Возможности использования текстурных показателей, полученных при анализе данных КТ-исследований, для прогнозирования грейда светлоклеточного почечно-клеточного рака

Для выбора наиболее правильной и эффективной тактики лечения у пациентов со светлоклеточным почечно-клеточным раком (скПКР) на дооперационном этапе выполняется многофазная компьютерная томография (КТ) с внутривенным контрастированием. Возможно, данные текстурного анализа, полученные в результате сегментации данных КТ, могут быть использованы для предсказания вероятности скПКР высокого грейда, что может потенциально корректировать тактику лечения.

Цель исследования: выполнить текстурный анализ данных дооперационной многофазной КТ у пациентов с верифицированным скПКР, выявить текстурные показатели, позволяющие прогнозировать грейд скПКР.

Материал и методы. Ретроспективно выполнен анализ данных 189 дооперационных КТ-исследований 164 пациентов, которым была выполнена резекция почки или нефрэктомия, и морфологически верифицирован скПКР по градирующей системе классификации WHO/ISUP. CкПКР грейд 1–2 был верифицирован в 130 исследованиях, скПКР грейд 3–4 в 59. Для выполнения текстурного анализа использовались данные кортикомедуллярной, нефрографической и экскреторной фаз КТ-исследований, сегментация проводилась методами 2D и 3D. Исследование выполнялось ретроспективно.

Результаты. Наиболее информативными с точки зрения прогнозирования грейда скПКР были текстурные показатели, полученные при 3D-сегментации опухоли в кортико-медуллярную и экскреторную фазы КТ.

Наибольшее количество текстурных показателей, линейно ассоциированных с логарифмом шансов скПКР грейд 3–4, было получено при текстурном анализе данных 3D-сегментации опухоли в кортико-медуллярную и нефрографическую фазы КТ.

Наименьшее количество текстурных показателей, статистически значимо ассоциированных с грейдом скПКР, было получено при текстурном анализе данных 2D-сегментации в экскреторную фазу КТ.

При проведении многофакторного анализа текстурных показателей в качестве предикторов грейда скПКР наиболее эффективным способом оценки текстурных показателей был анализ результатов 3D-сегментации в экскреторную фазу с использованием в качестве предикторов первых 6 главных компонент, объясняющих 80% и более дисперсии значений текстурных показателей.

Наиболее высокими значениями псевдо-R² Найджелкерке (0,49) и AUC (0,87) характеризовалась многофакторная логистическая регрессионная модель с включением в качестве предикторов SHAPE_Sphericity и SHAPE_Compacity при 3D-сегментации в экскреторную фазу при использовании фильтра Reflect.

Модель с включением одного текстурного показателя – DISCRETIZED_TLG – при 2D-сегментации в экскреторную фазу при использовании фильтра Reflect характеризовалась несколько более низкими псевдо-R² Найджелкерке (0,44) и AUC (0,85).

С учетом полученных данных нами разработаны две многофакторные модели для предсказания вероятности грейда 3–4 скПКР, основанные на методах 3D- и 2D-сегментации опухоли на КТ-изображениях. Модель, использующая данные 3D-сегментации, характеризовалась прогностической точностью, чувствительностью и специфичностью 80, 79,7 и 80,2% соответственно и по дискриминативным превосходила модель, использующую данные 2D-сегментации.

Заключение. В ходе проведенной работы была доказана возможность использования текстурных показателей, полученных при анализе данных КТ-исследований с контрастным усилением, для прогнозирования грейда скПКР и разработана высокоточная диагностическая модель для прогнозирования грейда скПКР.

1. Global Cancer Observatory: Cancer Today; WHO International Agency for Research on Cancer: Lyon, France, 2022; Available online: https://gco.iarc.fr/today (accessed on 2 March 2026).

