида лечения. РМЖ облучался в режиме фракционирования 4 фракции по 1,6 Гр. Использовалась стыковка полей. Пациенты с диагнозом рака области головы и шеи облучались в режиме 3 фракции с разовой дозой 2,4 Гр с длительностью полного курса лечения 8 дней. Облучение происходило на терапевтическом канале циклотрона У-120, расположенном в Томском политехническом университете.
Результаты: Результаты планирования показали, что доза на коже в зоне облучения составила 3,190 Гр и 3,143 Гр для пучков 1 и 2 соответственно. В центре опухоли доза составила 3,253 Гр (изоэффективная доза 7,980 изоГр). Для критических точек (сердце) максимальные значения доз варьировали от 0,507 Гр до 1,943 Гр). Продолжительность облучения с каждого пучка – 4 мин 26 с. Для пяти пациентов с раком в области головы и шеи планирование осуществлялось с применением 2 полей, разнесенных на угол 90° (углы облучения 45° и 315°). Режим фракционирования включал 3 сеанса с РОД 2,4 Гр, суммарная доза 7,2 Гр за курс лечения. Показатели ВДФ в зоне опухоли составили 55,4 ед., при предельно допустимом значении в 130 ед. Доза коже составляла от 5,8 до 7,5 Гр. Доза в центре опухоли составляла от 7,1 до 7,23 Гр (с учетом ОБЭ = 2,686 изоэффективная доза составляла от 37,9
до 38,4 изоГр). Продолжительность фракции ‒ от 12,3 до 13,5 мин.
Ключевые слова: лучевая терапия, быстрые нейтроны, дозиметрическое планирование, моделирование распределения
поглощенной дозы, циклотрон У-120, рак молочной железы, злокачественные новообразования головы и шеи
Для цитирования: Вертинский А.В., Селихова Е.А., Сухих Е.С., Великая В.В., Грибова О.В., Старцева Ж.А. Модернизация программного обеспечения для расчета и оптимизации распределения поглощенной дозы в гомогенной среде при лучевой терапии быстрыми нейтронами // Медицинская радиология и радиационная безопасность. 2025. Т. 70. № 1. С. 67–73. DOI:10.33266/1024-6177-2025-70-1-67-73
Список литературы
1. Седов В.П., Лисин В.А. Модель ВДФ для дистанционной терапии злокачественных опухолей быстрыми нейтронами // Мед. радиология. 1988. Т.33. №9. С. 9-12.
2. Лисин В.А. Линейно-квадратичная модель в планировании нейтронной терапии на циклотроне У-120 // Медицинская радиология и радиационная безопасность. 2018. Т.63. №5. С. 41-47.
3. Лисин В.А. Дозиметрическое компьютерное планирование гамманейтронной терапии злокачественных опухолей с использованием циклотрона У-120 // Медицинская радиология и радиационная безопасность. 1994. Т.39. № 5.
С. 53-57.
4. Чойнзонов Е.Л., Лисин В.А., Грибова О.В., Новиков В.А., Старцева Ж.А. Нейтронная терапия злокачественных новообразований головы и шеи: Монография. М.: Российская академия наук, 2021. 328 с.
5. Старцева Ж.А., Грибова О.В., Великая В.В., Сухих Е.С., Лисин В.А., Новиков В.А. Дистанционная нейтронная терапия в Томске: 40 лет на службе онкологии // Сибирский онкологический журнал. 2024. Т.23. №1. С. 98-108.
6. Великая В.В., Старцева Ж.А., Гольдберг В.Е., Попова Н.О. Десятилетние результаты комплексного лечения больных первичным местнораспространенным раком молочной железы // Медицинская радиология и радиационная безопасность. 2023. Т.68. №5. С. 71-76.
7. Musabaeva L.I., Startseva Zh.A., Gribova O.V., Velikaya V.V., Lisin V.A. Novel Technologies and Theoretical Models in Radiation Therapy of Cancer Patients Using 6.3 MeV Fast Neutrons Produced by U-120 Cyclotron // Proceedings of the International Conference on Physics of Cancer: Interdisciplinary Problems and Clinical Applications, 2016 22–25 March. Russia, Tomsk, 2016.
