Радиомика - Radiomics

В области медицины, радиомика это метод, который извлекает большое количество функций из рентгенографический медицинские изображения с использованием алгоритмов характеристики данных.[1][2][3][4][5] Эти признаки, называемые радиомными признаками, могут раскрыть признаки заболевания, которые не могут быть оценены невооруженным глазом.[6] Гипотеза радиомики заключается в том, что отличительные особенности визуализации между формами заболевания могут быть полезны для прогнозирования прогноза и терапевтического ответа при различных состояниях, что дает ценную информацию для персонализированной терапии.[1][7][8] Радиомика вышла из медицинской области онкология[3][9][10] и является наиболее продвинутым в этой области. Однако этот метод может быть применен к любому медицинскому исследованию, в котором можно визуализировать заболевание или состояние.

Процесс

Получение изображения

Базовые данные изображения, которые используются для характеристики опухолей, предоставляются с помощью технологии медицинского сканирования. Вместо того, чтобы делать снимки, подобные фотоаппарату, при сканировании получаются необработанные объемы данных, которые необходимо дополнительно обработать, чтобы их можно было использовать в медицинских исследованиях. Чтобы получить реальные изображения, которые можно интерпретировать, необходимо использовать инструмент реконструкции.[2]

Существует множество алгоритмов реконструкции, поэтому необходимо учитывать наиболее подходящий алгоритм для каждого случая, поскольку полученные изображения будут отличаться. Это влияет на качество и удобство использования изображений, что, в свою очередь, определяет, насколько легко можно обнаружить отклонение от нормы и насколько хорошо его можно охарактеризовать.

Восстановленные изображения сохраняются в большой базе данных. Общедоступная база данных, к которой имеют доступ все клиники, обеспечивает широкую совместную и кумулятивную работу, в которой все могут извлечь выгоду из растущих объемов данных, в идеале обеспечивая более точный рабочий процесс.

Сегментация изображения

После того, как изображения были сохранены в базе данных, они должны быть уменьшены до основных частей, в данном случае опухолей, которые называются «интересующими объемами».[2]

Из-за большого объема данных изображения, которые необходимо обрабатывать, было бы слишком сложно выполнять сегментацию вручную для каждого отдельного изображения, если создается радиомическая база данных с большим количеством данных. Вместо ручной сегментации необходимо использовать автоматизированный процесс. Возможное решение - автоматические и полуавтоматические алгоритмы сегментации. Прежде чем его можно будет применять в больших масштабах, алгоритм должен получить как можно более высокие баллы в следующих четырех задачах:

  • Во-первых, он должен быть воспроизводимым, а это значит, что при использовании с теми же данными результат не изменится.
  • Еще один важный фактор - постоянство. Алгоритм действительно решает проблему и выполняет задачу, а не делает что-то неважное. В этом случае необходимо, чтобы алгоритм мог обнаруживать пораженную часть на всех разных сканированиях.
  • Алгоритм также должен быть точным. Очень важно, чтобы алгоритм максимально точно выявлял пораженную часть. Только с точными данными можно добиться точных результатов.
  • Второстепенный, но важный момент - это эффективность времени. Результаты должны быть получены как можно быстрее, чтобы можно было ускорить весь процесс радиомики. Незначительный момент в данном случае означает, что, если он находится в определенном кадре, он не так важен, как другие.

Извлечение и квалификация признаков

После сегментации многие особенности могут быть извлечены, и может быть вычислено относительное чистое изменение продольных изображений (дельта-радиомика). Радиомные элементы можно разделить на пять групп: характеристики на основе размера и формы, дескрипторы гистограммы интенсивности изображения, дескрипторы отношений между вокселями изображения (например, матрица совместной встречаемости на уровне серого (GLCM), матрица длин серий (RLM), размерная матрица (SZM) и текстуры, полученные из матрицы разности тонов соседства (NGTDM), текстуры извлекаются из отфильтрованных изображений и фрактальных объектов. Математические определения этих характеристик не зависят от метода визуализации и могут быть найдены в литературе.[11][12][13][14]Подробное описание текстурных характеристик для радиомики можно найти в Parekh, et al., (2016) [4] и Depeursinge et al. (2017).[15]

