Радиомика в диагностике узловых образований щитовидной железы

Узлы щитовидной железы (УЩЖ) широко распространены во всем мире: по данным патологоанатомических исследований, их могут иметь от 50% до 60% взрослых. В настоящее время в клинике для диагностики УЩЖ обычно используются ультразвуковое исследование, компьютерная томография, магнитно-резонансная томография и радионуклидная диагностика (например, позитронно-эмиссионная томография, совмещенная с компьютерной томографией). Эти методы в основном применяются для диагностики доброкачественности и злокачественности узлов, степени инвазии в прилегающие ткани и метастазирования в лимфатические узлы. Благодаря развитию искусственного интеллекта, машинного обучения и усовершенствованию оборудования для медицинской визуализации в последние годы популярным направлением исследований стала радиомика. Она позволяет получать из медицинских изображений различные количественные характеристики, выделяя невидимые черты и значительно расширяя возможности идентификации и прогнозирования. Радиомика обладает высоким потенциалом в выявлении и прогнозировании УЩЖ. В статье представлена информация о разработке и рабочем процессе радиомики. Обобщены данные о применении различных методов визуализации для выявления доброкачественных и злокачественных УЩЖ, оценки инвазивности и метастазирования в лимфатические узлы, а также о некоторых новых достижениях в области молекулярного уровня и глубокого обучения. Также приведены недостатки методики радиомики и перспективы ее дальнейшего развития.

1. Миронов С.П., Сергиенко В.Б. Сцинтиграфия при узловой патологии щитовидной железы. Вестник рентгенологии и радиологии. 2022; 103(4–6): 108–16. https://doi.org/10.20862/0042-4676-2022-103-4-6-108-116.

2. Станякина Е.Е., Романов И.С., Гогиева Э.Х. и др. Эффективность метода определения уровня тиреоглобулина в смыве из пункционной иглы в дифференциальной диагностике метастазов высокодифференцированного рака щитовидной железы в лимфатических узлах шеи. Опухоли головы и шеи. 2022; 12(3): 10–6. https://doi.org/10.17650/2222-1468-2022-12-3-10-16.

3. Гордиенко В.П., Побережский А.В. Эпидемиологическая характеристика рака щитовидной железы у жителей восточных регионов Российской Федерации. Тихоокеанский медицинский журнал. 2022; 4: 63–71. https://doi.org/10.34215/1609-1175-2022-4-63-71.

4. Gul M, Bonjoc KC, Gorlin D, et al. Diagnostic utility of radiomics in thyroid and head and neck cancers. Front Oncol. 2021; 11: 639326. https://doi.org/10.3389/fonc.2021.639326.

5. Sun L, Li M. TSH suppression therapy may affect bone health. How to manage differentiated thyroid cancer scientifically? Chinese General Practice. 2021; 24(8): 941–6. https://doi.org/10.12114/j.issn.1007-9572.2021.00.074.

6. Grani G, Sponziello M, Pecce V, et al. Contemporary thyroid nodule evaluation and management. J Clin Endocrinol Metab. 2020; 105(9): 2869–83. https://doi.org/10.1210/clinem/dgaa322.

7. Tessler FN, Middleton WD, Grant EG, et al. ACR Thyroid Imaging, Reporting and Data System (TI-RADS): White Paper of the ACR TI-RADS Committee. J Am Coll Radiol. 2017; 14(5): 587–95. https://doi.org/10.1016/j.jacr.2017.01.046.

8. Fresilli D, David E, Pacini P, et al. Thyroid nodule characterization: how to assess the malignancy risk. Update of the literature. Diagnostics (Basel). 2021; 11(8): 1374. https://doi.org/10.3390/diagnostics11081374.

9. Liang J, Huang X, Hu H, et al. Predicting malignancy in thyroid nodules: radiomics score versus 2017 American College of Radiology thyroid imaging, reporting and data system. Thyroid. 2018; 28(8): 1024–33. https://doi.org/10.1089/thy.2017.0525.

10. Yoon J, Lee E, Kang SW, et al. Implications of US radiomics signature for predicting malignancy in thyroid nodules with indeterminate cytology. Eur Radiol. 2021; 31(7): 5059–67. https://doi.org/10.1007/s00330-020-07670-3.

11. Shi Y, Jiang Y, Wang J, et al. Prediction of benign and malignant nodules of thyroid TI-RADS 4~5 based on ultrasonographic nomogram. Chin J Ultrasound Med. 2021; 37(12): 1328–32.

