Новые текстурные радиомические сигнатуры для неинвазивного прогнозирования статуса мутации EGFR в легочных узелках

Актуальность. Точная идентификация и анализ легочных узелков с помощью компьютерной томографии имеют решающее значение для диагностики рака легких и выявления генетических изменений, таких как мутации рецептора эпидермального фактора роста (еpidermal growth factor receptor, EGFR). Хотя традиционная радиомика стала основой медицинской визуализации, ее прогностическая ценность для определения статуса мутации EGFR остается ограниченной, что требует инновационных подходов для повышения надежности диагностики. Цель: повысить точность прогнозирования статуса мутации EGFR в легочных узелках путем внедрения и интеграции новых текстурных радиомических признаков в традиционный радиомический анализ. Материал и методы. Разработаны три новых радиомических признака: адаптивный контраст текстуры (Adaptive Texture Contrast, ATC), направленная однородность текстуры (Directional Texture Uniformity, DTU) и совместная встречаемость переходов текстуры (Co-occurrence of Texture Transitions, CTT). Они предназначены для выявления сложных текстурных паттернов, связанных с мутациями EGFR. С использованием этих признаков применяется классификационная модель для различения легочных узелков с мутацией EGFR от узелков дикого типа. Результаты. Включение ATC, DTU и CTT в набор радиомических признаков повысило точность классификации на 4%. Метод отбора признаков «минимум избыточности, максимум релевантности» (Minimum Redundancy Maximum Relevance, MRMR) дополнительно подтвердил значимость данных признаков, определив их основной вклад в прогностическую эффективность модели. Заключение. Результаты исследования указывают на потенциал передового анализа текстур в улучшении диагностических возможностей радиомики для классификации легочных узелков. Полученные данные обеспечивают более точное прогнозирование мутаций EGFR, способствуют развитию персонализированной медицины и таргетных стратегий лечения рака легких, подчеркивая важность постоянных инноваций в инженерии признаков.

1. Shariaty F, Pavlov VA, Zavyalov SV, et al. Application of a texture appearance model for segmentation of lung nodules on computed tomography of the chest. Journal of the Russian Universities. Radioelectronics. 2022; 25(3): 96–117 (in Russ.). https://doi.org/10.32603/1993-8985-2022-25-3-96-117. [Шариати Ф., Павлов В.А., Завьялов С.В. и др. Применение модели внешнего вида текстуры для сегментации легочных узлов при компьютерной томографии грудной клетки. Известия высших учебных заведений России. Радиоэлектроника. 2022; 25(3): 96–117. https://doi.org/10.32603/1993-8985-2022-25-3-96-117.]

2. Shariaty F, Pavlov V, Baranov M. AI-driven precision oncology: integrating deep learning, radiomics, and genomic analysis for enhanced lung cancer diagnosis and treatment. Signal Image Video Process. 2025; 19(9): 693. https://doi.org/10.1007/s11760-025-04244-y.

3. Roy SS, Hsu CH, Kagita V. Deep learning applications in image analysis. Springer; 2023: 224 pp. Available at: https://link.springer.com/content/pdf/10.1007/978-981-99-3784-4.pdf (accessed 02.07.2025).

4. Skalunova M, Shariaty F, Rozov S, Radmard AR. Personalized chemotherapy selection for lung cancer patients using machine learning and computed tomography. In: 2023 International Conference on Electrical Engineering and Photonics (EExPolytech); 2023: 128–31. https://doi.org/10.1109/EExPolytech58658.2023.10318700.

5. Shariaty F, Duan L, Pavlov V, et al. A novel gene assay combined with medical imaging for accurate prognosis and prediction of cancer type. In: 2022 International Conference on Electrical Engineering and Photonics (EExPolytech); 2022: 118–21. https://doi.org/10.1109/EExPolytech56308.2022.9950997.

6. Liu Q, Liu X. Feature extraction of human viruses microscopic images using gray level co-occurrence matrix. In: 2013 International Conference on Computer Sciences and Applications, Wuhan, China; 2013: 619–22. https://doi.org/10.1109/CSA.2013.149.

7. Huang W, Luo M, Liu X, et al. Arterial spin labeling images synthesis from sMRI using unbalanced deep discriminant learning. IEEE Transact Med Imaging. 2019; 38(10): 2338–51. https://doi.org/10.1109/TMI.2019.2906677.

8. Augustyniak K, Chrabaszcz K, Smeda M, et al. High-resolution Fourier transform infrared (FT-IR) spectroscopic imaging for detection of lung structures and cancer-related abnormalities in a murine model. Appl Spectrosc. 2022; 76(4): 439–50. https://doi.org/10.1177/00037028211025540.

9. Bakr S, Gevaert O, Echegaray S, et al. A radiogenomic dataset of non-small cell lung cancer. Sci Data. 2018; 5: 180202. https://doi.org/10.1038/sdata.2018.202.

10. NSCLC Radiogenomics. Available at: https://www. cancerimagingarchive.net/collection/nsclc-radiogenomics/ (accessed 02.07.2025).

11. Peli E. Contrast in complex images. J Opt Soc Am A. 1990; 7(10): 2032–40. https://doi.org/10.1364/JOSAA.7.002032.

12. Haralick R, Shanmugam K, Dinstein I. Textural features for image classification. IEEE Transact Syst Man Cybern. 1973; SMC-3(6): 610–21. https://doi.org/10.1109/TSMC.1973.4309314.

13. Ding C, Peng H. Minimum redundancy feature selection from microarray gene expression data. J Bioinform Comput Biol. 2005; 3(2): 185–205. https://doi.org/10.1142/S0219720005001004.

14. Sun L, Dong Y, Xu S, et al. Predicting multi-gene mutation based on lung cancer CT images and Mut-SeResNet. Appl Sci. 2023; 13(3): 1921. https://doi.org/10.3390/app13031921.

15. Mahajan A, Kania V, Agarwal U, et al. Deep-learning-based predictive imaging biomarker model for EGFR mutation status in non-small cell lung cancer from CT imaging. Cancers. 2024; 16(6): 1130. https://doi.org/10.3390/cancers16061130.