stringtranslate.com

Radiómica

En el campo de la medicina, la radiómica es un método que extrae una gran cantidad de características de imágenes médicas utilizando algoritmos de caracterización de datos. [1] [2] [3] [4] [5] Estas características, denominadas características radiómicas, tienen el potencial de descubrir patrones y características tumorales que no se pueden apreciar a simple vista. [6] La hipótesis de la radiómica es que las características de imagen distintivas entre las formas de enfermedad pueden ser útiles para predecir el pronóstico y la respuesta terapéutica para varios tipos de cáncer, proporcionando así información valiosa para la terapia personalizada. [1] [7] [8] La radiómica surgió de los campos médicos de la radiología y la oncología [3] [9] [10] y es la más avanzada en aplicaciones dentro de estos campos. Sin embargo, la técnica se puede aplicar a cualquier estudio médico donde se pueda obtener imágenes de un proceso patológico.

Proceso

Adquisición de imágenes

Los datos de imagen se obtienen mediante modalidades radiológicas como TC, [11] RM, [12] PET/TC o incluso PET/MR. [13] Los volúmenes de datos brutos producidos se utilizan para encontrar diferentes características de píxeles/vóxeles a través de herramientas de extracción. [2]

Las características extraídas se guardan en grandes bases de datos a las que las clínicas tienen acceso para permitir un trabajo ampliamente colaborativo y acumulativo en el que todos pueden beneficiarse de cantidades crecientes de datos, lo que idealmente permite un flujo de trabajo más preciso.

Segmentación de imágenes

Una vez guardadas las imágenes en la base de datos, hay que reducirlas a las partes esenciales, en este caso los tumores, que se denominan “volúmenes de interés”. [2]

Debido a la gran cantidad de datos de imágenes que se deben procesar, sería demasiado trabajo realizar la segmentación manualmente para cada imagen individual si se crea una base de datos radiómica con muchos datos. En lugar de la segmentación manual, se debe utilizar un proceso automatizado. Una posible solución son los algoritmos de segmentación automáticos y semiautomáticos. Antes de que se pueda aplicar a gran escala, un algoritmo debe obtener la puntuación más alta posible en las siguientes cuatro tareas:

Extracción y calificación de características

Después de la segmentación, se pueden extraer muchas características y se puede calcular el cambio neto relativo de las imágenes longitudinales (radiómica delta). Las características radiómicas se pueden dividir en cinco grupos: características basadas en tamaño y forma, descriptores del histograma de intensidad de la imagen, descriptores de las relaciones entre los vóxeles de la imagen (por ejemplo, texturas derivadas de la matriz de coocurrencia de niveles de gris [GLCM], la matriz de longitud de ejecución [RLM], la matriz de zona de tamaño [SZM] y la matriz de diferencia de tono de gris de vecindad [NGTDM]), texturas extraídas de imágenes filtradas y características fractales. Las definiciones matemáticas de estas características son independientes de la modalidad de imagen y se pueden encontrar en la literatura. [14] [15] [16] [17] Se puede encontrar una descripción detallada de las características de textura para radiómica en Parekh et al. (2016) [4] y Depeursinge et al. (2017). [18]

Debido a su enorme variedad, es necesario implementar reducciones de características para eliminar información redundante. Se deben evaluar cientos de características diferentes con algoritmos de selección para acelerar este proceso. Además, se deben eliminar las características que son inestables y no reproducibles, ya que las características con baja fidelidad probablemente conducirán a hallazgos espurios y modelos irrepetibles. [19] [20]

Análisis

Después de seleccionar las características que son importantes para nuestra tarea, es crucial analizar los datos elegidos. Antes del análisis propiamente dicho, es necesario integrar los datos clínicos y moleculares (a veces incluso los genéticos), ya que tienen un gran impacto en lo que se puede deducir del análisis. Existen diferentes métodos para analizar finalmente los datos. En primer lugar, se comparan las diferentes características entre sí para averiguar si tienen alguna información en común y para revelar qué significa que todas se presenten al mismo tiempo.

Otra forma es el Análisis Supervisado o No Supervisado. El Análisis Supervisado utiliza una variable de resultado para poder crear modelos de predicción. El Análisis No Supervisado resume la información que tenemos y se puede representar gráficamente. De manera que la conclusión de nuestros resultados sea claramente visible.

Bases de datos

Creación

Para crear una base de datos radiómica integrada se necesitan varios pasos. Los datos de imágenes deben exportarse desde las clínicas. Este es un paso muy complicado porque la información del paciente es muy sensible y está regida por leyes de privacidad, como HIPAA . Al mismo tiempo, los datos exportados no deben perder nada de su integridad al comprimirse, de modo que la base de datos solo incorpore datos de la misma calidad. La integración de datos clínicos y moleculares también es importante y se necesita una gran ubicación de almacenamiento de imágenes.

