Васильев Юрий Александрович – канд. мед. наук, директор ГБУЗ “Научно-практический клинический центр диагностики и телемедицинских технологий ДЗ города Москвы”, Москва
Yuri A. Vasiliev – Cand. of Sci. (Med.), Director, Research and Practical Clinical Center for Diagnostics and Telemedicine Technologies of the Moscow Health Care Department, Moscowhttps://orcid.org/0000-0002-0208-5218
Скоробогач Иван Михайлович – заведующий 1 отделением 1 отдела Референс-центра ГБУЗ “Научно-практический клинический центр диагностики и телемедицинских технологий ДЗ города Москвы”, Москва
Ivan M. Skorobogach – head of the 1st department of the Reference Center, Research and Practical Clinical Center for Diagnostics and Telemedicine Technologies of the Moscow Health Care Department, Moscow
Нуднов Николай Васильевич – доктор мед. наук, профессор, заместитель директора по науке ФГБУ “Российский научный центр рентгенорадиологии” Минздрава России, Москва
Nikolay V. Nudnov – Doct. of Sci. (Med.), Professor, Deputy Director, Russian Scientific Center of Roentgenoradiology of the Ministry of Healthcare of the Russian Federation, Moscow
Блохин Иван Андреевич – канд. мед. наук, начальник сектора исследований в лучевой диагностике ГБУЗ “Научно-практический клинический центр диагностики и телемедицинских технологий ДЗ города Москвы”, Москва
Ivan A. Blokhin – Cand. of Sci. (Med.), Head of Research Sector in Diagnostic Radiology, Research and Practical Clinical Center for Diagnostics and Telemedicine Technologies of the Moscow Health Care Department, Moscowhttp://orcid.org/0000-0002-2681-9378
Решетников Роман Владимирович – канд. физ.-мат. наук, руководитель отдела научных медицинских исследований ГБУЗ “Научно-практический клинический центр диагностики и телемедицинских технологий ДЗ города Москвы”, Москваhttp://orcid.org/0000-0002-9661-0254
Roman V. Reshetnikov – Cand. of Sci. (Phys.-Math.), Head of Scientific Medical Research Department, Research and Practical Clinical Center for Diagnostics and Telemedicine Technologies of the Moscow Health Care Department, Moscowhttp://orcid.org/0000-0002-9661-0254
Коденко Мария Романовна – канд. техн. наук, руководитель отдела инновационных технологий ГБУЗ “Научно-практический клинический центр диагностики и телемедицинских технологий ДЗ города Москвы”, Москваhttps://orcid.org/0000-0002-0166-3768
Maria R. Kodenko – Cand. of Sci. (Tech.) head of innovative department, Research and Practical Clinical Center for Diagnostics and Telemedicine Technologies of the Moscow Health Care Department, Moscowhttps://orcid.org/0000-0002-0166-3768
Омелянская Ольга Васильевна – руководитель по управлению подразделениями Дирекции наука ГБУЗ “Научно-практический клинический центр диагностики и телемедицинских технологий ДЗ города Москвы”, Москваhttp://orcid.org/0000-0002-0245-4431
Olga V. Omelyanskaya – Head of Division Management, Science, Research and Practical Clinical Center for Diagnostics and Telemedicine Technologies of the Moscow Health Care Department, Moscowhttp://orcid.org/0000-0002-0245-4431
Владзимирский Антон Вячеславович – доктор мед. наук, заместитель директора по научной работе ГБУЗ “Научно-практический клинический центр диагностики и телемедицинских технологий ДЗ города Москвы”, Москва
Anton V. Vladzymyrskyy – Doct. of Sci. (Med.), Deputy Director, Research and Practical Clinical Center for Diagnostics and Telemedicine Technologies of the Moscow Health Care Department, Moscowhttp://orcid.org/0000-0002-2990-7736
Цель исследования: повышение достоверности прогноза лимфоваскулярной инвазии (ЛВИ) гибридными морфорадиомическими моделями наивного Байеса у пациентов со злокачественными новообразованиями молочной железы (ЗНМЖ) путем выяснения роли морфологических магнитно-резонансных (м-МР) признаков.
Материал и методы. Проанализированы данные 191 пациента с ЗНМЖ в виде 13 м-МР признаков, 6194 радиомических МР (р-МР)-показателей всего объема опухоли и целевым признаком – ЛВИ. Среди м-МР-признаков с помощью кросстабуляции, многофакторной логистической регрессии, дискретизации методом Entropy-MDL отобраны предикторы ЛВИ. Среди 6194 р-МР-показателей отобраны предикторы ЛВИ дискретизацией методом Entropy-MDL. Отобранные показатели использовались в обучении алгоритма наивного Байеса. Сравнивались показатели эффективности прогноза ЛВИ.
