Применение радиомики в дифференциальной диагностике амелобластом и дентальных кист

Резюме

Амелобластомы и дентирующие кисты имеют идентичный клинический и рентгенографический вид. В нашем исследовании мы демонстрируем важность тщательного рассмотрения радиологических признаков, которые могут помочь в неинвазивной дифференциальной диагностике и обеспечении надлежащего управления этими поражениями.

Методы

Это было ретроспективное исследование, включающее 18 КТ-изображений пациентов с опухолями челюсти (8 амелобластом и 10 дентирующих кист с гистопатологической верификацией). Каждое поражение было вручную сегментировано с использованием программного обеспечения 3D Slicer на КТ-изображениях, и текстурные признаки были извлечены с использованием расширения 3D Slicer Radiomics. Проведен статистический анализ.

Результаты

После анализа текстуры мы не обнаружили (статистически значимых) различий в признаках, основанных на форме, и значениях статистики первого порядка этих поражений. Мы обнаружили статистически значимые различия в 13 признаках второго порядка дентирующих кист и амелобластом, большинство из них были тесно связаны. Проведен множественный логистический регрессионный анализ для ранжирования признаков и определения наиболее значимых предсказателей. Финальная модель включала 2 признака (Cluster shade и IMC 1) и обеспечила высокую предсказательную ценность (площадь под ROC=0.93).

Выводы

Наше пилотное исследование демонстрирует новую технику неинвазивной дифференциальной диагностики опухолей челюсти на основе текстурных признаков, извлеченных из данных КТ.

Введение

Амеобластома (AB) и зубная киста (DC) являются клинически распространенными доброкачественными одонтогенными поражениями. Из-за значительных различий в биологических поведениях эти две болезни имеют разные стратегии лечения. Хирургическое вмешательство является единственным эффективным методом лечения одонтогенных опухолей, но выбор эффективного хирургического метода остается спорным. План лечения AB в основном включает радикальную операцию частичной резекции челюсти, для DC – сохранение с операцией декомпрессии в сочетании с кюретажем. Из-за различных принципов лечения этих двух поражений очень важно найти более точный метод предоперационной дифференциальной диагностики. Дифференциальная диагностика этих двух поражений затруднена, поскольку они имеют много клинических и рентгенографических признаков. Поэтому трудно дифференцировать эти поражения рентгенографически, и окончательный диагноз основывается только на гистопатологическом исследовании. Таким образом, различия в рентгенографических находках этих двух поражений могут сыграть важную роль в постановке диагноза.

Преобразование цифровых медицинских изображений в извлекаемые многомерные данные обусловлено концепцией, что биомедицинские изображения содержат информацию, отражающую основную патофизиологию, и что эти взаимосвязи могут быть выявлены с помощью количественного анализа изображений. Радиомика — это процесс, который позволяет извлекать и анализировать количественные данные из медицинских изображений. Радиомика предназначена для разработки инструментов поддержки принятия решений; поэтому она включает в себя сочетание радиомических данных с другими характеристиками пациента, если таковые имеются, чтобы увеличить мощность моделей поддержки принятия решений.

В последние несколько лет радиомика использовалась для диагностики назофарингеальной карциномы; предсказания ответа на лечение при немелкоклеточном раке легкого; для предоперационного предсказания микроваскулярного инвазии при гепатоцеллюлярной карциноме; для неинвазивной оценки коронарного воспаления; в прецизионной диагностике, прогнозировании и планировании лечения плоскоклеточных карцином головы и шеи. Текстурный анализ изображений в исследованиях был направлен на выявление прогностических биомаркеров заболевания. Такие объективные биомаркеры легко доступны и имеют потенциал для улучшения персонализированного лечения и прецизионной медицины.

Мы гипотезировали, что анализ текстуры КТ может обнаружить тонкие различия в новообразованиях челюсти. Эта информация необходима для определения правильной тактики лечения.

Целью данного исследования было оценить полезность текстурных характеристик КТ в различении распространенных новообразований челюсти, т.е. амелобластомы (AB) и зубных кист (DC).

Материалы и методы

Отбор пациентов

Всего было проанализировано 35 записей пациентов с новообразованиями челюсти, которые обратились в отделение челюстно-лицевой хирургии Первого Санкт-Петербургского государственного медицинского университета имени Павлова. Критерии включения для отбора медицинских записей были следующими:

• В случаях должны быть представлены отчеты о гистопатологическом исследовании AB или DC. Образцы фиксировались в 10% буферном формалине, затем их погружали в парафин и выполняли гистологические срезы толщиной X микрон, после окрашивания гематоксилином и эозином срезы исследовались под световым микроскопом Leica.
• Должен быть выполнен КБКТ челюсти до хирургического лечения.

Критерии исключения были:

• отсутствие гистологического заключения,
• наличие рецидивирующей опухоли и одонтогенного кератоцисту,
• изображения с серьезными артефактами.

Мы исключили 17 случаев в соответствии с критериями исключения. Оставшиеся 18 пациентов: 10 пациентов с DC (9 мужчин, 1 женщина; медианный возраст 45 лет) и 8 пациентов с AB (2 мужчины, 6 женщин; медианный возраст 58 лет) были включены в это исследование.

