Радиомический анализ ультразвуковых изображений периферических нервов у пациентов молодого возраста с сахарным диабетом 1-го типа в сравнении со здоровыми лицами

Актуальность. Ранняя диагностика диабетической полинейропатии в детском возрасте является актуальной задачей здравоохранения. Радиомический анализ ультразвуковых (УЗ) изображений – перспективный диагностический инструмент оценки морфологической структуры периферических нервов при сахарном диабете 1-го типа (СД1).

Цель: оценка возможности использования радиомического анализа в диагностике изменений периферических нервов на основе УЗ-изображений у пациентов молодого возраста с СД1.

Материал и методы. Исследовано 126 УЗ-изображений периферических нервов верхних и нижних конечностей пациентов с СД1 (n=10) в возрасте 10–17 лет и контрольной группы (n=10) (четыре локализации, серошкальный режим).

Результаты. Радиомический анализ позволил выявить различия в текстуре периферических нервов конечностей у молодых пациентов с СД1 при сравнении со здоровыми лицами.

Закючение. Метод радиомического анализа является перспективным диагностическим инструментом в оценке изменений периферических нервов при СД1 у детей и подростков.

1. Goyal K, Aggarwal P, Gupta M. Ultrasound evaluation of peripheral nerves of the lower limb in diabetic peripheral neuropathy. Eur J Radiol. 2021; 145: 110058. https://doi.org/10.1016/j.ejrad.2021.110058.

2. Tandon A, Khullar T, Maheshwari S, et al. High resolution ultrasound in subclinical diabetic neuropathy: a potential screening tool. Ultrasound. 2021; 29(3): 150–61. https://doi.org/10.1177/1742271X20958034.

3. Kallinikou D, Soldatou A, Tsentidis C, et al. Diabetic neuropathy in children and adolescents with type 1 diabetes mellitus: diagnosis, pathogenesis, and associated genetic markers. Diabetes Metab Res Rev. 2019; 35(7): e3178. https://doi.org/10.1002/dmrr.3178.

4. Sloan G, Selvarajah D, Tesfaye S. Pathogenesis, diagnosis and clinical management of diabetic sensorimotor peripheral neuropathy. Nat Rev Endocrinol. 2021; 17: 400–20. https://doi.org/10.1038/s41574-021-00496-z.

5. Никитин С.С., Муртазина А.Ф., Дружинин Д.С. Блок проведения возбуждения по периферическому нерву как электрофизиологический феномен: обзор литературы. Нервно-мышечные болезни. 2019; 9(1): 12–23. https://doi.org/10.17650/2222-8721-2019-9-1-12-23. [Nikitin SS, Murtazina AF, Druzhinin DS. Conduction block as an electrophysiological phenomenon: a review of the literature. Neuromuscular Diseases. 2019; 9(1): 12–23 (in Russ). https://doi.org/10.17650/2222-8721-2019-9-1-12-23.]

6. Фомина С.В., Завадовская В.Д., Самойлова Ю.Г. и др. Возможности ультразвуковой эластографии периферических нервов у детей с сахарным диабетом 1 типа. Медицинская визуализация. 2024; 28(4): 133–41. https://doi.org/10.24835/1607-0763-1437. [Fomina SV, Zavadovskaya VD, Samoilova IG, et al. Possibilities of ultrasound elastography of peripheral nerves in children with type 1 diabetes mellitus. Medical Visualization. 2024; 28(4): 133–41 (in Russ). https://doi.org/10.24835/1607-0763-1437.]

7. Senarai T, Pratipanawatr T, Yurasakpong L, et al. Cross-sectional area of the tibial nerve in diabetic peripheral neuropathy patients: a systematic review and meta-analysis of ultrasonography studies. Medicina. 2022; 58(12): 1696. https://doi.org/10.3390/medicina58121696.

8. Данилова М.Г., Салтыкова В.Г., Усенко Е.Е., Абоян И.А. Ультразвуковое исследование локтевого нерва у детей различных возрастных групп. Ультразвуковая и функциональная диагностика. 2019; 2: 61–79. https://doi.org/10.24835/1607-0771-2019-2-61-79. [Danilova MG, Saltykova VG, Usenko EE, Aboian IA. Ulnar nerve ultrasound in different age groups children. Ultrasound & Functional Diagnostics. 2019; 2: 61–79 (in Russ). https://doi.org/10.24835/1607-0771-2019-2-61-79.]

9. Hatt M, Le Rest CC, Tixier F, et al. Radiomics: data are also images. J Nucl Med. 2019; 60(Suppl 2): 38S–44S.

10. Lambin P, Leijenaar RTH, Deist TM, et al. Radiomics: the bridge between medical imaging and personalized medicine. Nat Rev Clin Oncol. 2017; 14(12): 749–62. https://doi.org/10.1038/nrclinonc.2017.141.

11. McCague C, Ramlee S, Reinius M, et al. Introduction to radiomics for a clinical audience. Clin Radiol. 2023; 78(2): 83– 98. https://doi.org/10.1016/j.crad.2022.08.149.

12. Jiang H, Chen L, Zhao YJ, et al. machine learning-based ultrasomics for predicting subacromial impingement syndrome stages. J Ultrasound Med. 2022; 41(9): 2279–85. https://doi.org/10.1002/jum.15914.

13. Jia Y, Yang J, Zhu Y, et al. Ultrasound-based radiomics: current status, challenges and future opportunities. Med Ultrason. 2022; 24(4): 451–60. https://doi.org/10.11152/mu-3248.

14. Fedorov A, Beichel R, Kalpathy-Cramer J, et al. 3D Slicer as an image computing platform for the Quantitative Imaging Network. Magn Reson Imaging. 2012; 30(9): 1323–41. https://doi.org/10.1016/j.mri.2012.05.001.

15. Van Griethuysen JJM, Fedorov A, Parmar C, et al. Computational radiomics system to decode the radiographic phenotype. Cancer Res. 2017; 77(21): e104–7. https://doi.org/10.1158/0008-5472.CAN-17-0339.