Новый подход к выделению воспроизводимых и точных радиомических признаков по данным компьютерной томографии

Цель исследования: выделение инвариантных к разметке радиомических признаков, а также оценка их способности к дифференциальной диагностике доброкачественных и злокачественных образований.

Материал и методы. Для поиска инвариантных к разметке признаков были отобраны 64 КТ-исследования из базы данных LIDC/IDRI. Существующая разметка 64 исследований LIDC/IDRI была дополнена разметкой врачей-рентгенологов НПКЦ ДиТ ДЗМ, выполненной полуавтоматическим способом (3D-сфера). Для первых 10 исследований также выполнена разметка ручным способом (контурная кисть) для сравнения времени разметки. На несвязанном наборе WORC GIST устойчивые к разметке признаки были оценены с точки зрения применимости для дифференциальной диагностики “доброкачественное образование–злокачественное образование”.

Результаты. В результате проведенного исследования было выявлено 7 устойчивых к разметке радиомических признаков для КТ-исследований, проявивших дискриминационную способность для задачи бинарной классификации “доброкачественное образование – злокачественное образование” на несвязанном наборе данных.

Заключение. Выявленные признаки могут учитываться в дальнейшем построении радиомической модели. Полуавтоматическая разметка способна значимо уменьшить временные затраты на получение маски зоны интереса для дальнейшего радиомического анализа.

1. Bray F, Laversanne M, Sung H, Ferlay J, Siegel RL, Soerjomataram I, Jemal A. Global cancer statistics 2022: GLOBOCAN estimates of incidence and mortality worldwide for 36 cancers in 185 countries. CA Cancer J Clin. 2024; May-Jun; 74 (3): 229-263. https://doi.org/10.3322/caac.21834

2. Zheng X, He B, Hu Y, Ren M, Chen Z, Zhang Z, Ma J, Ouyang L, Chu H, Gao H, He W, Liu T and Li G Diagnostic accuracy of deep learning and radiomics in lung cancer staging: a systematic review and meta-analysis. Frontiers in Public Health. 2022; 10: 938113. https://doi.org/10.3389/fpubh.2022.938113

3. Chen M., Copley S. J., Viola P., Lu H., Aboagye E. O. Radiomics and artificial intelligence for precision medicine in lung cancer treatment. Semin. Cancer Biol. 2023; 93: 97–113. https://doi.org/10.1016/j.semcancer.2023.05.004

4. Свидетельство о государственной регистрации программы для ЭВМ № 2023618319 Российская Федерация. Модуль оценки диагностического качества компьютерной томографии органов грудной клетки : № 2023617139 : заявл. 13.04.2023 : опубл. 21.04.2023 / Ю. А. Васильев, А. В. Владзимирский, О. В. Омелянская [и др.] ; заявитель Государственное бюджетное учреждение здравоохранения города Москвы «Научно-практический клинический центр диагностики и телемедицинских технологий Департамента здравоохранения города Москвы».

5. Certificate for state registration of computer software No. 2023618319, the Russian Federation. Modul' ocenki diagnosticheskogo kachestva komp'yuternoj tomografii organov grudnoj kletki [Software module for assessing the diagnostic quality of chest computed tomography images] : No. 2023617139 : submitted 13.04.2023 : published 21.04.2023 / Yu.A. Vasilev, A.V. Vladzymyrskyy, O.V. Omelyanskaya [et al.] ; submitter Research and Practical Clinical Center for Diagnostics and Telemedicine Technologies of the Moscow Health Care Department (In Russian)

6. Контроль и стандартизация данных при количественной компьютерной томографии : Методические рекомендации / К. А. Сергунова, А. В. Петряйкин, А. В. Смирнов [и др.]. – Москва : Научно-практический клинический центр диагностики и телемедицинских технологий Департамента здравоохранения города Москвы, 2019. – 28 с. – (Лучшие практики лучевой и инструментальной диагностики ; 71).

