Текстурный анализ КТ-изображений в дифференциальной диагностике немелкоклеточного рака легкого

Актуальность. В клинической практике на сегодняшний день информация, содержащаяся в компьютерных томографических (КТ) изображениях рака легкого, используется не в полной мере – лишь несколько семантических характеристик (например, размеры, контуры, характер накопления контрастного препарата и т.д.). Сегодня исследователями предпринимаются попытки преобразовать данные КТ-изображений в количественные показатели, описывающие форму и текстуру рака легкого, а также связать эти показатели с клиническими данными. Такой подход получил название «радиомика» и представляет собой развивающуюся область в медицине.
Цель: провести анализ публикаций, посвященных дифференциальной диагностике немелкоклеточного рака легкого (НМРЛ) с помощью текстурного анализа, а также оценить возможности и перспективы применения этого метода для увеличения информативности КТ-исследований.
Материал и методы. В обзоре литературы представлены данные, полученные из доступных источников в базах данных PubMed, ScienceDirect и Google Scholar, опубликованные до конца 2024 г. включительно, найденные с помощью ключевых слов и словосочетаний на русском и английском языках: «НМРЛ», «аденокарцинома легкого», «плоскоклеточный рак легкого», «компьютерная томография», «радиомика», «текстурный анализ», «дифференциальная диагностика», “NSCLC”, “lung adenocarcinoma”, “squamous cell lung cancer”, “ computed tomography”, “radiomics”, “texture analysis”, “differential diagnosis”.
Результаты. В обзоре литературы описаны методики текстурного анализа на всех этапах. По результатам проанализированных научных работ авторы приходят к выводу, что применение текстурного анализа позволяет с чувствительностью 72–83%, специфичностью 67–92% и точностью 74–86% неинвазивно предсказать гистологическую форму НМРЛ.
Заключение. Применение текстурного анализа согласно опубликованным работам является перспективным методом для дифференциальной диагностики гистологических форм НМРЛ (до AUC ~0,7–0,9), однако различие методик и отсутствие стандартизации проведения текстурного анализа требует проведения дополнительных исследований.

1. Global Cancer Observatory: Cancer Today. International Agency for Research on Cancer. 2024. URL: https://gco.iarc.who.int/today (дата обращения 12.10.2024).

2. Шахзадова А.О., Старинский В.В., Лисичникова И.В. Состояние онкологической помощи населению России в 2022 году. Сибирский онкологический журнал. 2023; 22(5): 5–13. https://doi.org/10.21294/1814-4861-2023-22-5-5-13.

3. Лактионов К.К., Бредер В.В. (ред.) Рак легкого. М.: Гранат; 2020: 151 c.

4. Socinski MA, Obasaju C, Gandara D, et al. Clinicopathologic features of advanced squamous NSCLC. J Thorac Oncol. 2016; 11(9): 1411–22. https://doi.org/10.1016/j.jtho.2016.05.024.

5. Лактионов К.К., Артамонова Е.В., Борисова Т.Н. и др. Злокачественное новообразование бронхов и легкого. Современная онкология. 2021; 23(3): 369–402. https://doi.org/10.26442/18151434.2021.3.201048.

6. Han R, Arjal R, Dong J, et al. Three dimensional texture analysis of noncontrast chest CT in differentiating solitary solid lung squamous cell carcinoma from adenocarcinoma and correlation to immunohistochemical markers. Thorac Cancer. 2020; 11(11): 3099–106. https://doi.org/10.1111/1759-7714.13592.

7. Сибилева О.Ю., Ромашкина Н.В. Эпидемиология рака легкого и роль молекулярно-генетического исследования в тераностике заболевания (краткий обзор литературы). Вестник новых медицинских технологий. 2023; 30(2): 92–6. https://doi.org/10.24412/1609-2163-2023-2-92-96.

