Медицинская радиология и радиационная безопасность. 2023. Том 68. № 3
DOI: 10.33266/1024-6177-2023-68-3-52-56
А.Ш. Паттохов1, Ю.М. Ходжибекова1, М.Х. Ходжибеков2
ВЫБОР МЕТОДОВ СТАТИСТИЧЕСКОЙ ОБРАБОТКИ РЕЗУЛЬТАТОВ РАДИОМИЧЕСКОГО АНАЛИЗА КТ-ИЗОБРАЖЕНИЙ ОПУХОЛЕЙ ГОЛОВЫ И ШЕИ
1 Ташкентский государственный стоматологический институт, Ташкент, Узбекистан
2 Ташкентская медицинская академия, Ташкент, Узбекистан
Контактное лицо: Марат Худайкулович Ходжибеков, e-mail: Этот адрес электронной почты защищен от спам-ботов. У вас должен быть включен JavaScript для просмотра.
РЕФЕРАТ
Цель исследования: Выбор оптимального метода статистической обработки результатов текстурного анализа конвенциональных КТ-изображений у пациентов с опухолями головы и шеи.
Материал и методы: Исследовано 118 больных в возрасте от 4 до 80 лет с верифицированным диагнозом доброкачественных – 37 и злокачественных – 81 опухолей головы и шеи. Текстурный анализ проводился с использованием программы LIFEx, версия 7.10, с статистической обработкой по программам SPSS, MedCalc, XLSTAT, R.
Результаты: Извлеченные из КТ-изображений 39 текстурных показателей были подвергнуты статистической обработке разными методами, включая критерий Манна-Уитни, корреляционную матрицу, факторный анализ, LASSО-регрессию, заканчивая построением логистической модели классификации. Из множества методов обработки оптимальным было использование LASSO-регрессии с последующим построением логистической модели, по результатам которой процент правильной классификации групп больных с доброкачественными и злокачественными опухолями составил – 81,3 %, площадь под ROC-кривой AUC – 0,902±0,029 (p<0,0001), чувствительность – 82,7 %, специфичность – 87,5 %.
Заключение: Текстурный анализ изображений позволяет неинвазивно предсказать доброкачественную или злокачественную природу визуализируемого образования головы и шеи. Выбор правильного метода статистической обработки результатов текстурного анализа имеет критическое значение для оценки и классификации больных по природе опухоли.
Ключевые слова: КТ-изображения, опухоли головы и шеи, радиомика, текстурный анализ, статистическая обработка
Для цитирования: Паттохов а.ш., Ходжибекова ю.м., Ходжибеков м.х. Выбор методов статистической обработки результатов радиомического анализа КТ-изображений опухолей головы и шеи // Медицинская радиология и радиационная безопасность. 2023. Т. 68. № 3. С. 52–56. DOI: 10.33266/1024-6177-2023-68-3-52-56
Список литературы
1. Petralia G., Bonello L., Viotti S., Preda L., d’Andrea G., Bellomi M. CT Perfusion in Oncology: How to Do It // Cancer Imaging. 2010. V.10, No. 1. P. 8-19. doi: 10.1102/1470-7330.2010.0001.
2. Геращенко Т.С., Денисов Е.В., Литвяков Н.В., Завьялова М.В., Вторушин С.В., Цыганов М.М., Перельмутер В.М., Чердынцева Н.В. Внутриопухолевая гетерогенность: природа и биологическое значение // Биохимия. 2013. Т.78, № 11. С. 1531–1549.
3. Lin G., Keshari K.R., Park J.M. Cancer Metabolism and Tumor Heterogeneity: Imaging Perspectives Using MR Imaging and Spectroscopy // Contrast Media Mol Imaging. 2017. No. 2017. P. 6053879. doi: 10.1155/2017/6053879.
4. Nioche C., Orlhac F., Boughdad S., Reuzé S., Goya-Outi J., Robert C., Pellot-Barakat C., Soussan M., Frouin F., Buvat I. LIFEx: a Freeware for Radiomic Feature Calculation in Multimodality Imaging to Accelerate Advances in the Characterization of Tumor Heterogeneity // Cancer Research. 2018. V.78. No. 16. P. 4786-4789. doi: 10.1158/0008-5472.CAN-18-0125.
5. Nailon W.H. Texture Analysis Methods for Medical Image Characterisation // Biomedical Imaging. Ed. Mao Y. London: IntechOpen, 2010. URL: https://www.intechopen.com/chapters/10175. doi: 10.5772/8912.
6. Wu J., Aguilera T., Shultz D., Gudur M., Rubin D.L., Loo B.W.Jr., Diehn M., Li R. Early-Stage Non-Small Cell Lung Cancer: Quantitative Imaging Characteristics of (18)F Fluorodeoxyglucose PET/CT Allow Prediction of Distant Metastasis // Radiology. 2016. V.281, No. 1. P. 270-278. doi: 10.1148/radiol.2016151829.
7. Romeo V., Cuocolo R., Ricciardi C., Ugga L., Cocozza S., Verde F., et al. Prediction of Tumor Grade and Nodal Status in Oropharyngeal and Oral Cavity Squamous-Cell Carcinoma Using a Radiomic Approach // Anticancer Res. 2020. No. 40. P. 271–280. DOI: 10.21873/anticanres.13949.
8. Bogowicz M., Riesterer O., Ikenberg K., Stieb S., Moch H., Studer G., Guckenberger M, Tanadini-Lang S. Computed Tomography Radiomics Predicts HPV Status and Local Tumor Control After Definitive Radiochemotherapy in Head and Neck Squamous Cell Carcinoma // Int. J. Radiat. Oncol. Biol. Phys. 2017. V.99, No. 4. P. 921-928. DOI: 10.1016/j.ijrobp.2017.06.002.
9. Ren J., Qi M., Yuan Y., Duan S., Tao X. Machine Learning-Based MRI Texture Analysis to Predict the Histologic Grade of Oral Squamous Cell Carcinoma // Am. J. Roentgenol. 2020. V.15, No. 5. P. 1184-1190. doi: 10.2214/AJR.19.22593.
10. Zhang Y., Chen C., Tian Z., Feng R., Cheng Y., Xu J. The Diagnostic Value of MRI-Based Texture Analysis in Discrimination of Tumors Located in Posterior Fossa: a Preliminary Study // Front. Neurosci. 2019. No. 13. P. 1113. doi: 10.3389/fnins.2019.0111.
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: 20.01.2022. Принята к публикации: 25.02.2023.