Протокол КТ-исследования

КТ-исследования проводились на 64-срезовых КТ-сканерах (Toshiba Aquilion 64) с 120 кВ, 225 мА и 1 с/оборот, а изображения толщиной 0,5 мм были реконструированы в соответствии с нашим институциональным клиническим протоколом. Аксиальные изображения толщиной 0,5 мм в реконструкции использовались для этого анализа.

Интерпретация изображений

Характеристики поражений были качественно оценены радиологом с 7-летним опытом в области оральной и челюстно-лицевой радиологии.

Сегментация изображений и анализ текстуры

Сегментация является важным этапом рабочего процесса радиомики, так как высокоразличимые признаки будут получены из сегментированной области интереса, которая может быть прослежена в объеме, точность сегментации определит радиомические признаки, которые будут извлечены. Поражение было вручную контурировано оральным и челюстно-лицевым радиологом с 7-летним профессиональным опытом. Сегментация поражения проводилась с использованием 3D Slicer на каждом аксиальном изображении, которое включает поражение, перегородку и периферическую кость до 2 мм от видимого края образования.

Извлечение признаков является следующим шагом после сегментации области интереса. Это выбор полезной информации для помощи в характеристике нормальных и аномальных радиологических изображений. Этот шаг является сердцем радиомики. Для извлечения радиомических признаков из вручную сегментированных объемов использовалось расширение Radiomics для 3D Slicer.

Извлеченные характеристики включали признаки, основанные на форме (например, максимальный диаметр, площадь поверхности, объем), признаки первого порядка (основанные на статистике гистограммы), статистику второго и более высокого порядка (основанную на матрицах пространственной зависимости).

Статистический анализ

Из-за относительно небольшого числа случаев мы выбрали непараметрические методы для статистического анализа: описание количественных переменных проводилось с использованием медианы и интерквартильного диапазона, тест Манна-Уитни использовался для их сравнения. Тест Фишера с расширением Фримена-Халтона использовался в анализе контингентных таблиц.

Результаты

Характеристики поражений

Характеристики поражений и сегментированных объемов, включенных в исследование, показаны в Таблице 1.

Передняя верхнечелюстная область была наиболее часто встречаемым местом в случае дентирующего кисты, а задняя область нижней челюсти чаще всего наблюдалась при амелобластомах.

Текстурные характеристики и статистический анализ

Примеры сегментированных объемов показаны на рис. 1.

Функции, основанные на форме, являются дескрипторами 3D размера и формы области интереса. Они независимы от распределения интенсивности серого уровня области интереса и дают количественное описание геометрических характеристик области интереса.

Функции статистики первого порядка учитывают распределение значений отдельных вокселей, не принимая во внимание пространственные отношения. Функции второго порядка основаны на совместном распределении вероятностей пар вокселей, описывающем пространственное расположение паттернов, иногда незаметных для человеческого глаза. Мы использовали матрицу совместного распределения серого уровня (GLCM), матрицу длины пробега серого уровня (GLRLM), матрицу размера зоны серого уровня (GLSZM), матрицу разности соседних серых тонов (NGTDM), матрицу зависимости серого уровня (GLDM).

В нашем исследовании мы оценили текстурные характеристики КТ-изображений DC и AB. После анализа текстуры мы не обнаружили различий в функциях, основанных на форме, и значениях статистики первого порядка в двух группах. На наш взгляд, это было ожидаемо, поскольку обе формации имеют схожие рентгенографические характеристики, которые можно поверхностно оценить во время рутинного анализа изображений.

Мы обнаружили статистически значимые различия в 13 вторичных характеристиках DC и AB (Рис. 2).

Кластерный оттенок - это мера асимметрии и однородности GLCM. Яркость кластера - это мера асимметрии и асимметрии GLCM. Контраст - это мера локальной вариации интенсивности, отдающая предпочтение значениям, удаленным от диагонали. Дисперсия разности - это мера гетерогенности, которая придает большее значение парам уровней интенсивности, которые показывают большее отклонение от среднего. Информационная мера корреляции - это количественная оценка сложности текстуры. Дисперсия зависимости - это дисперсия в размере зависимости на изображении. Большой акцент на зависимости - это совместное распределение большой зависимости с более низкими значениями серого уровня. Акцент на длинных пробегах - это мера распределения длинных пробегов, с большим значением, указывающим на более длинные пробеги и более грубые структурные текстуры.

Процент пробегов - это мера грубости текстуры, основанная на соотношении количества пробегов и количества вокселей в области интереса. Дисперсия пробегов - это дисперсия в пробегах для длин пробегов. Дисперсия серого уровня (GLSZM) - это дисперсия в интенсивностях серого уровня для зон. Процент зон - это мера грубости текстуры, основанная на соотношении количества зон и количества вокселей в области интереса. Сложность - это мера неоднородности и быстрых изменений в уровнях серого.