8. Новикова С.В., Важенин А.В., Тюков Ю.А. Рак легкого: эпидемиология, диагностика и профилактика (обзор литературы). Непрерывное медицинское образование и наука. 2024; 19(4): 22–7.

9. Barta JA, Powell CA, Wisnivesky JP. Global epidemiology of lung cancer. Ann Glob Health. 2019; 85(1): 8. https://doi.org/10.5334/aogh.2419.

10. Cheng TYD, Cramb SM, Baade PD, et al. The international epidemiology of lung cancer: latest trends, disparities, and tumor characteristics. J Thorac Oncol. 2016; 11(10): 1653–71. https://doi.org/10.1016/j.jtho.2016.05.021.

11. Lin HT, Liu FC, Wu CY, et al. Epidemiology and survival outcomes of lung cancer: a population-based study. Biomed Res Int. 2019; 4(1): 8148156. https://doi.org/10.1155/2019/8148156.

12. Basu S, Hall LO, Goldgof D, et al. Developing a classifier model for lung tumors in CT-scan images. In: 2011 IEEE International Conference on Systems, Man, and Cybernetics, Anchorage, AK, USA, 2011, pp. 1306–12. https://doi.org/10.1109/ICSMC.2011.6083840.

13. Yu D, Zang Y, Dong D, et al. Developing a radiomics framework for classifying non-small cell lung carcinoma subtypes. In: Medical Imaging 2017: Computer-Aided Diagnosis. 2017; 10134: 570–6. https://doi.org/10.1117/12.2253923.

14. Haga A, Takahashi W, Aoki S, et al. Classification of early stage non-small cell lung cancers on computed tomographic images into histological types using radiomic features: interobserver delineation variability analysis. Radiol Phys Techol. 2018; 11(1): 27–35. https://doi.org/10.1007/s12194-017-0433-2.

15. Zhu X, Dong D, Chen Z, et al. Radiomic signature as a diagnostic factor for histologic subtype classification of non-small cell lung cancer. Eur Radiol. 2018; 28(7): 2772–8. https://doi.org/10.1007/s00330-017-5221-1.

16. Bashir U, Kawa B, Siddique M, et al. Non-invasive classification of non-small cell lung cancer: a comparison between random forest models utilising radiomic and semantic features. Br J Radiol. 2019; 92(1099): 20190159. https://doi.org/10.1259/bjr.20190159.

17. Digumarthy SR, Padole AM, Gullo RL, et al. Can CT radiomic analysis in NSCLC predict histology and EGFR mutation status? Medicine. 2019; 98(1): e13963. https://doi.org/10.1097/MD.0000000000013963.

18. Linning E, Lu L, Li L, et al. Radiomics for classification of lung cancer histological subtypes based on nonenhanced computed tomography. Acad Radiol. 2019; 26(9): 1245–52. https://doi.org/10.1016/j.acra.2018.10.013.

19. Linning E, Lu L, Li L, et al. Radiomics for classifying histological subtypes of lung cancer based on multiphasic contrast-enhanced computed tomography. J Comput Assist Tomogr. 2019; 43(2): 300–6. https://doi.org/10.1097/RCT.0000000000000836.

20. Liu H, Jing B, Han W, et al. A comparative texture analysis based on NECT and CECT images to differentiate lung adenocarcinoma from squamous cell carcinoma. J Med Syst. 2019; 43(3): 59. https://doi.org/10.1007/s10916-019-1175-y.

21. Brunese L, Mercaldo F, Reginelli A, Santone A. Lung cancer detection and characterisation through genomic and radiomic biomarkers. In: 2020 International Joint Conference on Neural Networks. Piscataway. IEEE. 2020; 4408–15. https://doi.org/10.1109/ijcnn48605.2020.9206797.

22. Tomori Y, Yamashiro T, Tomita H, et al. CT radiomics analysis of lung cancers: differentiation of squamous cell carcinoma from adenocarcinoma, a correlative study with FDG uptake. Eur J Radiol. 2020; 128: 109032. https://doi.org/10.1016/j.ejrad.2020.109032.