Usar

El objetivo de la radiómica es poder utilizar esta base de datos para nuevos pacientes. Esto significa que necesitamos algoritmos que ejecuten nuevos datos de entrada a través de la base de datos y que devuelvan un resultado con información sobre cómo podría ser el curso de la enfermedad de los pacientes. Por ejemplo, qué tan rápido crecerá el tumor o qué probabilidades hay de que el paciente sobreviva durante un tiempo determinado, si es posible que se produzcan metástasis a distancia y dónde. Esto determina cómo se selecciona el tratamiento posterior (como cirugía, quimioterapia, radioterapia o medicamentos dirigidos, etc.) y la mejor solución que maximice la supervivencia o la mejora. El algoritmo tiene que reconocer las correlaciones entre las imágenes y las características, de modo que sea posible extrapolar el material de la base de datos a los datos de entrada.

Aplicaciones

Predicción de resultados clínicos

Aerts et al. (2014) [21] realizaron el primer estudio radiómico a gran escala que incluyó tres cohortes de cáncer de pulmón y dos de cabeza y cuello, compuestas por más de 1000 pacientes. Evaluaron los valores pronósticos de más de 400 características texturales y basadas en la forma y la intensidad extraídas de las imágenes de tomografía computarizada (TC) adquiridas antes de cualquier tratamiento. Los volúmenes tumorales fueron definidos por oncólogos radioterapeutas expertos o utilizando métodos de segmentación semiautomáticos. [22] [23] Sus resultados identificaron un subconjunto de características radiómicas que pueden ser útiles para predecir la supervivencia del paciente y describir la heterogeneidad intratumoral. También confirmaron que la capacidad pronóstica de estas características radiómicas puede transferirse del cáncer de pulmón al cáncer de cabeza y cuello. Sin embargo, Parmar et al. (2015) [24] demostraron que el valor pronóstico de algunas características radiómicas puede depender del tipo de cáncer. En particular, observaron que no todas las características radiómicas que predecían significativamente la supervivencia de los pacientes con cáncer de pulmón también podían predecir la supervivencia de los pacientes con cáncer de cabeza y cuello y viceversa.

Nasief et al. (2019) [20] demostraron que los cambios de las características radiómicas a lo largo del tiempo en imágenes longitudinales (características delta-radiómicas, DRF) pueden utilizarse potencialmente como biomarcador para predecir la respuesta al tratamiento del cáncer de páncreas. Sus resultados demostraron que se puede utilizar una red neuronal de regularización bayesiana para identificar un subconjunto de DRF que demostraron cambios significativos entre los pacientes con buena y mala respuesta después de 2 a 4 semanas de tratamiento con un AUC = 0,94. También demostraron (Nasief et al., 2020) que las DRF son un predictor independiente de la supervivencia y, si se combinan con el biomarcador clínico CA19-9, pueden mejorar la predicción de la respuesta al tratamiento y aumentar la posibilidad de adaptación al tratamiento basada en la respuesta. [25]

Varios estudios también han demostrado que las características radiómicas son mejores para predecir la respuesta al tratamiento que las medidas convencionales, como el volumen y el diámetro del tumor y la captación máxima del radiotrazador en la tomografía por emisión de positrones (PET). [26] [27] [28] [29] [30] [31] [32] Utilizando esta técnica se ha desarrollado un algoritmo, después del entrenamiento inicial basado en la densidad linfocítica intratumoral, para predecir la probabilidad de respuesta del tumor a la inmunoterapia, proporcionando una demostración del potencial clínico de la radiómica como una poderosa herramienta para la terapia personalizada en el campo emergente de la inmunooncología. [33] Otros estudios también han demostrado la utilidad de la radiómica para predecir la respuesta a la inmunoterapia de pacientes con CPCNP utilizando imágenes de TC previas al tratamiento [34] y PET/TC . [35]

La radiómica sigue siendo inferior a las técnicas convencionales en algunas aplicaciones, lo que sugiere la necesidad de una mejora continua y la manipulación de las características de la radiómica para diferentes escenarios clínicos. Por ejemplo, Ludwig et al. (2020) [36] demostraron que las características morfológicas de la radiómica eran inferiores a las características establecidas previamente en la discriminación del estado de ruptura del aneurisma intracraneal a partir de la angiografía rotacional tridimensional .