7. Kontrol' i standartizaciya dannyh pri kolichestvennoj komp'yuternoj tomografii : Metodicheskie rekomendacii [Curation and standardization of data in quantitative computed tomography : Best practices] / K. A. Sergunova, A. V. Petraikin, A. V. Smirnov [et al.]. – State Budget-Funded Health Care Institution of the City of Moscow "Research and Practical Clinical Center for Diagnostics and Telemedicine Technologies of the Moscow Health Care Department," 2019. – 28 p. – (Luchshie praktiki luchevoj i instrumental'noj diagnostiki [Best practices in medical imaging] ; 71). (In Russian)

8. Fusco R., Granata V., Simonetti I., Setola S. V., Iasevoli M. A. D., Tovecci F., Lamanna C. M. P., Izzo F., Pecori B., Petrillo A. An Informative Review of Radiomics Studies on Cancer Imaging: The Main Findings, Challenges and Limitations of the Methodologies. Curr. Oncol. 2024; 31 (1): 403–424. https://doi.org/10.3390/curroncol31010027

9. Под ред. Ю.А. Васильева и А.В. Владзимирского. Искусственный интеллект в лучевой диагностике: Per Aspera Ad Astra. М.: Издательские решения, 2025. 491 с.

10. Vasilev Y.A., Vladzymyrskyy, A.V. (Eds.). Iskusstvennyy intellekt v luchevoy diagnostike: Per Aspera Ad Astra [Artificial intelligence in radiology: Per Aspera Ad Astra]. M.: Izdatelskie resheniya, 2025. 491 p. (In Russian)

11. Park C.M. Can Artificial Intelligence Fix the Reproducibility Problem of Radiomics? Radiology. 2019; 292 (2): 374–375. https://doi.org/10.1148/radiol.2019191154

12. Wu L., Lou X., Kong N., Xu M., Gao C. Can quantitative peritumoral CT radiomics features predict the prognosis of patients with non-small cell lung cancer? A systematic review. Eur Radiol. 2023; 33(3): 2105-2117. https://doi.org/10.1007/s00330-022-09174-8

13. Коденко М. Р., Владзимирский А. В., Омелянская О. В., Сучилова М. М., Блохин И. А., Гатин Д. В., Решетников Р. В. Автоматизация оппортунистического компьютернотомографического скрининга аневризмы брюшной аорты с использованием искусственного интеллекта: перспективы и проблемы (обзор литературы). Комплексные проблемы сердечно-сосудистых заболеваний. 2024; 13 (4): 204-213. https://doi.org/10.17802/2306-1278-2024-13-4-204-213

14. Kodenko M.R., Vladzimirskij A.V., Omelyanskaya O.V., Suchilova M.M., Blokhin I.A., Gatin D.V., Reshetnikov R.V. Optimization of opportunistic computed tomography screening for abdominal aortic aneurysms using artificial intelligence: prospects and challenges (literature review). Complex problems of cardiovascular diseases. 2024; 13(4): 204-213. https://doi.org/10.17802/2306-1278-2024-13-4-204-213 (In Russian)

15. Woznicki P., Laqua F. C., Al-Haj A., Bley T., Baeßler B. Addressing challenges in radiomics research: systematic review and repository of open-access cancer imaging datasets. Insights Imaging. 2023; 14 (1): 216. https://doi.org/10.1186/s13244-023-01556-w

16. Fedorov A., Hancock M., Clunie D., Brochhausen M., Bona J., Kirby J., Freymann J., Pieper S., Aerts H. J. W. L., Kikinis R., Prior F. DICOM re‐encoding of volumetrically annotated Lung Imaging Database Consortium (LIDC) nodules. Medical Physics. 2020; 47 (11): 5953-5965 https://doi.org/10.1002/mp.14445

17. Armato III S. G., McLennan G., Bidaut L. et al. The Lung Image Database Consortium (LIDC) and Image Database Resource Initiative (IDRI): A Completed Reference Database of Lung Nodules on CT Scans. Medical physics. 2011; 38 (2): 915-931. https://doi.org/10.1118/1.3528204

18. Starmans M.P.A., Timbergen M. J. M., Vos M. et al. The WORC database: MRI and CT scans, segmentations, and clinical labels for 930 patients from six radiomics studies. Oncology. 2021: 2021-08. https://doi.org/10.1101/2021.08.19.21262238