23. Vuong D, Tanadini-Lang S, Wu Z, et al. Radiomics feature activation maps as a new tool for signature interpretability. Front Oncol. 2020; 10: 578895. https://doi.org/10.3389/fonc.2020.578895.

24. Li H, Gao L, Ma H, et al. Radiomics-based features for prediction of histological subtypes in central lung cancer. Front Oncol. 2021; 11: 658887. https://doi.org/10.3389/fonc.2021.658887.

25. Marentakis P, Karaiskos P, Kouloulias V, et al. Lung cancer histology classification from CT images based on radiomics and deep learning models. Med Biol Eng Comput. 2021; 59(1): 215–26. https://doi.org/10.1007/s11517-020-02302-w.

26. Yamada M, Arimura H, Ninomiya K, Soufi M. Automated classification of histological subtypes of NSCLC using support vector machines with radiomic features. In: International Forum on Medical Imaging in Asia. 2019; 11050: 109–12. https://doi.org/10.1117/12.2521511.

27. Guo Y, Song Q, Jiang M, et al. Histological subtypes classification of lung cancers on CT images using 3D deep learning and radiomics. Acad Radiol. 2021; 28(9): e258–66. https://doi.org/10.1016/j.acra.2020.06.010.

28. Khodabakhshi Z, Mostafaei S, Arabi H, et al. Non-small cell lung carcinoma histopathological subtype phenotyping using high-dimensional multinomial multiclass CT radiomics signature. Comput Biol Med. 2021; 136: 104752. https://doi.org/10.1016/j.compbiomed.2021.104752.

29. Selvam M, Sadanandan A, Chandrasekharan A, et al. Radiomics for differentiating adenocarcinoma and squamous cell carcinoma in non-small cell lung cancer beyond nodule morphology in chest CT. Sci Rep. 2024; 14(1): 32088. https://doi.org/10.1038/s41598-024-83786-6.

30. Liu J, Cui J, Liu F, et al. Multi-subtype classification model for non-small cell lung cancer based on radiomics: SLS model. Med Phys. 2019; 46(7): 3091–100. https://doi.org/10.1002/mp.13551.

31. Wu W, Parmar C, Grossmann P, et al. Exploratory study to identify radiomics classifiers for lung cancer histology. Front Oncol. 2016; 6: 71. https://doi.org/10.3389/fonc.2016.00071.

32. Alvarez-Jimenez C, Sandino AA, Prasanna P, et al. Identifying cross-scale associations between radiomic and pathomic signatures of non-small cell lung cancer subtypes: preliminary results. Cancers. 2020; 12(12): 3663. https://doi.org/10.3390/cancers12123663.

33. Yang F, Chen W, Wei H, et al. Machine learning for histologic subtype classification of non-small cell lung cancer: a retrospective multicenter radiomics study. Front Oncol. 2021; 10: 608598. https://doi.org/10.3389/fonc.2020.608598.

34. Hershman M, Yousefi B, Serletti L, et al. Impact of interobserver variability in manual segmentation of nonsmall cell lung cancer (NSCLC) applying low-rank radiomic representation on computed tomography. Cancers. 2021; 13(23): 5985. https://doi.org/10.3390/cancers13235985.

35. Chen X, Fang M, Dong D, et al. A radiomics signature in preoperative predicting degree of tumor differentiation in patients with non-small cell lung cancer. Acad Radiol. 2018; 25(12): 1548–55. https://doi.org/10.1016/j.acra.2018.02.019.

36. Gharraf HS, Mehana SM, ElNagar MA. Role of CT in differentiation between subtypes of lung cancer; is it possible? Egypt J Bronchol. 2020; 14: 1–7. https://doi.org/10.1186/s43168-020-00027-w.