8. Мусабаева Л.И., Чойнзонов Е.Л., Грибова О.В., Старцева Ж.А., Великая В.В., Лисин В.А. Нейтронная терапия в лечении радиорезистентных злокачественных новообразований // Сибирский онкологический журнал. 2016. Т.15. №3. С. 67-71.
9. Грибова О.В., Мусабаева Л.И., Чойнзонов Е.Л., Мухамедов М.Р. Клиническое течение рака щитовидной железы после комбинированного лечения с применением быстрых нейтронов у больных с высоким риском рецидива // Вестник оториноларингологии. 2012. №5. С. 91-92.
10. Ellis F. Dose, time and fractionation: A clinical hypothesis // Clin. Radiol. 1969. Vol. 20. P. 1‒7.
PDF (RUS) Полная версия статьи
Конфликт интересов. Авторы заявляют об отсутствии конфликта интересов.
Финансирование. Исследование не имело спонсорской поддержки.
Участие авторов. Cтатья подготовлена с равным участием авторов.
Поступила: 20.10.2024. Принята к публикации: 25.11.2024.
Медицинская радиология и радиационная безопасность. 2025. Том 70. № 1
DOI:10.33266/1024-6177-2025-70-1-81-92
А.К. Сморчкова, А.В. Петряйкин, Ю.А. Васильев
ВОЗМОЖНОСТИ ПРИМЕНЕНИЯ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА В ОЦЕНКЕ МЫШЕЧНОЙ ТКАНИ
ПО КОМПЬЮТЕРНО-ТОМОГРАФИЧЕСКИМ ИЗОБРАЖЕНИЯМ: ОБЗОР ЛИТЕРАТУРЫ
Научно-практический клинический центр диагностики и телемедицинских технологий
Департамента здравоохранения города Москвы, Москва
Контактное лицо: Анастасия Кирилловна Сморчкова, e-mail: Этот адрес электронной почты защищен от спам-ботов. У вас должен быть включен JavaScript для просмотра.
СОДЕРЖАНИЕ
Введение: В настоящее время всё больше внимания уделяется синдромам и заболеваниям, при которых изменяется качественный и количественный состав тела человека. Саркопения – заболевание, характеризующееся генерализованной потерей мышечной массы и силы, поражающее как трудоспособное, так и пожилое население, с глобальной распространённостью в общей популяции до 10 % по данным литературы. Согласно критериям Европейской рабочей группы по саркопении у пожилых людей от 2019 г., «золотым стандартом» медицинской визуализации для оценки снижения мышечной массы являются компьютерная томография (КТ) и магнитно-резонансная томография (МРТ). Ввиду всё более широкого использования технологий искусственного интеллекта (ИИ) открываются перспективы анализа большого объёма медицинских данных, прежде всего КТ-изображений.
Цель: Ознакомление широкой аудитории с актуальными работами по лучевой диагностике значимых изменений скелетной мышечной ткани по КТ-изображениям с использованием технологий ИИ, включая анализ имеющихся вариантов их клинического и научного применения.
Методология поиска и отбора: Произведен поиск публикаций по расширенному поисковому запросу в библиографических базах PubMed и eLibrary.ru.
Результаты: Проанализировано 46 отобранных оригинальных статей, опубликованных в период с 2019 по 2024 гг.