Из-за его огромного разнообразия необходимо реализовать сокращение функций для устранения избыточной информации. Сотни различных характеристик необходимо оценить с помощью алгоритмов выбора, чтобы ускорить этот процесс. Кроме того, следует исключить функции, которые являются нестабильными и невоспроизводимыми, поскольку функции с низкой точностью могут привести к ложным результатам и неповторимым моделям.[16][17]

Анализ

После выбора функций, важных для нашей задачи, необходимо проанализировать выбранные данные. Перед фактическим анализом необходимо объединить клинические и молекулярные (иногда даже генетические) данные, потому что они имеют большое влияние на то, что можно вывести из анализа. Есть разные методы окончательного анализа данных. Во-первых, различные функции сравниваются друг с другом, чтобы выяснить, есть ли у них какая-либо общая информация, и выявить, что это означает, когда все они возникают одновременно.

Другой способ - это контролируемый или неконтролируемый анализ. Контролируемый анализ использует переменную результата, чтобы иметь возможность создавать модели прогнозирования. Неконтролируемый анализ обобщает имеющуюся у нас информацию и может быть представлен в графическом виде. Так что вывод наших результатов хорошо виден.

Базы данных

Творчество

Для создания интегрированной радиомической базы данных необходимо выполнить несколько шагов. Данные визуализации необходимо экспортировать из клиник. Это уже очень сложный шаг, потому что информация о пациенте очень конфиденциальна и регулируется законами о конфиденциальности, такими как HIPAA. В то же время экспортируемые данные не должны терять свою целостность при сжатии, чтобы база данных включала данные только того же качества. Также важна интеграция клинических и молекулярных данных, и требуется большое хранилище изображений.

Использовать

Цель радиомики - иметь возможность использовать эту базу данных для новых пациентов. Это означает, что нам нужны алгоритмы, которые пропускают новые входные данные через базу данных, которые возвращают результат с информацией о том, как может выглядеть течение болезни пациентов. Например, насколько быстро будет расти опухоль или насколько высоки шансы, что пациент выживет в течение определенного времени, возможны ли отдаленные метастазы и где. Это определяет, как будет выбрано дальнейшее лечение (например, операция, химиотерапия, лучевая терапия или таргетные препараты и т. Д.) И лучшее решение, которое максимизирует выживаемость или улучшение. Алгоритм должен распознавать корреляции между изображениями и элементами, чтобы можно было экстраполировать данные из базы данных на входные данные.

Приложения

Прогнозирование клинических исходов

Aerts et al. (2014)[18] выполнили первое крупномасштабное радиомическое исследование, в котором участвовали три когорты рака легких и две когорты рака головы и шеи, насчитывающие более 1000 пациентов. Они оценили прогностические значения более 400 текстурных, основанных на форме и интенсивности особенностей, извлеченных из компьютерная томография (КТ) изображения, полученные до любого лечения. Объем опухолей определялся либо специалистами-радиологами-онкологами, либо методами полуавтоматической сегментации.[19][20] Их результаты определили подмножество радиомных признаков, которые могут быть полезны для прогнозирования выживаемости пациентов и описания внутриопухолевой гетерогенности. Они также подтвердили, что прогностическая способность этих радиомических свойств может передаваться от рака легких к раку головы и шеи. Однако Parmar et al. (2015)[21] продемонстрировали, что прогностическая ценность некоторых радиомных признаков может зависеть от типа рака. В частности, они заметили, что не все радиомные особенности, которые значительно предсказывали выживание рак легких пациенты могут также предсказать выживаемость рак головы и шеи пациенты и наоборот.

Nasief et al. (2019)[17] показали, что изменения радиомных характеристик с течением времени на продольных изображениях (дельта-радиомные особенности, DRF) потенциально могут быть использованы в качестве биомаркера для прогнозирования ответа на лечение рака поджелудочной железы. Их результаты показали, что нейронная сеть байесовской регуляризации может быть использована для идентификации подмножества DRF, которые продемонстрировали значительные различия между хорошими и плохими респондентами после 2-4 недель лечения с AUC = 0,94. Они также показали (Nasief et al., 2020), что DRF являются независимым предиктором выживаемости и в сочетании с клиническим биомаркером CA19-9 могут улучшить прогнозирование ответа на лечение и увеличить возможность адаптации лечения на основе ответа.[22]