2. Ferlay J., Colombet M., Soerjomataram I. et al. Cancer incidence and mortality patterns in Europe: Estimates for 40 countries and 25 major cancers in 2018. Eur. J. Cancer. 2018; 103: 356–387. https://doi.org/10.1016/j.ejca.2018.07.005

3. Vartolomei L., Cotruș A., Stanciu C. et al. Quality of Life and Psychological Distress among Patients with Small Renal Masses. J. Clin. Med. 2022; 11 (14): 3944. https://doi.org/10.3390/jcm11143944

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; 98 (18): 1331–1334. https://doi.org/10.1093/jnci/djj362

5. Coy H., Hsieh K., Wu W. et al. Deep learning and radiomics: the utility of Google TensorFlow™ Inception in classifying clear cell renal cell carcinoma and oncocytoma on multiphasic CT. Abdom. Radiol. (NY). 2019; 44 (6): 2009–2020. https://doi.org/10.1007/s00261-019-01929-0

6. Patel H.D., Johnson M.H., Pierorazio P.M. et al. Diagnostic Accuracy and Risks of Biopsy in the Diagnosis of a Renal Mass Suspicious for Localized Renal Cell Carcinoma: Systematic Review of the Literature. J. Urol. 2016; 195 (5): 1340–1347. https://doi.org/10.1016/j.juro.2015.11.029

7. Di Lascio G., Sciarra A., Del Giudice F. et al. Which factors can influence post-operative renal function preservation after nephron-sparing surgery for kidney cancer: a critical review. Cent. European J. Urol. 2022; 75 (1): 14–27. https://doi.org/10.5173/ceju.2021.0256

8. Sohlberg E.M., Metzner T.J., Leppert J.T. The Harms of Overdiagnosis and Overtreatment in Patients with Small Renal Masses: A Mini-review. Eur. Urol. Focus. 2019; 5(6):943–945. https://doi.org/10.1016/j.euf.2019.03.006

9. Hindman N., Ngo L., Genega E.M. et al. Angiomyolipoma with minimal fat: can it be differentiated from clear cell renal cell carcinoma by using standard MR techniques? Radiology. 2012; 265 (2): 468–477. https://doi.org/10.1148/radiol.12112087

10. Sevcenco S., Heinz-Peer G., Ponhold L. et al. Utility and limitations of 3-Tesla diffusion-weighted magnetic resonance imaging for differentiation of renal tumors. Eur. J. Radiol. 2014; 83 (6): 909–913. https://doi.org/10.1016/j.ejrad.2014.02.026

11. Roussel E., Capitanio U., Kutikov A. et al. Novel Imaging Methods for Renal Mass Characterization: A Collaborative Review. Eur. Urol. 2022; 81 (5): 476–488. https://doi.org/10.1016/j.eururo.2022.01.040

12. Ball M.W., Bezerra S.M., Gorin M.A. et al. Grade heterogeneity in small renal masses: potential implications for renal mass biopsy. J. Urol. 2015; 193 (1): 36–40. https://doi.org/10.1016/j.juro.2014.06.067

13. Marconi L., Dabestani S., Lam T.B. et al. Systematic Review and Meta-analysis of Diagnostic Accuracy of Percutaneous Renal Tumour Biopsy. Eur. Urol. 2016; 69 (4): 660–673. https://doi.org/10.1016/j.eururo.2016.04.027

14. Kumar V., Gu Y., Basu S. et al. Radiomics: the process and the challenges. Magn. Reson. Imaging. 2012; 30 (9): 1234–1248. https://doi.org/10.1016/j.mri.2012.06.010

15. Lambin P., Rios-Velazquez E., Leijenaar R. et al. Radiomics: extracting more information from medical images using advanced feature analysis. Eur. J. Cancer. 2012; 48 (4): 441–446. https://doi.org/10.1016/j.ejca.2011.11.036

16. Ursprung S., Beer L., Bruining A. et al. Radiomics of computed tomography and magnetic resonance imaging in renal cell carcinoma-a systematic review and meta-analysis. Eur. Radiol. 2020; 30 (6): 3558–3566. https://doi.org/10.1007/s00330-020-06666-3