Рассмотрены варианты клинического и научного применения алгоритмов ИИ. Основная цель клинического применения – оценка прогностической ценности морфометрических показателей саркопении для широкого ряда заболеваний – онкологических (большая часть работ) и хронических, а также для состояний после хирургических вмешательств. Отмечено получение дополнительных морфометрических показателей не только мышечной, но и жировой ткани в тех работах, где это проводилось и имело клиническую значимость. Выделена основная проблема, существующая в настоящее время – отсутствие четкого места в клинико-диагностической парадигме. Основной вариант научного применения – обработка большого количества данных для популяционных исследований. Приведены детали методологии КТ-оценки состава тела, включая наиболее часто используемые пороговые показатели скелетно-мышечного индекса для КТ-диагностики саркопении, а также были кратко описаны технические аспекты использованных алгоритмов ИИ. В заключение был отмечен высокий интерес исследователей к данной теме, обозначены перспективы для дальнейших исследований в данной области и применения на практике их результатов.
Ключевые слова: саркопения, компьютерная томография, искусственный интеллект, глубокое обучение, морфометрия
Для цитирования: Сморчкова А.К., Петряйкин А.В., Васильев Ю.А. Возможности применения искусственного интеллекта в оценке мышечной ткани по компьютерно-томографическим изображениям: обзор литературы // Медицинская радиология и радиационная безопасность. 2025. Т. 70. № 1. С. 81–92. DOI:10.33266/1024-6177-2025-70-1-81-92
Список литературы
1. Cruz-Jentoft A.J., Bahat G., Bauer J., et al. Sarcopenia: Revised European Consensus on Definition and Diagnosis. Age Ageing. 2019;48;1:16-31. doi:10.1093/ageing/afy169
2. Correa-de-Araujo R., Addison O., Miljkovic I., et al. Myosteatosis in the Context of Skeletal Muscle Function Deficit: an Interdisciplinary Workshop at the National Institute on Aging. Front Physiol. 2020;11:963. doi:10.3389/fphys.2020.00963
3. Kelly B.S., Judge C., Bollard S.M., et al. Radiology Artificial Intelligence: a Systematic Review and Evaluation of Methods (Raise). Eur Radiol. 2022;32;11:7998-8007. doi:10.1007/s00330-022-08784-6
4. Lenchik L., Boutin R. Sarcopenia: Beyond Muscle Atrophy and into the New Frontiers of Opportunistic Imaging, Precision Medicine, and Machine Learning. Semin Musculoskelet Radiol. 2018;22;03:307-322. doi:10.1055/s-0038-1641573
5. Graffy P.M., Liu J., Pickhardt P.J., Burns J.E., Yao J., Summers R.M. Deep Learning-Based Muscle Segmentation and Quantification at Abdominal CT: Application to a Longitudinal Adult Screening Cohort for Sarcopenia Assessment. Br J Radiol. 2019;92;1100:20190327. doi:10.1259/bjr.20190327
6. Gillen J., Mills K.A., Dvorak J., et al. Imaging Biomarkers of Adiposity and Sarcopenia as Potential Predictors for Overall Survival among Patients with Endometrial Cancer Treated with Bevacizumab. Gynecol Oncol Rep. 2019;30:100502. doi:10.1016/j.gore.2019.100502
7. Lenchik L., Barnard R., Boutin R.D., et al. Automated Muscle Measurement on Chest CT Predicts All-Cause Mortality in Older Adults From the National Lung Screening Trial. J Gerontol Ser A. 2021;76;2:277-285. doi:10.1093/gerona/glaa141
8. Magudia K., Bridge C.P., Bay C.P., et al. Population-Scale CT-based Body Composition Analysis of a Large Outpatient Population Using Deep Learning to Derive Age-, Sex-, and Race-Specific Reference Curves. Radiology. 2021;298;2:319-329. doi:10.1148/radiol.2020201640
9. Fischer S., Clements S., McWilliam A., et al. Influence of Abiraterone and Enzalutamide on Body Composition in Patients with Metastatic Castration Resistant Prostate Cancer. Cancer Treat Res Commun. 2020;25:100256. doi:10.1016/j.ctarc.2020.100256.