Несколько исследований также показали, что радиомные характеристики лучше позволяют прогнозировать ответ на лечение, чем обычные измерения, такие как объем и диаметр опухоли, а также максимальное поглощение радиометра на позитронно-эмиссионная томография (ПЭТ) визуализация.[23][24][25][26][27][28][29] Используя эту технику, был разработан алгоритм после первоначального обучения, основанный на плотности внутриопухолевых лимфоцитов, для прогнозирования вероятности ответа опухоли на иммунотерапию, обеспечивая демонстрацию клинического потенциала радиомики как мощного средства индивидуализированной терапии в новой области иммуноонкология.[30] Другие исследования также продемонстрировали полезность радиомики для прогнозирования иммунотерапия ответ НМРЛ пациенты, использующие КТ перед лечением[31] и ПЭТ / КТ изображений.[32]

Прогноз

Радиомические исследования показали, что маркеры на основе изображений могут предоставлять информацию, ортогональную стадиям и биомаркерам, и улучшать прогноз.[33][34][35]

Прогнозирование риска отдаленных метастазов

Метастатический потенциал опухолей также можно предсказать по радиомным признакам.[36][37] Например, было идентифицировано тридцать пять радиомных признаков на основе компьютерной томографии, позволяющих прогнозировать отдаленные метастаз рака легких в исследовании Coroller et al. в 2015 году.[36] Таким образом, они пришли к выводу, что радиомные особенности могут быть полезны для выявления пациентов с высоким риском развития отдаленных метастазов, что помогает врачам выбрать эффективное лечение для каждого пациента.

Оценка генетики рака

Опухоль легкого биологические механизмы могут демонстрировать различные и сложные модели изображения.[38][39][1] В частности, Aerts et al. (2014)[1] показали, что радиомные особенности связаны с биологическими наборами генов, такими как фаза клеточного цикла, рекомбинация ДНК, регуляция процессов в иммунной системе и т. д. Более того, различные мутации глиобластомы (GBM), такие как делеция 1p / 19q, метилирование MGMT, TP53, Было показано, что EGFR и NF1 в значительной степени предсказываются объемными измерениями магнитно-резонансной томографии (МРТ), включая объем опухоли, объем некроза и объем, усиливающий контраст.[40][41][42]

Лучевая терапия под визуальным контролем

Преимущество радиомики заключается в том, что она является неинвазивной, и поэтому ее легче повторять проспективно для данного пациента, чем инвазивная биопсия опухоли. Было высказано предположение, что радиомика может быть средством для мониторинга динамических изменений опухоли в ходе лучевой терапии и для определения подверженных риску частичных объемов, для которых может быть полезно повышение дозы.[43][44]

Отличить истинное прогрессирование от радионекроза

Эффект лечения или радиационный некроз после стереотаксической радиохирургии (SRS) по поводу метастазов в головной мозг - обычное явление, часто неотличимое от истинного прогрессирования. Радиомика продемонстрировала значительные различия в 82 пролеченных очагах у 66 пациентов с патологическими исходами. Лучшие радиомные функции, введенные в оптимизированный классификатор IsoSVM, дали чувствительность и специфичность 65,38% и 86,67% соответственно с площадью под кривой 0,81 при перекрестной проверке с исключением одного исключения. Лишь 73% случаев были классифицированы нейрорадиологом с чувствительностью 97% и специфичностью 19%. Эти результаты показывают, что радиомика обещает дифференцировать эффект лечения и истинное прогрессирование метастазов в мозг, подвергшихся лечению SRS.[45]

Прогноз физиологических событий

Радиомика также может использоваться для выявления сложных физиологических явлений, таких как активность мозга, которая обычно изучается с помощью методов визуализации, таких как функциональная МРТ «фМРТ». Необработанные изображения FMRI могут подвергаться радиомическому анализу для создания характеристик изображения, которые впоследствии могут быть сопоставлены со значимой активностью мозга.[46]

Многопараметрическая радиомика

Многопараметрическая радиологическая визуализация жизненно важна для обнаружения, характеристики и диагностики многих различных заболеваний. Тем не мение, современные методы в радиомике ограничены с использованием отдельных изображений для извлечения этих текстурных особенностей и может ограничить применимый объем радиомики в различных клинических условиях. Таким образом, в нынешней форме они не способны фиксировать истинные характеристики подлежащей ткани в многомерном многопараметрическом пространстве визуализации.