17. Suarez-Ibarrola R., Basulto-Martinez M., Heinze A. et al. Radiomics Applications in Renal Tumor Assessment: A Comprehensive Review of the Literature. Cancers (Basel). 2020; 12 (6): 1387. https://doi.org/10.3390/cancers12061387

18. Campi R., Stewart G.D., Staehler M. et al. Novel Liquid Biomarkers and Innovative Imaging for Kidney Cancer Diagnosis: What Can Be Implemented in Our Practice Today? A Systematic Review of the Literature. Eur. Urol. Oncol. 2021; 4 (1): 22–41. https://doi.org/10.1016/j.euo.2020.12.011

19. Rallis K.S., Kleeman S.O., Grant M. et al. Radiomics for Renal Cell Carcinoma: Predicting Outcomes from Immunotherapy and Targeted Therapies-A Narrative Review. Eur. Urol. Focus. 2021; 7 (4): 717–721. https://doi.org/10.1016/j.euf.2021.04.024

20. Грицкевич А.А., Пьяникин С.С., Адырхаев З.А., Степанова Ю.А., Казеннов В.В., Зотиков А.Е., Теплов А.А., Ревишвили А.Ш. Резекция почки ex vivo в условиях фармако-холодовой ишемии с последующей ортотопической аутотрансплантацией. Трансплантология. 2016; 3: 27–36.

21. Moch H., Cubilla A.L., Humphrey P.A. et al. The 2016 WHO Classification of Tumours of the Urinary System and Male Genital Organs-Part A: Renal, Penile, and Testicular Tumours. Eur. Urol. 2016; 70 (1): 93–105. https://doi.org/10.1016/j.eururo.2016.02.029

22. Груздев И.С., Тихонова В.С., Замятина К.А., Калдаров А.Р., Кондратьев Е.В., Кармазановский Г.Г. Компьютерная томография в прогнозировании степени дифференцировки гиперваскулярных нейроэндокринных опухолей поджелудочной железы: текстурный анализ и характеристики контрастирования. REJR. 2021; 11 (4): 105–114. https://doi.org/10.21569/2222-7415-2021-11-4-105-114

23. Nioche C., Orlhac F., Boughdad S. et al. LIFEx: a freeware for radiomic feature calculation in multimodality imaging to accelerate advances in the characterization of tumor heterogeneity (RRID: SCR_025284). Cancer Research. 2018; 78 (16): 4786–4789. https://doi.org/10.1158/0008-5472.can-18-0125

24. Хромова С.В., Кармазановский Г.Г., Карельская Н.А., Груздев И.С. Текстурный анализ данных компьютерно-томографических исследований при светлоклеточном почечно-клеточном раке: воспроизводимость результатов методов 2D- и 3D-сегментации. Альманах клинической медицины. 2024; 52 (1): 25–34. https://doi.org/10.18786/2072-0505-2024-52-007

25. Wu K., Wu P., Yang K. et al. A comprehensive texture feature analysis framework of renal cell carcinoma: pathological, prognostic, and genomic evaluation based on CT images. Eur. Radiol. 2022; 32 (4): 2255–2265. https://doi.org/10.1007/s00330-021-08353-3

26. Yu W., Liang G., Zeng L. et al. Accuracy of CT texture analysis for differentiating low-grade and high-grade renal cell carcinoma: systematic review and meta-analysis. BMJ Open. 2021; 11 (12): e051470. https://doi.org/10.1136/bmjopen-2021-051470

27. Alhussaini A.J., Steele J.D., Jawli A., Nabi G. Radiomics Machine Learning Analysis of Clear Cell Renal Cell Carcinoma for Tumour Grade Prediction Based on Intra-Tumoural Sub-Region Heterogeneity. Cancers (Basel). 2024; 16 (8): 1454. https://doi.org/10.3390/cancers16081454