Обсуждение

Челюсти - единственное место в организме, где эпителий может нормально находиться внутри кости. Эпителий зубной ламины участвует в образовании эмали и определяет форму зуба. По завершении формирования зуба в челюстях остаются эпителиальные остатки. Они приводят к образованию различных поражений, включая неоплазмы, которые не должны вызывать проблем с диагностикой, когда они связаны с зубами, но могут вызвать трудности в других ситуациях.

В этом исследовании были выбраны два различных типа поражений: амелобластома и дентирующая киста. Этот выбор основывался на двух факторах: частоте и сходстве радиографического изображения среди этих поражений.

Поскольку компоненты различных поражений по своей природе патологически различны, текстурные характеристики также должны быть различными.

Амелобластомы состоят из эпителия и не показывают индукции зубных твердых тканей. В обычном типе эпителий может демонстрировать фолликулярный или плексiformный паттерн, но часто наблюдается смесь паттернов внутри одной опухоли. Наиболее распространенный паттерн - фолликулярный, характеризующийся островками эпителия с периферическим палисадированием удлиненных колонновидных клеток с обратной полярностью, так как ядра ориентированы в сторону от базальной мембраны. Эти клетки напоминают преамелобласты нормального развития зуба. В центре фолликулы содержат свободно расположенные звездчатые клетки, которые напоминают звездчатую ретикулярную ткань зубного зачатка.

Дентирующий кистоз состоит из эпителиального выстилки и стенки. Эпителиальная выстилка – обычно, 2-4 клетки в толщину. Уплощенные некератинизированные клетки с регулярным плоским интерфейсом с подлежащей стенкой. Воспаление приводит к признакам, идентичным радикулярному кистозу. Метапластические изменения с мукоидными клетками и ресничками встречаются чаще в дентирующих кистах, чем в других типах. Воспаленные образцы могут также показывать гиперплазию, иногда с кератинизацией. Гиалиновые тела и даже сальные клетки могут быть включены. Стенка – обычно, невоспалительная фибромиксоидная соединительная ткань (аналогичная зубному фолликулу) с обильным содержанием гликозаминогликанов в основном веществе. Одонтогенные эпителиальные остатки присутствуют в переменном количестве и могут подвергаться кальцификации. Увеличенная фиброзность вместе с холестеринными трещинами и отложением гемосидерина наблюдаются в длительно существующих и воспаленных кистах.

Мы предполагаем, что различия между радиомикроскопическими признаками отражают различия в рентгеновской плотности компонентов поражений.

Заключение

Наше пилотное исследование демонстрирует новую технику неинвазивной дифференциальной диагностики новообразований челюсти на основе текстурных признаков. Это исследование может способствовать фактической реализации этих основанных на радиомике техник в клинической практике, поддерживая эффективное принятие клинических решений и способствуя прецизионной медицине.

Анна В. Лысенко, Андрей И. Яременко, Анна А. Зубарева, Александр В. Ширшин, Александр И. Любимов, Елизавета А. Иванова

Ссылки

1. Федоров А, Бейхель Р, Калпати-Крамер Дж, Финет Ж, Фильон-Робен ЖК, Пужоль С и др. 3D Slicer как платформа для вычислительной обработки изображений для количественной визуализации. Магнитно-резонансная томография. 2012;30(9):1323-1341. doi: 10.1016/j.mri.2012.05.001
2. Ван Гритюйсен ДжДжМ, Федоров А, Пармар С, Хосни А, Окэн Н, Нараян В и др. Компьютерная радиомика для декодирования радиографического фенотипа. Исследования рака. 2017; 77(21):e104-e107. doi: 10.1158/0008-5472.CAN-17-0339
3. Дуань В, Сюн Б, Тянь Т, Цзоу Х, Хэ Ж, Чжан Л. Радиомика при раке носоглотки. Клинические медицинские исследования по онкологии. 2022; 16:11795549221079186. doi: 10.1177/11795549221079186
4. Четан МР, Глиссон ФВ. Радиомика в предсказании ответа на лечение при немелкоклеточном раке легкого: текущее состояние, проблемы и будущие перспективы. Европейская радиология. 2021;31(2):1049-1058. doi: 10.1007/s00330-020-07141-9
5. Ян Л, Гу Д, Вэй Дж, Ян Ц, Рао С, Ван В и др. Номограмма радиомики для предоперативного предсказания микроваскулярного инвазии при гепатоцеллюлярной карциноме. Печеночный рак. 2019;8(5):373-386. doi: 10.1159/000494099
6. Ченг К, Лин А, Юварадж Дж, Ничоллс СДж, Вонг ДТЛ. Радиомика компьютерной томографии сердца для неинвазивной оценки коронарного воспаления. Клетки. 2021; 10(4):879. doi: 10.3390/cells10040879
7. Хайдер СП, Буртнесс Б, Ярбро WG, Пайабваш С. Применение радиомики в прецизионной диагностике, прогнозировании и планировании лечения плоскоклеточных карцином головы и шеи. Рак головы и шеи. 2020; 5:6. doi: 10.1186/s41199-020-00053-7