Недавно была разработана радиомная структура многопараметрической визуализации, названная MPRAD, для извлечения радиомных особенностей из высокоразмерных наборов данных.[47] Многопараметрическая радиомика была протестирована на двух различных органах и заболеваниях; рак груди и цереброваскулярные нарушения в мозге, обычно называемые инсультом.

Рак молочной железы

При раке молочной железы структура MPRAD классифицирует злокачественные новообразования груди от доброкачественных поражений с превосходной чувствительностью и специфичностью 87% и 80,5% соответственно с AUC 0,88. MPRAD обеспечил увеличение AUC на 9% -28% по сравнению с отдельными радиомными параметрами. Что еще более важно, в молочной железе MPRAD нормальной железистой ткани были одинаковыми в каждой группе без существенных различий.[47]

Гладить

Точно так же функции MPRAD при мозговом инсульте продемонстрировали повышенную эффективность в различении несоответствия перфузии-диффузии по сравнению с радиомикой с одним параметром, и не было никаких различий в тканях белого и серого вещества.[47] Большинство одиночных радиомных признаков второго порядка (GLCM) не показали каких-либо существенных текстурных различий между инфарктной тканью и тканью риска на карте ADC. В то время как те же самые многопараметрические радиомные характеристики второго порядка (TSPM) существенно различались для набора данных DWI. Точно так же многопараметрические радиомные значения для наборов данных TTP и PWI продемонстрировали отличные результаты для MPRAD. Энтропия MPRAD TSPM показала значительную разницу между тканью, пораженной инфарктом, и тканью, потенциально подверженной риску: (6,6 ± 0,5 против 8,4 ± 0,3, p = 0,01).