10. Lee J., Kim E.Y., Kim E., et al. Longitudinal Changes in Skeletal Muscle Mass in Patients with Advanced Squamous Cell Lung Cancer. Thorac Cancer. 2021;12;11:1662-1667. doi:10.1111/1759-7714.13958
11. Yoon J.K., Lee S., Kim K.W., et al. Reference Values for Skeletal Muscle Mass at the Third Lumbar Vertebral Level Measured by Computed Tomography in a Healthy Korean Population. Endocrinol Metab. 2021;36;3:672-677. doi:10.3803/EnM.2021.1041
12. Hsu T.M.H., Schawkat K., Berkowitz S.J., et al. Artificial Intelligence to Assess Body Composition on Routine Abdominal CT Scans and Predict Mortality in Pancreatic Cancer – a Recipe for Your Local Application. Eur J Radiol. 2021;142:109834. doi:10.1016/j.ejrad.2021.109834
13. Lee S.A., Jang I.Y., Park S.Y., et al. Benefit of Sarcopenia Screening in Older Patients Undergoing Surgical Aortic Valve Replacement. Ann Thorac Surg. 2022;113;6:2018-2026. doi:10.1016/j.athoracsur.2021.06.067
14. Kong H.H., Kim K.W., Ko Y.S., et al. Longitudinal Changes in Body Composition of Long-Term Survivors of Pancreatic Head Cancer and Factors Affecting the Changes. J Clin Med. 2021;10;15:3436. doi:10.3390/jcm10153436
15. Kim J., Han S.H., Kim H. Detection of Sarcopenic Obesity and Prediction of Long‐Term Survival in Patients with Gastric Cancer Using Preoperative Computed Tomography and Machine Learning. J Surg Oncol. 2021;124;8:1347-1355. doi:10.1002/jso.26668
16. Jullien M., Tessoulin B., Ghesquières H., et al. Deep-Learning Assessed Muscular Hypodensity Independently Predicts Mortality in DLBCL Patients Younger than 60 Years. Cancers. 2021;13;18:4503. doi:10.3390/cancers13184503
17. Han Q., Kim S.I., Yoon S.H., et al. Impact of Computed Tomography-Based, Artificial Intelligence-Driven Volumetric Sarcopenia on Survival Outcomes in Early Cervical Cancer. Front Oncol. 2021;11:741071. doi:10.3389/fonc.2021.741071
18. Ying T., Borrelli P., Edenbrandt L., et al. Automated Artificial Intelligence-Based Analysis of Skeletal Muscle Volume Predicts Overall Survival after Cystectomy for Urinary Bladder Cancer. Eur Radiol Exp. 2021;5;1:50. doi:10.1186/s41747-021-00248-8
19. Laur O., Weaver M.J., Bridge C., et al. Computed Tomography-Based Body Composition Profile as a Screening Tool for Geriatric Frailty Detection. Skeletal Radiol. 2022;51;7:1371-1380. doi:10.1007/s00256-021-03951-0
20. Kim S.I., Chung J.Y., Paik H., et al. Prognostic Role of Computed Tomography-Based, Artificial Intelligence-Driven Waist Skeletal Muscle Volume in Uterine Endometrial Carcinoma. Insights Imaging. 2021;12;1:192. doi:10.1186/s13244-021-01134-y
21. Faron A., Opheys N.S., Nowak S., et al. Deep Learning-Based Body Composition Analysis Predicts Outcome in Melanoma Patients Treated with Immune Checkpoint Inhibitors. Diagnostics. 2021;11;12:2314. doi:10.3390/diagnostics11122314
22. Massaad E., Bridge C.P., Kiapour A., et al. Evaluating Frailty, Mortality, and Complications Associated with Metastatic Spine Tumor Surgery Using Machine Learning–Derived Body Composition Analysis. J Neurosurg Spine. 2022;37;2:263-273. doi:10.3171/2022.1.SPINE211284
