Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Mô hình chẩn đoán trong ung thư vòm họng dựa trên đặc trưng hình ảnh PET/MRI và các tham số bán định lượng
Tóm tắt
Việc phân giai đoạn ung thư vòm họng (NPC) có giá trị lớn trong điều trị và tiên lượng. Chúng tôi đã khám phá xem liệu một mô hình toàn diện dựa trên PET/MRI với các đặc trưng hình ảnh radiomics và các tham số bán định lượng có hữu ích cho việc đánh giá lâm sàng về giai đoạn của NPC hay không. Tổng cộng có 100 bệnh nhân NPC được chẩn đoán mắc carcinoma không biệt hóa không sừng hóa được chia thành nhóm giai đoạn đầu (I—II) và nhóm giai đoạn tiến triển (III—IV) và chia thành tập huấn luyện (n = 70) và tập kiểm tra (n = 30). Các đặc trưng radiomics (n = 396 × 2) của vị trí chính của NPC được trích xuất từ hình ảnh MRI và PET tương ứng. Ba tham số chính bán định lượng của vị trí chính bao gồm giá trị hấp thụ tối đa chuẩn hóa (SUVmax), thể tích khối u chuyển hóa (MTV), và tổng lượng glycat của tổn thương (TLG) ở tất cả các bệnh nhân NPC đã được đo lường. Sau khi lựa chọn đặc trưng, ba mô hình chẩn đoán bao gồm mô hình radiomics, mô hình tham số chuyển hóa, và mô hình kết hợp đã được thiết lập bằng cách sử dụng mô hình hồi quy logistic. Cuối cùng, xác thực nội bộ được thực hiện và một nomogram cho chẩn đoán toàn diện NPC đã được tạo ra. Mô hình radiomics và mô hình tham số chuyển hóa cho thấy diện tích dưới đường cong (AUC) lần lượt là 0.83 và 0.80 trong tập kiểm tra. Mô hình kết hợp dựa trên radiomics và các tham số bán định lượng cho thấy AUC là 0.90 trong tập kiểm tra, với hiệu suất tốt nhất trong ba mô hình. Mô hình kết hợp dựa trên radiomics PET/MRI và các tham số bán định lượng có giá trị lớn trong việc đánh giá giai đoạn lâm sàng (nhóm giai đoạn đầu và nhóm giai đoạn tiến triển) của NPC.
Từ khóa
#ung thư vòm họng #PET/MRI #radiomics #tham số bán định lượng #mô hình chẩn đoánTài liệu tham khảo
Lee HM, Okuda KS, González FE, Patel V: Current perspectives on nasopharyngeal carcinoma; 2019.
Bray F, Ferlay J, Soerjomataram I, Siegel RL, Torre LA, Jemal A. Global cancer statistics 2018: GLOBOCAN estimates of incidence and mortality worldwide for 36 cancers in 185 countries. CA Cancer J Clin. 2018;68(6):394–424.
Orlhac F, Soussan M, Maisonobe J, Garcia C, Vanderlinden B, Buvat I. Tumor texture analysis in 18F-FDG PET: relationships between texture parameters, histogram indices, standardized uptake values, metabolic volumes, and total lesion glycolysis. J Nucl Med. 2014;55(3):414–22.
Lin HC, Chan SC, Cheng NM, Liao CT, Yen TC. Pretreatment 18F-FDG PET/CT texture parameters provide complementary information to Epstein-Barr virus DNA titers in patients with metastatic nasopharyngeal carcinoma. Oral Oncol. 2020;104: 104628.
Ren YY, Li YC, Wu HB, Wang QS, Han YJ, Zhou WL, Li HS. Whole-body 18F-FDG PET/CT for M staging in the patient with newly diagnosed nasopharyngeal carcinoma: Who needs? Eur J Radiol. 2017;89:200–7.
Gu B, Zhang J, Ma G, Song S, Shi L, Zhang Y, Yang Z. Establishment and validation of a nomogram with intratumoral heterogeneity derived from (18)F-FDG PET/CT for predicting individual conditional risk of 5-year recurrence before initial treatment of nasopharyngeal carcinoma. BMC Cancer. 2020;20(1):37.
Çelebi F, Yaghouti K, Cindil E, Dogusoy GB, Balcı C: The role of 18F-FDG PET/MRI in the assessment of primary intrahepatic neoplasms. Acad Radiol 2020.
Cheng SH, Liu D, Hou B, Hu Y, Huo L, Xing H, Xue HD, PET-MR imaging and mr texture analysis in the diagnosis of pancreatic cysts: a prospective preliminary study. Acad Radiol 2019.
Cheng Y, Bai L, Shang J, Tang Y, Ling X, Guo B, Gong J, Wang L, Xu H. Preliminary clinical results for PET/MR compared with PET/CT in patients with nasopharyngeal carcinoma. Oncol Rep. 2020;43(1):177–87.
Chan SC, Yeh CH, Yen TC, Ng SH, Chang TC, Lin CY, Yen-Ming T, Fan KH, Huang BS, Hsu CL: Clinical utility of simultaneous whole-body 18F-FDG PET/MRI as a single-step imaging modality in the staging of primary nasopharyngeal carcinoma. Eur J Nucl Med Mol Imaging 2018.