37. Zhang S (Ed). Diagnostic imaging of lung cancers. Springer; 2024: 3–49. https://doi.org/10.1007/978-981-99-6815-2_1.

38. Tang X, Wu J, Liang J, et al. The value of combined PET/MRI, CT and clinical metabolic parameters in differentiating lung adenocarcinoma from squamous cell carcinoma. Front Oncol. 2022; 12: 991102. https://doi.org/10.3389/fonc.2022.991102.

39. Miles KA. How to use CT texture analysis for prognostication of non-small cell lung cancer. Cancer Imaging. 2016; 16: 10. https://doi.org/10.1186/s40644-016-0065-5.

40. Hassani C, Varghese BA, Nieva J, Duddalwar V. Radiomics in pulmonary lesion imaging. Am J Roentgenol. 2019; 212(3): 497–504. https://doi.org/10.2214/AJR.18.20623.

41. Gillies RJ, Kinahan PE, Hricak H. Radiomics: images are more than pictures, they are data. Radiology. 2016; 278(2): 563–77. https://doi.org/10.1148/radiol.2015151169.

42. Ji Y, Qiu Q, Fu J, et al. Stage-specific PET radiomic prediction model for the histological subtype classification of non-smallcell lung cancer. Cancer Manag Res. 2021; 13: 307–17. https://doi.org/10.2147/CMAR.S287128.

43. Ge G, Zhang J. Feature selection methods and predictive models in CT lung cancer radiomics. J Appl Clin Med Phys. 2023; 24(1): e13869. https://doi.org/10.1002/acm2.13869.

44. Yip SSF, Liu Y, Parmar C, et al. Associations between radiologist-defined semantic and automatically computed radiomic features in non-small cell lung cancer. Sci Rep. 2017; 7(1): 3519. https://doi.org/10.1038/s41598-017-02425-5.

45. Patil R, Mahadevaiah G, Dekker A. An approach toward automatic classification of tumor histopathology of non-small cell lung cancer based on radiomic features. Tomography. 2016; 2(4): 374–7. https://doi.org/10.18383/j.tom.2016.00244.

46. Varghese BA, Cen SY, Hwang DH, Duddalwar VA. Texture analysis of imaging: what radiologists need to know. Am J Roentgenol. 2019; 212(3): 520–8. https://doi.org/10.2214/AJR.18.20624.

47. Wu YJ, Wu FZ, Yang SC, et al. Radiomics in early lung cancer diagnosis: from diagnosis to clinical decision support and education. Diagnostics. 2022; 12(5): 1064. https://doi.org/10.3390/diagnostics12051064.

48. Fornacon-Wood I, Faivre-Finn C, O'Connor JPB, Price GJ. Radiomics as a personalized medicine tool in lung cancer: separating the hope from the hype. Lung Cancer. 2020; 146: 197–208. https://doi.org/10.1016/j.lungcan.2020.05.028.

49. Ganeshan B, Abaleke S, Young RCD, et al. Texture analysis of non-small cell lung cancer on unenhanced computed tomography: initial evidence for a relationship with tumour glucose metabolism and stage. Cancer Imaging. 2010; 10(1): 137–43. https://doi.org/10.1102/1470-7330.2010.0021.

50. Zhao B, Tan Y, Tsai WY, et al. Reproducibility of radiomics for deciphering tumor phenotype with imaging. Sci Rep. 2016; 6(1): 23428. https://doi.org/10.1038/srep23428.

51. Raptis S, Ilioudis C, Theodorou K. Uncovering the diagnostic power of radiomic feature significance in automated lung cancer detection: an integrative analysis of texture, shape, and intensity contributions. BioMedInformatics. 2024; 4(4): 2400–25. https://doi.org/10.3390/biomedinformatics4040129.

52. Han F, Wang H, Zhang G, et al. Texture feature analysis for computer-aided diagnosis on pulmonary nodules. J Digit Imaging. 2015; 28(1): 99–115. https://doi.org/10.1007/s10278-014-9718-8.