23. Somasundaram E., Castiglione J.A., Brady S.L., Trout A.T. Defining Normal Ranges of Skeletal Muscle Area and Skeletal Muscle Index in Children on CT Using an Automated Deep Learning Pipeline: Implications for Sarcopenia Diagnosis. Am J Roentgenol. 2022;219;2:326-336. doi:10.2214/AJR.21.27239
24. Beetz N.L., Geisel D., Shnayien S., et al. Effects of Artificial Intelligence-Derived Body Composition on Kidney Graft and Patient Survival in the Eurotransplant Senior Program. Biomedicines. 2022;10;3:554. doi:10.3390/biomedicines10030554
25. Beetz N.L., Geisel D., Maier C., et al. Influence of Baseline CT Body Composition Parameters on Survival in Patients with Pancreatic Adenocarcinoma. J Clin Med. 2022;11;9:2356. doi:10.3390/jcm11092356
26. Kim D.W., Ahn H., Kim K.W., et al. Prognostic Value of Sarcopenia and Myosteatosis in Patients with Resectable Pancreatic Ductal Adenocarcinoma. Korean J Radiol. 2022;23;11:1055. doi:10.3348/kjr.2022.0277
27. Hosch R., Kattner S., Berger M.M., et al. Biomarkers Extracted by Fully Automated Body Composition Analysis from Chest CT Correlate with SARS-CoV-2 Outcome Severity. Sci Rep. 2022;12;1:16411. doi:10.1038/s41598-022-20419-w
28. Nandakumar B., Baffour F., Abdallah N.H., et al. Sarcopenia Identified by Computed Tomography Imaging Using a deep Learning–Based Segmentation Approach Impacts Survival in Patients with Newly Diagnosed Multiple Myeloma. Cancer. 2023;129;3:385-392. doi:10.1002/cncr.34545
29. Lee J.Y., Kim K.W., Ko Y., et al. Serial Changes in Body Composition and the Association with Disease Activity during Treatment in Patients with Crohn’s Disease. Diagnostics. 2022;12;11:2804. doi:10.3390/diagnostics12112804
30. Keyl J., Hosch R., Berger A., et al. Deep Learning‐Based Assessment of Body Composition and Liver Tumour Burden for Survival Modelling in Advanced Colorectal Cancer. J Cachexia Sarcopenia Muscle. 2023;14;1:545-552. doi:10.1002/jcsm.13158
31. Lee J.H., Choi S.H., Jung K.J., Goo J.M., Yoon S.H. High Visceral Fat Attenuation and Long‐Term Mortality in a Health Check‐Up Population. J Cachexia Sarcopenia Muscle. 2023;14;3:1495-1507. doi:10.1002/jcsm.13226
32. Borrelli A., Pecoraro M., Del Giudice F., et al. Standardization of Body Composition Status in Patients with Advanced Urothelial Tumors: the Role of a CT-Based AI-Powered Software for the Assessment of Sarcopenia and Patient Outcome Correlation. Cancers. 2023;15;11:2968. doi:10.3390/cancers15112968
33. He M., Chen Z.F., Zhang L., et al. Associations of Subcutaneous Fat Area and Systemic Immune-inflammation Index with Survival in Patients with Advanced Gastric Cancer Receiving Dual PD-1 and HER2 Blockade. J Immunother Cancer. 2023;11;6:e007054. doi:10.1136/jitc-2023-007054
34. Park S.J., Yoon J.H., Joo I., Lee J.M. Newly Developed Sarcopenia after Liver Transplantation, Determined by a Fully Automated 3D Muscle Volume Estimation on Abdominal CT, can Predict Post-Transplant Diabetes Mellitus and Poor Survival Outcomes. Cancer Imaging. 2023;23;1:73. doi:10.1186/s40644-023-00593-4
35. Mangana Del Rio T., Sacleux S.C., Vionnet J., et al. Body Composition and Short-Term Mortality in Patients Critically Ill with Acute-on-Chronic Liver Failure. JHEP Rep. 2023;5;8:100758. doi:10.1016/j.jhepr.2023.100758
