П.В. Бочкарёв¹, И.А. Кузнецов², Е.С. Сирота³

1–3 ФГБУН Центр информационных технологий в проектировании РАН (г. Одинцово, Московск. обл., Россия)

3 Институт урологии и репродуктивного здоровья человека 

Первый МГМУ им. И.М. Сеченова Минздрава России (Сеченовский Университет) (Москва, Россия)

Постановка проблемы. В ретроспективном исследовании рассматриваются возможности использования радиомики у пациентов с локализованными новообразованиями паренхимы почки, позволяющей извлекать, анализировать и интерпретировать количественные характеристики 3D-моделей патологического процесса. Визуальный анализ DICOM данных мультиспиральной компьютерной томографии (МСКТ) с контрастированием не позволяет в полном объёме идентифицировать морфологическую природу опухоли почки. Представлены количественные характеристики текстурного анализа у пациентов с доброкачественными и злокачественными новообразованиями паренхимы почки.

Цель работы – определение фенотипа изображения доброкачественных и злокачественных локализованных новообразований паренхимы почки с использованием текстурного анализа 3D-моделей патологического процесса.

Результаты. Получены данные, описывающие паттерны для трех морфологических форм рака (светлоклеточный, папиллярный, хромофобный) и двух доброкачественных опухолей (ангиомиолипома, онкоцитома) паренхимы почки.

Практическая значимость. Использование полученных фенотипов изображений новообразований паренхимы почки для неинвазивной диагностики морфологии на основе текстурного анализа 3D-моделей патологического процесса у пациентов с локализованными новообразованиями паренхимы почки.

Бочкарёв П.В., Кузнецов И.А., Сирота Е.С. Возможности текстурного анализа 3D-моделей опухоли у пациентов с локализованными новообразованиями паренхимы почки (пилотное исследование) // Технологии живых систем. 2021. T. 18. № 2. С. 23–30. DOI: https://doi.org/10.18127/j20700997-202102-03

1. Коротаева А.А., Апанович Н.В., Брага Э.А., Матвеев В.Б., Карпухин А.В. Современные достижения в иммунотерапии рака почки. 2019. Т. 15. № 4. С. 30–38. DOI: 10.17650/1726
2. Ouzaid I. Kidney cancer. Prog. en Urol. – FMC. 2017. V. 22. № 6. P. F43–F45. DOI: 10.1016/j.fpurol.2017.04.004
3. Johnson D.C. et al. Preoperatively misclassified, surgically removed benign renal masses: a systematic review of surgical series and United States population level burden estimate. J. Urol. 2015. V. 193. № 1. Р. 30–35. DOI: 10.1016/j.juro.2014.07.102
4. Hollingsworth J.M., Miller D.C., Daignault S., Hollenbeck B.K. Rising incidence of small renal masses: a need to reassess treatment effect. J. Natl. Cancer Inst. 2006. V. 98. № 18. Р. 1331–1334. DOI: 10.1093/jnci/djj362
5. Decastro G.J., McKiernan J.M. Epidemiology, clinical staging, and presentation of renal cell carcinoma. Urol. Clin. North Am. 2008. V. 35. № 4. P. 581–592. DOI: 10.1016/j.ucl.2008.07.005
6. Frank I., Blute M.L., Cheville J.C., Lohse C.M., Weaver A.L., Zincke H. Solid renal tumors: an analysis of pathological features related to tumor size. J. Urol. 2003. V. 170. № 6. Pt 1. P. 2217–2220. DOI: 10.1097/01.ju.0000095475.12515.5e
7. Liu Z. et al. The applications of radiomics in precision diagnosis and treatment of oncology: Opportunities and challenges. Theranostics. 2019. V. 9. № 5. P. 1303–1322. DOI: 10.7150/thno.30309
8. Gill T.S. et al. Juxtatumoral perinephric fat analysis in clear cell renal cell carcinoma. Abdom. Radiol. 2019. V. 44. № 4. P. 1470– 1480. DOI: 10.1007/s00261-018-1848-x
9. Kocak B. et al. Textural differences between renal cell carcinoma subtypes: Machine learning-based quantitative computed tomography texture analysis with independent external validation. Eur. J. Radiol. 2018. V. 107. P. 149–157. DOI:10.1016/j.ejrad.2018.08.014
10. Varghese B.A. et al. Differentiation of predominantly solid enhancing lipid-poor renal cell masses by use of contrast-enhanced CT: Evaluating the role of texture in tumor subtyping. Am. J. Roentgenol. 2018. V. 211. № 6. P. W288–W296. DOI: 10.2214/AJR.18.19551
11. Deng Y. et al. CT texture analysis in the differentiation of major renal cell carcinoma subtypes and correlation with Fuhrman grade. Eur. Radiol. 2019. V. 29. № 12. P. 6922–6929. DOI: 10.1007/s00330-019-06260-2
12. Kocak B., Durmaz E.S., Ates E., Ulusan M.B. Radiogenomics in clear cell renal cell carcinoma: Machine learning–based highdimensional quantitative CT texture analysis in predicting PBRM1 mutation status. Am. J. Roentgenol. 2019. V. 212. № 3.  P. W55–W63. DOI: 10.2214/AJR.18.20443
13. Lubner M.G., Smith A.D., Sandrasegaran K., Sahani D.V., Pickhardt P.J. CT Texture Analysis: Definitions, Applications, Biologic Correlates, and Challenges. Radiographics. 2017. V. 37(5). P. 1483-1503. DOI: 10.1148/rg.2017170056