Смотрите также

Рекомендации

  1. ^ а б c d Lambin P, Rios-Velazquez E, Leijenaar R, Carvalho S, van Stiphout RG, Granton P, et al. (Март 2012 г.). «Радиомика: извлечение дополнительной информации из медицинских изображений с помощью расширенного анализа функций». Европейский журнал рака. 48 (4): 441–6. Дои:10.1016 / j.ejca.2011.11.036. ЧВК  4533986. PMID  22257792.
  2. ^ а б c Кумар В., Гу И, Басу С., Берглунд А., Эшрих С.А., Шабат М.Б. и др. (Ноябрь 2012 г.). «Радиомика: процесс и проблемы». Магнитно-резонансная томография. 30 (9): 1234–48. Дои:10.1016 / j.mri.2012.06.010. ЧВК  3563280. PMID  22898692.
  3. ^ а б Гиллис Р.Дж., Кинахан П.Е., Хрикак Х. (февраль 2016 г.). «Радиомика: изображения - это больше, чем изображения, они - данные». Радиология. 278 (2): 563–77. Дои:10.1148 / радиол.2015151169. ЧВК  4734157. PMID  26579733.
  4. ^ а б Парех В, Якобс МА (2016). «Радиомика: новое применение устоявшихся методик». Экспертный обзор точной медицины и разработки лекарств. 1 (2): 207–226. Дои:10.1080/23808993.2016.1164013. ЧВК  5193485. PMID  28042608.
  5. ^ Ип С.С., Аэртс Х.Д. (июль 2016 г.) «Применение и ограничения радиомики». Физика в медицине и биологии. 61 (13): R150-66. Bibcode:2016PMB .... 61R.150Y. Дои:10.1088 / 0031-9155 / 61/13 / R150. ЧВК  4927328. PMID  27269645.
  6. ^ Ип С.С., Лю Й., Пармар Ч., Ли Кью, Лю С., Цюй Ф и др. (Июнь 2017 г.). «Связь между семантическими и автоматически вычисляемыми радиомными признаками немелкоклеточного рака легкого». Научные отчеты. 7 (1): 3519. Bibcode:2017НатСР ... 7.3519Y. Дои:10.1038 / s41598-017-02425-5. ЧВК  5471260. PMID  28615677.
  7. ^ Чиклор С., Го В., Сиддик М., Рой А., Марсден П. К., Кук Г. Дж. (Январь 2013 г.). «Количественная оценка неоднородности опухоли в 18F-FDG ПЭТ / КТ визуализации с помощью анализа текстуры». Европейский журнал ядерной медицины и молекулярной визуализации. 40 (1): 133–40. Дои:10.1007 / s00259-012-2247-0. PMID  23064544.
  8. ^ Кук Г.Дж., Сиддик М., Тейлор Б.П., Ип С., Чиклор С., Го В. (2014). «Радиомика в ПЭТ: принципы и приложения». Клиническая и трансляционная визуализация. 2 (3): 269–276. Дои:10.1007 / s40336-014-0064-0.
  9. ^ Парех В.С., Джейкобс М.А. (14.11.2017). «Интегрированная радиомная структура для рака груди и биологии опухолей с использованием передового машинного обучения и многопараметрической МРТ». NPJ рака груди. 3 (1): 43. Дои:10.1038 / s41523-017-0045-3. ЧВК  5686135. PMID  29152563.
  10. ^ Парех В.С., Джейкобс М.А. (04.03.2019). «Глубокое обучение и радиомика в точной медицине». Экспертный обзор точной медицины и разработки лекарств. 4 (2): 59–72. Дои:10.1080/23808993.2019.1585805. ЧВК  6508888. PMID  31080889.
  11. ^ Галлоуэй, Мэри М (1975). «Анализ текстуры с использованием длин серого уровня». Компьютерная графика и обработка изображений. 4 (2): 172–179. Дои:10.1016 / S0146-664X (75) 80008-6.
  12. ^ Pentland AP (июнь 1984 г.). «Фрактальное описание природных сцен». IEEE Transactions по анализу шаблонов и машинному анализу. 6 (6): 661–74. Дои:10.1109 / TPAMI.1984.4767591. PMID  22499648.
  13. ^ Амадасун М., Король Р. (1989). «Текстурные особенности, соответствующие текстурным свойствам». IEEE Transactions по системам, человеку и кибернетике. 19 (5): 1264–1274. Дои:10.1109/21.44046.
  14. ^ Тибо Дж., Ангуло Дж., Мейер Ф. (март 2014 г.). «Расширенные статистические матрицы для описания текстуры: приложение к классификации клеток». IEEE Transactions по биомедицинской инженерии. 61 (3): 630–7. Дои:10.1109 / TBME.2013.2284600. PMID  24108747.
  15. ^ Ранджбар С., Митчелл Дж. Р. (2017). «Введение в радиомику: развивающийся краеугольный камень точной медицины». Биомедицинский анализ текстуры. С. 223–245. Дои:10.1016 / B978-0-12-812133-7.00008-9. ISBN  9780128121337.