12. Wang Q, Shi Q, Xian X, et al. Application of machine learning in differential diagnosis of nodular hashimoto thyroiditis and thyroid micropapillary carcinoma based on small sample thyroid high b-value diffusion-weighted imaging omics. Chin J Med Imaging. 2021; 29(11): 1064–9.

13. Xia L, Liang Z, Yao G, et al. Value of support vector machine model based on magnetic resonance texture analysis for differential diagnosis of thyroid nodule larger than 1 cm. Shandong Med J. 2021; 61(31): 77–80.

14. Wu Y, Jin J, Feng Y. Analysis of the texture features of enhanced CT in the identification of benign and malignant thyroid nodules. J Southeast Univ (Medical Edition). 2016; 35(1): 112–6.

15. Guo W, Luo H, Zhao Y, et al. CT texture analysis technology to identify benign and malignant thyroid nodules feasibility study. Int J Med Radiol. 2017; 40(1): 3–5.

16. Hu Y, Huang Z, Xie Y, Wang X. Value of first-order ct texture analysis in differentiating benign and malignant thyroid nodules. J Clin Radiol. 2019; 38(3): 422–5.

17. Zhang DAW. Differential diagnosis of benign and malignant thyroid micronodules based on CT image omics. Anhui Medical University. 2020; 56(4): 652655.

18. Du D, Li X, Liu B, et al. CT image omics of thyroid adenoma and the diagnostic value of papillary carcinoma. J Anhui Med Univ. 2019; 54(6): 950–3.

19. Zhou S, Liu T, Zhou J. Preliminary study on application of radiomics in thyroid carcinoma. Oncoradiology. 2017; 26(2): 102–5.

20. Wang X, Agyekum EA, Ren Y, et al. A radiomic nomogram for the ultrasound-based evaluation of extrathyroidal extension in papillary thyroid carcinoma. Front Oncol. 2021; 11: 625646. https://doi.org/10.3389/fonc.2021.625646.

21. Tong Y, Li J, Huang Y, et al. Ultrasound-based radiomic nomogram for predicting lateral cervical lymph node metastasis in papillary thyroid carcinoma. Acad Radiol. 2021; 28(12): 1675–84. https://doi.org/10.1016/j.acra.2020.07.017.

22. Zhang H, Zhang H, Shu Z, et al. The value of MRI T2WI image texture analysis in predicting cervical lymph node metastasis of thyroid papillary carcinoma. Chin J Clin Imaging. 2020; 31(8): 568–71.

23. Yao X, Zhou Q, Zhang Z, Zhou J. Value of MRI texture combined with cripto-1 and SOX2 proteins in the diagnosis of cervical lymph node metastasis of thyroid papillary carcinoma. Chin J Med Phys. 2022; 39(2): 224–8.

24. Qin H, Que Q, Lin P, et al. Magnetic resonance imaging (MRI) radiomics of papillary thyroid cancer (PTC): a comparison of predictive performance of multiple classifiers modeling to identify cervical lymph node metastases before surgery. Radiol Med. 2021; 126(10): 1312–7. https://doi.org/10.1007/s11547-021-01393-1.

25. Shen S, Han D, Zhao L, et al. Prediction of lymph node metastasis in the central group based on small ripple analysis of CT venous phase image of thyroid papillary carcinoma nodules. Chin J Radiol. 2019; 11: 946–51.

26. Su GY, Xu XQ, Zhou Y, et al. Texture analysis of dual-phase contrast-enhanced CT in the diagnosis of cervical lymph node metastasis in patients with papillary thyroid cancer. Acta Radiol. 2021; 62(7): 890–6. https://doi.org/10.1177/0284185120946711.

27. He J, Lu Q, Xu X, Hu S. Study on the value of CT imaging features in predicting cervical lymph node metastasis of papillary thyroid. J Shanghai Jiao Tong Univ (Medical Science). 2021; 41(9): 1233–9.

28. Zhao H, Ye J, Duan S, et al. CT image omics of thyroid papillary carcinoma and adenoma identify. Chin J Med Imaging. 2021; 27(2): 102–6.

29. Zhou Y, Su GY, Hu H, Ge YQ. Diagnosis of cervical lymph node metastasis of papillary thyroid carcinoma based on dual energy CT iodogram. J Int Med Radiol. 2021; 44(1): 119.

30. Zhou H, Jin Y, Dai L, et al. Differential diagnosis of benign and malignant thyroid nodules using deep learning radiomics of thyroid ultrasound images. Eur J Radiol. 2020; 127: 108992. https://doi.org/10.1016/j.ejrad.2020.10899.