Coppola F, Faggioni L, Gabelloni M, De Vietro F, Mendola V, Cattabriga A, Cocozza MA, Vara G, Piccinino A, Lo Monaco S, et al. Human, all too human? An all-around appraisal of the “artificial intelligence revolution” in medical imaging. Front Psychol. 2021;12: 710982.
Gillies RJ, Kinahan PE, Hricak H. Radiomics: images are more than pictures, they are data. Radiology. 2016;278(2):563–77.
Mak RH, Lee SW, Aerts HJW, Radiomic phenotype features predict pathological response in non-small cell lung cancer. Radiother Oncol J Eur Soc Therapeut Radiol Oncol 2016.
Alongi P, Stefano A, Comelli A, Laudicella R, Scalisi S, Arnone G, Barone S, Spada M, Purpura P, Bartolotta TV, et al. Radiomics analysis of 18F-Choline PET/CT in the prediction of disease outcome in high-risk prostate cancer: an explorative study on machine learning feature classification in 94 patients. Eur Radiol. 2021;31(7):4595–605.
Chaddad A, Kucharczyk MJ, Daniel P, Sabri S, Jean-Claude BJ, Niazi T, Abdulkarim B. Radiomics in glioblastoma: current status and challenges facing clinical implementation. Front Oncol. 2019;9:374.
Huang Y-Q, Liang C-h, He L, Tian J, Liang C-S, Chen X, Ma Z-l, Liu Z-Y: Development and validation of a radiomics nomogram for preoperative prediction of lymph node metastasis in colorectal cancer. Sci Found China 2016
Stefano A, Comelli A, Bravata V, Barone S, Daskalovski I, Savoca G, Sabini MG, Ippolito M, Russo G. A preliminary PET radiomics study of brain metastases using a fully automatic segmentation method. BMC Bioinformatics. 2020;21(Suppl 8):325.
Yu TT, Lam SK, To LH, Tse KY, Cai J. Pretreatment prediction of adaptive radiation therapy eligibility using MRI-based radiomics for advanced nasopharyngeal carcinoma patients. Front Oncol. 2019;9:1050.
Zhao L, Gong J, Xi Y, Xu M, Li C, Kang X, Yin Y, Qin W, Yin H, Shi M: MRI-based radiomics nomogram may predict the response to induction chemotherapy and survival in locally advanced nasopharyngeal carcinoma. 2019.
Yang P, Xu L, Cao Z, Wan Y, Niu T: Extracting and selecting robust radiomic features from PET/MR images in nasopharyngeal carcinoma. Mol Imaging Biol 2020.
Amin MB, Greene FL, Edge SB, Compton CC, Gershenwald JE, Brookland RK, Meyer LR, Gress DM, Byrd DR, Winchester DP, The eighth edition AJCC cancer staging manual: continuing to build a bridge from a population‐based to a more “personalized” approach to cancer staging. CA Cancer J Clin 2017, 67(2):93–99
Burri RJ, Rangaswamy B, Kostakoglu L, Hoch B, Genden EM, Som PM, Kao J. Correlation of positron emission tomography standard uptake value and pathologic specimen size in cancer of the head and neck. Int J Radiat Oncol Biol Phys. 2008;71(3):682–8.
Feng Q, Liang J, Wang L, Niu J, Ge X, Pang P, Ding Z. Radiomics analysis and correlation with metabolic parameters in nasopharyngeal carcinoma based on PET/MR imaging. Front Oncol. 2020;10:1619.
Hung TM, Wang HM, Kang CJ, Huang SF, Liao CT, Chan SC, Ng SH, Chen IH, Lin CY, Fan KH. Pretreatment 18F-FDG PET standardized uptake value of primary tumor and neck lymph nodes as a predictor of distant metastasis for patients with nasopharyngeal carcinoma. Oral Oncol. 2013;49(2):169–74.
Gabelloni M, Faggioni L, Neri E. Imaging biomarkers in upper gastrointestinal cancers. BJR Open. 2019;1(1):20190001.
Segal E, Sirlin CB, Ooi C, Adler AS, Gollub J, Chen X, Chan BK, Matcuk GR, Barry CT, Chang HY. Decoding global gene expression programs in liver cancer by noninvasive imaging. Nat Biotechnol. 2007;25(6):675.
Yang KX, Tian JF, Zhang B, Li M, Xie WJ, Zou YT, Tan QY, Liu LH, Zhu JB, Shou A, Li GJ. A multidimensional nomogram combining overall stage, dose volume histogram parameters and radiomics to predict progression-free survival in patients with locoregionally advanced nasopharyngeal carcinoma. Oral Oncol. 2019;98:85–91.
Zhang S, Zhang B, Tian J, Dong D, Gu DS, Dong YH, Zhang L, Lian ZY, Liu J, Luo XN: Radiomics features of multiparametric MRI as novel prognostic factors in advanced nasopharyngeal carcinoma. Clin Cancer Res 2017:clincanres.2910.2016.
Rundo L, Stefano A, Militello C, Russo G, Sabini MG, D’Arrigo C, Marletta F, Ippolito M, Mauri G, Vitabile S, et al. A fully automatic approach for multimodal PET and MR image segmentation in gamma knife treatment planning. Comput Methods Programs Biomed. 2017;144:77–96.