  16. ^ Тунали, Ильке; Холл, Лоуренс О .; Napel, Sandy; Черезов Дмитрий; Гувенис, Альберт; Гиллис, Роберт Дж .; Шабат, Мэтью Б. (23 сентября 2019 г.). «Стабильность и воспроизводимость радиомных характеристик компьютерной томографии, выделенных из перитуморальных областей поражений раком легкого». Медицинская физика. 46 (11): 5075–5085. Дои:10.1002 / mp.13808. ЧВК  6842054. PMID  31494946.
  17. ^ а б Насиф, Хейди; Чжэн, Ченг; Шотт, Дайан; Холл, Уильям; Цай, Сьюзен; Эриксон, Бет; Аллен Ли, X. (4 октября 2019 г.). "Процесс дельта-радиомики на основе машинного обучения для раннего прогнозирования реакции на лечение рака поджелудочной железы". NPJ Precision Oncology. 3 (1): 25. Дои:10.1038 / s41698-019-0096-z. ЧВК  6778189. PMID  31602401.
  18. ^ Aerts HJ, Velazquez ER, Leijenaar RT, Parmar C, Grossmann P, Carvalho S, Bussink J, Monshouwer R, Haibe-Kains B., Rietveld D, et al. (Июнь 2014 г.). «Расшифровка фенотипа опухоли с помощью неинвазивной визуализации с использованием количественного радиомического подхода». Nat Commun. 5: 4006. Bibcode:2014 НатКо ... 5.4006A. Дои:10.1038 / ncomms5006. ЧВК  4059926. PMID  24892406.
  19. ^ Гу И, Кумар В., Холл ЛО, Гольдгоф Д.Б., Ли Ц.Й., Корн Р. и др. (Март 2013 г.). «Автоматическое выделение опухолей легких по изображениям компьютерной томографии с использованием подхода ансамблевой сегментации в один клик». Распознавание образов. 46 (3): 692–702. Дои:10.1016 / j.patcog.2012.10.005. ЧВК  3580869. PMID  23459617.
  20. ^ Velazquez ER, Parmar C, Jermoumi M, Mak RH, van Baardwijk A, Fennessy FM и др. (Декабрь 2013). «Объемная сегментация НМРЛ на основе компьютерной томографии с использованием 3D-Slicer». Научные отчеты. 3: 3529. Bibcode:2013НатСР ... 3Э3529В. Дои:10.1038 / srep03529. ЧВК  3866632. PMID  24346241.
  21. ^ Пармар С., Лейенаар Р. Т., Гроссманн П., Риос Веласкес Е., Бассинк Дж., Ритвельд Д. и др. (Июнь 2015 г.). «Группы рентгенологических признаков и прогностические признаки, характерные для рака легких, головы и шеи». Научные отчеты. 5: 11044. Bibcode:2015НатСР ... 511044П. Дои:10.1038 / srep11044. ЧВК  4937496. PMID  26251068.
  22. ^ Насиф, Хейди; Холл, Уильям; Чжэн, Ченг; Цай, Сьюзен; Ван, Лян; Эриксон, Бет; Ли, X. Аллен (8 января 2020 г.). «Улучшение прогноза ответа на лечение для химиолучевой терапии рака поджелудочной железы с использованием комбинации дельта-радиомики и клинического биомаркера CA19-9». Границы онкологии. 9: 1464. Дои:10.3389 / fonc.2019.01464. ЧВК  6960122. PMID  31970088.
  23. ^ Tixier F, Le Rest CC, Hatt M, Albarghach N, Pradier O, Metges JP и др. (Март 2011 г.). «Внутриопухолевая гетерогенность, характеризующаяся структурными особенностями на исходных изображениях ПЭТ с 18F-FDG, позволяет прогнозировать ответ на сопутствующую радиохимиотерапию при раке пищевода». Журнал ядерной медицины. 52 (3): 369–78. Дои:10.2967 / jnumed.110.082404. ЧВК  3789272. PMID  21321270.
  24. ^ Hatt M, Majdoub M, Vallières M, Tixier F, Le Rest CC, Groheux D и др. (Январь 2015 г.). «Характеристика поглощения 18F-FDG ПЭТ посредством анализа текстуры: исследование комплементарного характера гетерогенности и функционального объема опухоли в когорте пациентов с множественным раком». Журнал ядерной медицины. 56 (1): 38–44. Дои:10.2967 / jnumed.114.144055. PMID  25500829.
  25. ^ ван Россум П.С., Фрид Д.В., Чжан Л., Хофстеттер В.Л., ван Вулпен М., Мейер Г.Дж. и др. (Май 2016). «Дополнительная ценность субъективной и количественной оценки ПЭТ с 18F-FDG для прогнозирования полного патологического ответа на предоперационную химиолучевую терапию при раке пищевода». Журнал ядерной медицины. 57 (5): 691–700. Дои:10.2967 / jnumed.115.163766. PMID  26795288.