36. Nowak S., Kloth C., Theis M., et al. Deep Learning–Based Assessment of CT Markers of Sarcopenia and Myosteatosis for Outcome Assessment in Patients with Advanced Pancreatic Cancer after High-Intensity Focused Ultrasound Treatment. Eur Radiol. Published Online August 12, 2023. 2024 Jan;34;1:279-286. doi:10.1007/s00330-023-09974-6
37. Choi S., Yoon S.H., Sung J., Lee J.H. Association Between Fat Depletion and Prognosis of Amyotrophic Lateral Sclerosis: CT ‐Based Body Composition Analysis. Ann Neurol. 2023;94;6:1116-1125. doi:10.1002/ana.26775
38. Kim M., Lee S.M., Son I.T., Park T., Oh B.Y. Prognostic Value of Artificial Intelligence-Driven, Computed Tomography-Based, Volumetric Assessment of the Volume and Density of Muscle in Patients with Colon Cancer. Korean J Radiol. 2023;24;9:849. doi:10.3348/kjr.2023.0109
39. Tonnesen P.E., Mercaldo N.D., Tahir I., et al. Muscle Reference Values From Thoracic and Abdominal CT for Sarcopenia Assessment: the Framingham Heart Study. Invest Radiol. 2024 Mar 1;59;3:259-270. doi:10.1097/RLI.0000000000001012
40. Souza A.C., Rosenthal M.H., Moura F.A., et al. Body Composition, Coronary Microvascular Dysfunction, and Future Risk of Cardiovascular Events Including Heart Failure. Jacc Cardiovasc Imaging. . 2024 Feb;17;2:179-191. doi:10.1016/j.jcmg.2023.07.014
41. Blankemeier L., Yao L., Long J., et al. Skeletal Muscle Area on CT: Determination of an Optimal Height Scaling Power and Testing for Mortality Risk Prediction. Am J Roentgenol. 2024;222;1:e2329889. doi:10.2214/AJR.23.29889
42. Just I.A., Schoenrath F., Roehrich L., et al. Artificial Intelligence‐Based Analysis of Body Composition Predicts Outcome in Patients Receiving Long‐Term Mechanical Circulatory Support. J Cachexia Sarcopenia Muscle. 2024;15;1:270-280. doi:10.1002/jcsm.13402
43. Keyl J., Bucher A., Jungmann F., et al. Prognostic Value of Deep Learning-Derived Body Composition in Advanced Pancreatic Cancer – a Retrospective Multicenter Study. Esmo Open. 2024;9;1:102219. doi:10.1016/j.esmoop.2023.102219
44. Lee M.W., Jeon S.K., Paik W.H., et al. Prognostic Value of Initial and Longitudinal Changes in Body Composition in Metastatic Pancreatic Cancer. J Cachexia Sarcopenia Muscle. 2024;15;2:735-745. doi:10.1002/jcsm.13437
45. Weston A.D., Grossardt B.R., Garner H.W., et al. Abdominal Body Composition Reference Ranges and Association with Chronic Conditions in an Age- and Sex-Stratified Representative Sample of a Geographically Defined American Population. J Gerontol A Biol Sci Med Sci. 2024;79;4:glae055. doi:10.1093/gerona/glae055
46. Suthakaran R., Cao K., Arafat Y., et al. Body Composition Assessment by Artificial Intelligence Can Be a Predictive Tool for Short-Term Postoperative Complications in Hartmann’s Reversals. BMC Surg. 2024;24;1:111. doi:10.1186/s12893-024-02408-0
47. Pekař M., Jiravský O., Novák J., et al. Sarcopenia and Adipose Tissue Evaluation by Artificial Intelligence Predicts the Overall Survival after TAVI. Sci Rep. 2024;14;1:8842. doi:10.1038/s41598-024-59134-z
48. Hanna P.E., Ouyang T., Tahir I., et al. Sarcopenia, Adiposity and Large Discordance between Cystatin C and Creatinine‐Based Estimated Glomerular Filtration Rate in Patients with Cancer. J Cachexia Sarcopenia Muscle. 2024;15;3:1187-1198. doi:10.1002/jcsm.13469
