Текстурный анализ КТ-изображений в дифференциации опухолей головы и шеи

Цель: определить диагностическую значимость текстурного анализа компьютерно-томографических изображений (КТТА) в дифференциации опухолей головы и шеи.
Материал и методы. В исследование включены 118 пациентов в возрасте от 4 до 80 лет с верифицированным диагнозом доброкачественной и злокачественной опухоли (37 и 81 человек соответственно) головы и шеи. КТТА проводили с использованием программы LIFEx версии 6.30. Извлеченные из рутинных КТ-изображений 38 текстурных показателей подвергнуты регрессионному анализу с созданием логистических текстурных моделей с ассоциациями из четырех показателей в виде независимых предикторов.
Результаты. Установлена возможность использования производных моделей – текстурных индексов вероятности для дифференциации доброкачественных и злокачественных опухолей: площадь под ROC-кривой (AUC) 0,854 ± 0,035 (p < 0,001); для разграничения местно-распространенных опухолей от местно-ограниченных: AUC 0,840 ± 0,049 (p < 0,001); для дискриминации умеренно-, низко-, и недифференцированного рака (G2, G3, G4) от высокодифференцированного (G1) рака головы и шеи: AUC 0,826 ± 0,085 (p < 0,001).
Заключение. Текстурный анализ КТ-изображений позволяет неинвазивно предсказать доброкачественную или злокачественную природу визуализируемого образования головы и шеи, а также определить распространенность и степень злокачественности опухолевого поражения.

1. Petralia G, Bonello L, Viotti S, et al. CT perfusion in oncology: how to do it. Cancer Imaging. 2010; 10(1): 8–19. https://doi.org/10.1102/1470-7330.2010.0001.

2. Силантьева Н.К., Петросян А.П., Агабабян Т.А., Шавладзе З.Н. Динамическая и перфузионная компьютерная томография при одиночных очагах в легких. Онкология. Журнал им. П.А. Герцена. 2017; 6(6): 55–61. https://doi.org/10.17116/onkolog20176655-61.

3. Masume N, Maryam M, Kayvan A, et al. Perfusion computed tomography scan imaging in differentiation of benign from malignant parotid lesions. Int Arch Otorhinolaryngol. 2020; 24(2): e160–9. https://doi.org/10.1055/s-0039-1697005.

4. Lubner MG, Smith AD, Sandrasegaran K, et al. CT texture analysis: definitions, applications, biologic correlates, and challenges. Radiographics. 2017; 37(5): 1483–503. https://doi.org/10.1148/rg.2017170056.

5. Чехун В.Ф., Шербан С.Д., Савцова З.Д. Гетерогенность опухоли – динамичное состояние. Онкология. 2012; 14(1): 4–12.

6. Геращенко Т.С., Денисов Е.В., Литвяков Н.В. и др. Внутриопухолевая гетерогенность: природа и биологическое значение. Биохимия. 2013; 78(11): 1531–49.

7. Lin G, Keshari KR, Park JM. Cancer metabolism and tumor heterogeneity: imaging perspectives using MR imaging and spectroscopy. Contrast Media Mol Imaging. 2017; 2017: 6053879. https://doi.org/10.1155/2017/6053879.

8. Nioche C, Orlhac F, Boughdad S, et al. LIFEx: a freeware for radiomic feature calculation in multimodality imaging to accelerate advances in the characterization of tumor heterogeneity. Cancer Res. 2018; 78(16): 4786–9. https://doi.org/10.1158/0008-5472.CAN-18-0125.

9. Nailon WH. Texture analysis methods for medical image characterisation. In: Mao Y (Ed). Biomedical imaging. London: IntechOpen; 2010. https://doi.org/10.5772/8912.

10. Romeo V, Cuocolo R, Ricciardi C, et al. Prediction of tumor grade and nodal status in oropharyngeal and oral cavity squamouscell carcinoma using a radiomic approach. Anticancer Res. 2020; 40: 271–80. https://doi.org/10.21873/anticanres.13949.

11. Bogowicz M, Riesterer O, Ikenberg K, et al. 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; 99(4): 921–8. https://doi.org/10.1016/j.ijrobp.2017.06.002.

12. Kuno H, Qureshi MM, Chapman MN, et al. CT texture analysis potentially predicts local failure in head and neck squamous cell carcinoma treated with chemoradiotherapy. Am J Neuroradiol. 2017; 38(12): 2334–40. https://doi.org/10.3174/ajnr.A5407.

13. Ger RB, Zhou S, Elgohari B, et al. Radiomics features of the primary tumor fail to improve prediction of overall survival in large cohorts of CT- and PET-imaged head and neck cancer patients. PLoS One. 2019; 14(9): e0222509. https://doi.org/10.1371/journal.pone.0222509.

14. Meyer HJ, Hamerla G, Höhn AK, Surov A. CT texture analysiscorrelations with histopathology parameters in head and neck squamous cell carcinomas. Front Oncol. 2019; 9: 444. https://doi.org/10.3389/fonc.2019.00444.

15. Ren J, Qi M, Yuan Y, et al. Machine learning-based MRI texture analysis to predict the histologic grade of oral squamous cell carcinoma. AJR Am J Roentgenol. 2020; 215(5): 1184-90. https://doi.org/10.2214/AJR.19.22593.

16. Zhang Y, Chen C, Tian Z, et al. The diagnostic value of MRI-based texture analysis in discrimination of tumors located in posterior fossa: a preliminary study. Front Neurosci Vol. 2019; 13: 1113. https://doi.org/10.3389/fnins.2019.01113.