Результаты. По данным многофакторной логистической регрессии повышается шанс ЛВИ при выявлении признака ободка опухоли на диффузионно-взвешенном изображении (DWI) в 4,05 раза (OR 4,05, 95%ДИ 1,63–10,47, p = 0,003), перитуморального отека в 5,66 раза (OR 5,66, 95%ДИ 2,27–14,94, p < 0,001). Получены 3 гибридные модели с высокими дискриминационными способностями: 1-я модель с признаком DWI-ободка и радиомической сигнатурой из 4 р-МР-показателей (AUС – 0,886, чувствительность – 89,5%, специфичность – 79,1%, классификационная правильность – 89,5%, правильность прогноза ЛВИ – 73,3% и ее отсутствия – 95,2%), 2-я модель с перитуморальным отеком и радиомической сигнатурой из 6 р-МР-показателей (AUС – 0,879, чувствительность – 82,5%, специфичность – 80,9%, классификационная правильность – 82,5%, правильность прогноза ЛВИ – 80,0% и ее отсутствия – 83,3%) и 3-я модель с перитуморальным отеком, признаком DWI ободка и радиомической сигнатурой из 8 р-МР-показателей (AUС – 0,957, чувствительность – 96,5%, специфичность – 90,2%, классификационная правильность – 96,5%, правильность прогноза ЛВИ – 86,7% и ее отсутствия – 100%). Удаление признака DWI ободка из 1-й модели ухудшает ее дискриминационную способность (AUC-ROC 0,801 ± 0,074 vs 0,886 ± 0,059, p = 0,001) и правильность прогноза ЛВИ (40% vs 73%, p = 0,066). Аналогичные, но менее выраженные, не статистически значимые изменения наблюдаются после удаления признака перитуморального отека из 2-й модели (AUC-ROC 0,843 ± 0,067 vs 0,879 ± 0,060, p = 0,190; правильность прогноза ЛВИ 60% vs 80%, p = 0,232). Удаление двух м-МР-признаков из 3-й модели ухудшает ее дискриминационную способность (AUC-ROC 0,957 ± 0,038 vs 0,901 ± 0,055, p = 0,024) и правильность прогноза ЛВИ (80% vs 86,7%, р = 0,624).
Заключение. Использование гибридных моделей, объединяющей м-МР признаки и р-МР показатели повышают дискриминационную способность прогноза по сравнению с моделями, использующей только интратуморальные р-МР показатели.
Purpose of the study: to improve the reliability of prediction of lymphovascular invasion (LVI) by hybrid morpho-radiomic naive Bayesian models in patients with malignant breast cancer (MBC) by elucidating the role of morphologic magnetic resonance (m-MR) features.
Materials and Methods. Data from 191 patients with MBC were analyzed in the form of 13 m-MR features, 6194 radiomic MR (r-MR) indicators of the whole tumor volume, and the target feature, LVI. Among the m-MR features, predictors of LVI were selected using crosstabulation, multivariate logistic regression, and Entropy-MDL discretization. Among 6194 r-MR indicators, predictors of LVI were selected by Entropy-MDL discretization. The selected indicators were used in training the naive Bayes algorithm. The performance of LVI predictors was compared.
Results. According to multivariate logistic regression, the odds of LVI increased when tumor rim feature was detected on DWI image 4.05-fold (OR 4.05, 95%CI: 1.63–10.47, p = 0.003), peritumoral edema 5.66-fold (OR 5.66, 95%CI: 2.27–14.94, p < 0.001). 3 hybrid models with high discriminatory abilities were obtained: 1 model with DWI rim and radiomic signature from 4 p-MR indicators (AUC = 0.886, sensitivity – 89.5%, specificity – 79.1%, classification correctness – 89.5%, correctness of prediction of LVI – 73.3% and its absence – 95.2%), 2 model with peritumoral edema and radiomic signature from 6 p-MR indicators (AUC = 0.879, sensitivity – 82.5%, specificity – 80,9%, classification correctness – 82.5%, correctness in predicting LVI – 80.0% and its absence – 83.3%) and 3 models with peritumoral edema, rim DWI sign and radiomic signature from 8 p-MR indicators (AUS = 0.957, sensitivity – 96.5%, specificity – 90.2%, classification correctness – 96.5%, correctness in predicting LVI – 86.7% and its absence – 100%). Removing the DWI rim feature from 1 model worsens its discriminatory power (AUC-ROC, 0.801 ± 0.074 vs 0.886 ± 0.059, p = 0.001) and correctness of LVI prediction (40 vs 73%, p = 0.066). Similar but less pronounced, non-statistically significant changes were observed after removal of the peritumoral edema feature from the 2 models (AUC-ROC, 0.843 ± 0.067 vs 0.879 ± 0.060, p = 0.190; LVI prediction correctness, 60 vs 80%, p = 0.232). Removing 2 m-MR features from the 3 model worsens its discriminatory power (AUC-ROC, 0.957 ± 0.038 vs 0.901 ± 0.055, p = 0.024) and correctness of LVI prediction (80 vs 86.7%, p = 0.624).
Conclusion. The use of hybrid models combining m-MR traits and r-MR indices improve the discriminatory power of prediction compared to models using only intratumoral r-MR indices.
The authors declare that there are no conflicts of interest present.