19. Pyradiomics documentation. Available at https://pyradiomics.readthedocs.io/en/latest/ [Accessed on 26 August 2025].

20. Van Griethuysen J. J., Fedorov A., Parmar C., Hosny A., Aucoin N., Narayan V., Beets-Tan R. G. H., Fillion-Robin J.-C., Pieper S., Aerts H. J. Computational Radiomics System to Decode the Radiographic Phenotype. Cancer Res. 2017; 77 (21): e104–e107. https://doi.org/10.1158/0008-5472.CAN-17-0339

21. IBSI 1 – IBSI – Image Biomarker Standardisation Initiative Available at https://theibsi.github.io/ibsi1/ [Accessed on 26 August 2025].

22. IBSI 2 – IBSI – Image Biomarker Standardisation Initiative Available at https://theibsi.github.io/ibsi2/ [Accessed on 26 August 2025].

23. Shur J. D., Doran S. J., Kumar S., Ap Dafydd D., Downey K., O’Connor J. P., Papanikolaou N., Messiou C., Koh D.-M., Orton M.R. Radiomics in Oncology: A Practical Guide // RadioGraphics. 2021; 41 (6): 1717–1732. https://doi.org/10.1148/rg.2021210037

24. Rizzo S., Botta F., Raimondi S., Origgi D., Fanciullo C., Morganti A. G., Bellomi M. Radiomics: the facts and the challenges of image analysis. Eur. Radiol. 2018; 2 (1): 36. https://doi.org/10.1186/s41747-018-0068-z

25. Zwanenburg A., Vallières M., Abdalah M. A. et al. The Image Biomarker Standardization Initiative: Standardized Quantitative Radiomics for High-Throughput Image-based Phenotyping. Radiology. 2020; 295 (2): 328–338. https://doi.org/10.1148/radiol.2020191145

26. Liu J., Corti A., Corino V. D., Mainardi L. Lung nodule classification using radiomics model trained on degraded SDCT images. Comput. Methods Programs Biomed. 2024; 257: 108474. https://doi.org/10.1016/j.cmpb.2024.108474

27. Liu C., He Y., Luo J. The influence of image selection and segmentation on the extraction of lung cancer imaging radiomics features using 3D-Slicer software. BMC cancer. 2025; 25 (1): 728. https://doi.org/10.1186/s12885-025-14094-z

28. Wu L., Lou X., Kong N., Xu M., Gao C. Can quantitative peritumoral CT radiomics features predict the prognosis of patients with non-small cell lung cancer? A systematic review. European Radiology. 2023; 33 (3): 2105-2117. https://doi.org/10.1007/s00330-022-09174-8

29. Zhang Y., Feng H., Zhao Y., Zhang S. Exploring the Application of the Artificial-Intelligence-Integrated Platform 3D Slicer in Medical Imaging Education. Diagnostics. 2024; 14 (2): 146. https://doi.org/10.3390/diagnostics14020146

30. Amla Z., Khehra P. S., Mathialagan A., Lugez E. Review of the free research software for computer-assisted interventions. Journal of Imaging Informatics in Medicine. 2024; 37 (1), 386-401. https://doi.org/10.1007/s10278-023-00912-y

31. Васильев Ю. А., Романенко М. О., Коденко М. Р., Блохин И. А., Сидоров А. Д., Гележе П. Б., Сучилова М. М., Скоробогач И. М., Мынко О. М., Войтенко Д. А., Решетников Р. В., Владзимирский А. В., Омелянская О. В. Способы ручной разметки бипараметрической МРТ предстательной железы: что предпочтительней для текстурного анализа? Вестник Российского научного центра рентгенорадиологии. 2025 (in press)

32. Vasilev Y. A., Romanenko M. O., Kodenko M. R., Blokhin I. A., Sidorov A. D, Gelezhe P. B., Suchilova M. M., Skorobogach I. M., Mynko O. M., Voitenko D. A., Reshetnikov R. V., Vladzymyrskyy A. V., Omelyanskaya O. V. Manual segmentation methods of biparametric prostate MRI: which should be preferred for texture analysis? Bulletin of Russian Scientific Center of Roentgenoradiology. 2025 (in Russian) (in press)