  26. ^ Ип СС, Короллер Т.П., Сэнфорд Н.Н., Мамон Х., Аэртс Х.Дж., Бербеко Р.И. (2016). «Взаимосвязь между временными изменениями в текстурных характеристиках, основанных на позитронно-эмиссионной томографии, с патологическим ответом и выживаемостью у больных раком пищевода». Границы онкологии. 6: 72. Дои:10.3389 / fonc.2016.00072. ЧВК  4810033. PMID  27066454.
  27. ^ Чжан Х., Тан С., Чен В., Клигерман С., Ким Дж., Д'Суза В.Д. и др. (Январь 2014). «Моделирование патологического ответа рака пищевода на химиолучевую терапию с использованием пространственно-временных характеристик 18F-FDG PET, клинических параметров и демографии». Международный журнал радиационной онкологии, биологии, физики. 88 (1): 195–203. Дои:10.1016 / j.ijrobp.2013.09.037. ЧВК  3875172. PMID  24189128.
  28. ^ Cheng NM, Fang YH, Lee LY, Chang JT, Tsan DL, Ng SH и др. (Март 2015 г.). «Неоднородность размера зоны региональных структурных особенностей 18F-FDG PET позволяет прогнозировать выживаемость пациентов с раком ротоглотки». Европейский журнал ядерной медицины и молекулярной визуализации. 42 (3): 419–28. Дои:10.1007 / s00259-014-2933-1. PMID  25339524.
  29. ^ Кук Г.Дж., Ип С., Сиддик М., Го В., Чиклор С., Рой А. и др. (Январь 2013). «Связаны ли структурные особенности опухоли с 18F-FDG PET при немелкоклеточном раке легкого с ответом и выживаемостью после химиолучевой терапии?». Журнал ядерной медицины. 54 (1): 19–26. Дои:10.2967 / jnumed.112.107375. PMID  23204495.
  30. ^ Сан Р., Лимкин Э. Дж., Вакалопулу М., Деркль Л., Шампиат С., Хан С. Р. и др. (Сентябрь 2018 г.). «Радиомический подход для оценки инфильтрирующих опухоль клеток CD8 и ответа на иммунотерапию анти-PD-1 или анти-PD-L1: визуализирующий биомаркер, ретроспективное многокомпонентное исследование». Ланцет. Онкология. 19 (9): 1180–1191. Дои:10.1016 / S1470-2045 (18) 30413-3. PMID  30120041.
  31. ^ Тунали И., Грей Дж. Э., Ци Дж., Абдалла М., Чон Д. К., Гувенис А., Гиллис Р. Дж., Гиллис Р. Дж. (Январь 2019 г.). "Новые клинические и радиологические предикторы фенотипов быстрого прогрессирования заболевания среди пациентов с раком легких, получавших иммунотерапию: ранний отчет". Рак легких. 129: 75–79. Дои:10.1016 / j.lungcan.2019.01.010. ЧВК  6450086. PMID  30797495.
  32. ^ Му В, Тунали И., Грей Дж. Э., Ци Дж., Гиллис Р.Дж., Гиллис Р.Дж. (декабрь 2019 г.). «Радиомика 18F-FDG изображений ПЭТ / КТ предсказывает клиническую пользу пациентов с запущенным НМРЛ при иммунотерапии блокадой контрольных точек». Eur J Nucl Med Mol Imaging. 47 (5): 1168–1182. Дои:10.1007 / s00259-019-04625-9. PMID  31807885.
  33. ^ Aerts HJ, Velazquez ER, Leijenaar RT, Parmar C, Grossmann P, Carvalho S, Bussink J, Monshouwer R, Haibe-Kains B., Rietveld D, et al. (Июнь 2014 г.). «Расшифровка фенотипа опухоли с помощью неинвазивной визуализации с использованием количественного радиомического подхода». Nat Commun. 5: 4006. Bibcode:2014 НатКо ... 5.4006A. Дои:10.1038 / ncomms5006. ЧВК  4059926. PMID  24892406.
  34. ^ Tunali I, Stringfield O, Guvenis A, Wang H, Liu Y и др. (Август 2017 г.). «Радиальный градиент и радиальное отклонение от предоперационных компьютерных томографов связаны с выживаемостью среди пациентов с аденокарциномой легких». Oncotarget. 8 (56): 96013–96026. Дои:10.18632 / oncotarget.21629. ЧВК  5707077. PMID  29221183.
  35. ^ Хуанг П., Пак С., Ян Р., Ли Дж., Чу Л.К., Лин К.Т., Хуссен А., Ратмелл Дж., Томас Б., Чен С. и др. (Сен 2018). «Дополнительные преимущества компьютерных компьютерных томографов для ранней диагностики рака легкого с небольшими легочными узлами: согласованное исследование случай-контроль». Радиология. 286 (1): 286–295. Дои:10.1148 / радиол.2017162725. ЧВК  5779085. PMID  28872442.