49. Cho S.W., Baek S., Han S., et al. Metabolic Phenotyping with Computed Tomography Deep Learning for Metabolic Syndrome, Osteoporosis and Sarcopenia Predicts Mortality in Adults. J Cachexia Sarcopenia Muscle. 2024 Aug;15;4:1418-1429. doi:10.1002/jcsm.13487
50. Sakamoto K., Hiraoka S. ichiro, Kawamura K., et al. Automated Evaluation of Masseter Muscle Volume: deep Learning Prognostic Approach in Oral Cancer. BMC Cancer. 2024;24;1:128. doi:10.1186/s12885-024-11873-y
51. Shen W., Punyanitya M., Wang Z., et al. Total Body Skeletal Muscle and Adipose Tissue Volumes: Estimation from a Single Abdominal Cross-Sectional Image. J Appl Physiol. 2004;97;6:2333-2338. doi:10.1152/japplphysiol.00744.2004
52. Martin L., Birdsell L., MacDonald N., et al. Cancer Cachexia in the Age of Obesity: Skeletal Muscle Depletion Is a Powerful Prognostic Factor, Independent of Body Mass Index. J Clin Oncol. 2013;31;12:1539-1547. doi:10.1200/JCO.2012.45.2722
53. Fearon K., Strasser F., Anker S.D., et al. Definition and Classification of Cancer Cachexia: an International Consensus. Lancet Oncol. 2011;12;5:489-495. doi:10.1016/S1470-2045(10)70218-7
54. Prado C.M., Lieffers J.R., McCargar L.J., et al. Prevalence and Clinical Implications of Sarcopenic Obesity in Patients with Solid Tumours of the Respiratory and Gastrointestinal Tracts: a Population-Based Study. Lancet Oncol. 2008;9;7:629-635. doi:10.1016/S1470-2045(08)70153-0
55. Carey E.J., Lai J.C., Wang C.W., et al. A Multicenter Study to Define Sarcopenia in Patients with End-Stage Liver Disease. Liver Transplant off Publ Am Assoc Study Liver Dis Int Liver Transplant Soc. 2017;23;5:625-633. doi:10.1002/lt.24750
56. Jong S.L., Young S.K., Eun Young K., Wook J. Prognostic Significance of CT-Determined Sarcopenia in Patients with Advanced Gastric Cancer | PLOS ONE. 2018 Aug20;13:8:e0202700. https://journals.plos.org/plosone/article?id=10.1371/journal.pone.0202700
57. Morley J.E., Anker S.D., von Haehling S. Prevalence, Incidence, and Clinical Impact of Sarcopenia: Facts, Numbers, and Epidemiology-Update 2014. J Cachexia Sarcopenia Muscle. 2014;5;4:253-259. doi:10.1007/s13539-014-0161-y
58. Prado C.M.M., Baracos V.E., McCargar L.J., et al. Sarcopenia as a Determinant of Chemotherapy Toxicity and Time to Tumor Progression in Metastatic Breast Cancer Patients Receiving Capecitabine Treatment. Clin Cancer Res off J Am Assoc Cancer Res. 2009;15;8:2920-2926. doi:10.1158/1078-0432.CCR-08-2242
59. Zhuang C.L., Huang D.D., Pang W.Y., et al. Sarcopenia is an Independent Predictor of Severe Postoperative Complications and Long-Term Survival after Radical Gastrectomy for Gastric Cancer: Analysis from a Large-Scale Cohort. Medicine (Baltimore). 2016;95;13:e3164. doi:10.1097/MD.0000000000003164
60. Ronneberger O., Fischer P., Brox T. U-Net: Convolutional Networks for Biomedical Image Segmentation. Medical Image Computing and Computer-Assisted Intervention – MICCAI 2015. Lecture Notes in Computer Science. Springer International Publ., 2015:234-241. doi:10.1007/978-3-319-24574-4_28
61. Trägårdh E, Borrelli P, Kaboteh R, et al. Recomia – a Cloud-Based Platform for Artificial Intelligence Research in Nuclear Medicine and Radiology. EJNMMI Phys. 2020;7:51. doi:10.1186/s40658-020-00316-9