  36. ^ а б Короллер Т.П., Гроссманн П., Хоу Й., Риос Веласкес Э., Лейенаар Р.Т., Германн Г. и др. (Март 2015 г.). «Радиомная сигнатура на основе КТ предсказывает отдаленные метастазы в аденокарциному легкого». Лучевая терапия и онкология. 114 (3): 345–50. Дои:10.1016 / j.radonc.2015.02.015. ЧВК  4400248. PMID  25746350.
  37. ^ Валлиер М., Фриман С.Р., Скамене С.Р., Эль-Нака I (июль 2015 г.). «Радиомическая модель на основе совместных функций FDG-PET и МРТ текстуры для прогнозирования метастазов в легкие в саркомах мягких тканей конечностей». Физика в медицине и биологии. 60 (14): 5471–96. Bibcode:2015ПМБ .... 60,5471В. Дои:10.1088/0031-9155/60/14/5471. PMID  26119045.
  38. ^ Риос Веласкес Е., Пармар С., Лю Й., Короллер Т.П., Круз Дж., Стрингфилд О. и др. (Июль 2017 г.). «Соматические мутации управляют отчетливыми визуализирующими фенотипами при раке легких». Исследования рака. 77 (14): 3922–3930. Дои:10.1158 / 0008-5472.CAN-17-0122. ЧВК  5528160. PMID  28566328.
  39. ^ Ип С.С., Ким Дж., Короллер Т.П., Пармар С., Веласкес Э.Р., Хьюн Э. и др. (Апрель 2017 г.). «Связь между соматическими мутациями и фенотипами метаболической визуализации при немелкоклеточном раке легкого». Журнал ядерной медицины. 58 (4): 569–576. Дои:10.2967 / jnumed.116.181826. ЧВК  5373502. PMID  27688480.
  40. ^ Браун Р., Златеску М., Сиджбен А., Ролдан Г., Иасоу Дж., Форсайт П. и др. (Апрель 2008 г.). «Использование магнитно-резонансной томографии для неинвазивного обнаружения генетических признаков олигодендроглиомы». Клинические исследования рака. 14 (8): 2357–62. Дои:10.1158 / 1078-0432.CCR-07-1964. PMID  18413825.
  41. ^ Drabycz S, Roldán G, de Robles P, Adler D, McIntyre JB, Magliocco AM и др. (Январь 2010 г.). «Анализ текстуры изображения, расположения опухоли и метилирования промотора MGMT в глиобластоме с использованием магнитно-резонансной томографии». NeuroImage. 49 (2): 1398–405. Дои:10.1016 / j.neuroimage.2009.09.049. PMID  19796694.
  42. ^ Гутман Д.А., Данн В.Д., Гроссманн П., Купер Л.А., Холдер С.А., Лигон К.Л. и др. (Декабрь 2015 г.). «Соматические мутации, связанные с объемными особенностями глиобластомы, полученными на МРТ». Нейрорадиология. 57 (12): 1227–37. Дои:10.1007 / s00234-015-1576-7. ЧВК  4648958. PMID  26337765.
  43. ^ Сан Р., Орлхак Ф., Роберт С., Реузе С., Шернберг А., Буват И. и др. (Август 2016 г.). «Относительно Маттонена и др.». Международный журнал радиационной онкологии, биологии, физики. 95 (5): 1544–1545. Дои:10.1016 / j.ijrobp.2016.03.038. PMID  27479727.
  44. ^ Ип С.С., Короллер Т.П., Сэнфорд Н.Н., Хьюнь Э., Мамон Х., Аэртс Х.Дж., Бербеко Р.И. (январь 2016 г.).«Использование распространения контура на основе регистрации в анализе текстуры для прогнозирования патологического ответа рака пищевода». Физика в медицине и биологии. 61 (2): 906–22. Bibcode:2016ПМБ .... 61..906л. Дои:10.1088/0031-9155/61/2/906. PMID  26738433.
  45. ^ Пэн Л., Парех В., Хуанг П., Линь Д.Д., Шейх К., Бейкер Б. и др. (Ноябрь 2018 г.). «Отличить истинное прогрессирование от радионекроза после стереотаксической лучевой терапии метастазов в мозг с помощью машинного обучения и радиомики». Международный журнал радиационной онкологии, биологии, физики. 102 (4): 1236–1243. Дои:10.1016 / j.ijrobp.2018.05.041. ЧВК  6746307. PMID  30353872.
  46. ^ Hassan I, Kotrotsou A, Bakhtiari AS, Thomas GA, Weinberg JS, Kumar AJ, et al. (Май 2016). «Картирование радиационного анализа текстуры предсказывает области истинной функциональной активности МРТ». Научные отчеты. 6: 25295. Bibcode:2016НатСР ... 625295H. Дои:10.1038 / srep25295. ЧВК  4858648. PMID  27151623.
  47. ^ а б c Парех В.С., Джейкобс М.А. (2018-09-25). "MPRAD: Многопараметрическая радиомическая структура". Исследования и лечение рака груди. 180 (2): 407–421. arXiv:1809.09973. Bibcode:2018arXiv180909973P. Дои:10.1007 / s10549-020-05533-5. ЧВК  7066290. PMID  32020435.