62. Myronenko A. 3D MRI Brain Tumor Segmentation Using Autoencoder Regularization. Published Online 2018 Nov;1:311-320. doi:10.48550/ARXIV.1810.11654
63. Huang G., Liu Z., van der Maaten L., Weinberger K.Q. Densely Connected Convolutional Networks. 2016;1:069-93. Published online January 28, 2018. doi:10.48550/arXiv.1608.06993
64. Yushkevich P.A., Piven J., Hazlett H.C., et al. User-Guided 3D Active Contour Segmentation of Anatomical Structures: Significantly Improved Efficiency and Reliability. NeuroImage. 2006;31;3:1116-1128. doi:10.1016/j.neuroimage.2006.01.015
65. Сморчкова А.К., Петряйкин А.В., Артюкова З.Р. MosMedData: набор диагностических компьютерно-томографических изображений органов брюшной полости на уровне L3 позвонка с сегментацией скелетной мышечной и внутримышечной жировой тканей: Свидетельство о государственной регистрации базы данных №2023624494; Российская Федерация; заявл. 28.11.2023; опубл. 08.12.2023 [Smorchkova A.K., Petryaykin A.V., Artyukova Z.R. MosMedData: Nabor Diagnosticheskikh Komp’yuterno-Tomograficheskikh Izobrazheniy Organov Bryushnoy Polosti na Urovne L3 Pozvonka s Segmentatsiyey Skeletnoy Myshechnoy i Vnutrimyshechnoy Zhirovoy Tkaney = MosMedData: a Set of Diagnostic Computed Tomographic Images of Abdominal Organs at the Level of the L3 Vertebra with Segmentation of Skeletal Muscle and Intramuscular Adipose Tissue. Certificate of State Registration of the Database No. 2023624494. Russian Federation, declared 28.11.2023, published 08.12.2023 (In Russ.)].
66. van Vugt J.L.A., Coebergh van den Braak R.R.J., Schippers H.J.W., et al. Contrast-Enhancement Influences Skeletal Muscle Density, but not Skeletal Muscle Mass, Measurements on Computed Tomography. Clin Nutr Edinb Scotl. 2018;37;5:1707-1714. doi:10.1016/j.clnu.2017.07.007
67. Васильев Ю.А., Владзимирский А.В., Омелянская О.В., Арзамасов К.М., Четвериков С.Ф., Румянцев Д.А., Зеленова М.А. Методология тестирования и мониторинга программного обеспечения на основе технологий искусственного интеллекта для медицинской диагностики // Digital Diagnostics. 2023. Т.4. №3. C. 252-267 [Vasil’yev Yu.A., Vladzimirskiy A.V., Omelyanskaya O.V., Arzamasov K.M., Chetverikov S.F., Rumyantsev D.A., Zelenova M.A. Methodology of Testing and Monitoring Software Based on Artificial Intelligence Technologies for Medical Diagnostics. Digital Diagnostics. 2023;4;3:252-267 (In Russ.)]. doi: 10.17816/DD321971
PDF (RUS) Полная версия статьи
Конфликт интересов. Авторы заявляют об отсутствии конфликта интересов.
Финансирование. Данная работа подготовлена авторами в рамках НИОКР «Разработка и создание аппаратно-программного комплекса для оппортунистического скрининга остеопороза» (№ ЕГИСУ: 123031400007–7) в соответствии с приказом Департамента здравоохранения города Москвы от 21.12.2022 No 1196 «Об утверждении государственных заданий, финансовое обеспечение которых осуществляется за счёт средств бюджета города Москвы государственным бюджетным (автономным) учреждениям подведомственным Департаменту здравоохранения города Москвы, на 2023 год и плановый период 2024 и 2025 гг.».
Участие авторов. Cтатья подготовлена с равным участием авторов.
Поступила: 20.10.2024. Принята к публикации: 25.11.2024.