Pronóstico

Los estudios radiómicos han demostrado que los marcadores basados ​​en imágenes tienen el potencial de proporcionar información ortogonal a la estadificación y los biomarcadores y mejorar el pronóstico. [21] [37] [38]

Predicción del riesgo de metástasis a distancia

El potencial metastásico de los tumores también se puede predecir mediante características radiómicas. [39] [40] Por ejemplo, se identificaron treinta y cinco características radiómicas basadas en TC como predictivas de metástasis a distancia de cáncer de pulmón en un estudio realizado por Coroller et al. en 2015. [39] Por lo tanto, concluyeron que las características radiómicas pueden ser útiles para identificar pacientes con alto riesgo de desarrollar metástasis a distancia, lo que guía a los médicos a seleccionar el tratamiento eficaz para pacientes individuales.

Evaluación de la genética del cáncer

Los mecanismos biológicos de los tumores pulmonares pueden demostrar patrones de imagen distintivos y complejos. [41] [42] [1] En particular, Aerts et al. (2014) [1] demostraron que las características radiómicas estaban asociadas con conjuntos de genes biológicos, como la fase del ciclo celular, la recombinación del ADN, la regulación del proceso del sistema inmunológico, etc. Además, se ha demostrado que varias mutaciones del glioblastoma (GBM), como la deleción de 1p/19q, la metilación de MGMT, TP53, EGFR y NF1, se predicen significativamente mediante medidas volumétricas de imágenes por resonancia magnética (IRM), incluido el volumen del tumor, el volumen de necrosis y el volumen de realce de contraste. [43] [44] [45] Además, la carga de mutación tumoral en gliomas recurrentes también se asoció con una firma radiómica única [46]

Radioterapia guiada por imágenes

La radiómica ofrece la ventaja de ser no invasiva y, por lo tanto, puede repetirse prospectivamente para un paciente determinado con mayor facilidad que las biopsias tumorales invasivas. Se ha sugerido que la radiómica podría ser un medio para monitorear los cambios dinámicos del tumor a lo largo del curso de la radioterapia y para definir subvolúmenes en riesgo para los cuales la escalada de dosis podría ser beneficiosa. [47] [48]

Cómo distinguir la progresión verdadera de la radionecrosis

El efecto del tratamiento o la necrosis por radiación después de la radiocirugía estereotáctica (SRS) para las metástasis cerebrales es un fenómeno común que a menudo no se puede distinguir de la progresión verdadera. La radiómica demostró diferencias significativas en un conjunto de 82 lesiones tratadas en 66 pacientes con resultados patológicos. Las características de la radiómica de mayor rango que se incorporaron a un clasificador IsoSVM optimizado dieron como resultado una sensibilidad y especificidad del 65,38 % y el 86,67 %, respectivamente, con un área bajo la curva de 0,81 en la validación cruzada de exclusión de uno. Solo el 73 % de los casos fueron clasificables por el neurorradiólogo, con una sensibilidad del 97 % y una especificidad del 19 %. Estos resultados muestran que la radiómica es prometedora para diferenciar entre el efecto del tratamiento y la progresión verdadera en las metástasis cerebrales tratadas con SRS. [49]

Predicción de eventos fisiológicos

La radiómica también se puede utilizar para identificar eventos fisiológicos complejos como la actividad cerebral, que generalmente se estudia con técnicas de imagen como la resonancia magnética funcional (fMRI). Las imágenes sin procesar de FMRI pueden someterse a un análisis radiómico para generar características de imagen que luego se pueden correlacionar con una actividad cerebral significativa. [50]

Genómica de imágenes

En la genómica de imágenes, la radiogenómica se puede utilizar para crear biomarcadores de imágenes que puedan identificar la genómica de una enfermedad, especialmente el cáncer, sin el uso de una biopsia . Se utilizan varias técnicas para tratar datos de alta dimensión para encontrar correlaciones estadísticamente significativas entre las características de las imágenes de MRI , CT y PET y la genómica de la enfermedad, incluidas SAM , VAMPIRE y GSEA.

El enfoque radiogenómico de imágenes ha demostrado ser exitoso [51] en la determinación de la genética asociada al fenotipo de MRI del glioblastoma , un tipo altamente agresivo de tumor cerebral con bajo pronóstico. El primer estudio correlacional de microARN-ARNm de imágenes de RM a gran escala en GBM fue publicado por Zinn et al. en 2011 [52] Estudios similares en cáncer de hígado han determinado con éxito gran parte del genoma del cáncer de hígado a partir de características de imágenes no invasivas. [53] Gevaert et al. en la Universidad de Stanford han demostrado el potencial de vincular las características de imagen de los nódulos pulmonares de células no pequeñas en tomografías computarizadas para predecir la supervivencia aprovechando los datos de expresión genética disponibles públicamente. [54] Esta publicación fue acompañada por un editorial que analiza la sinergia entre las imágenes y la genómica. [55] Más recientemente, Mu Zhou et al. en la Universidad de Stanford han demostrado que las asociaciones múltiples entre las características semánticas de la imagen y los metagenes que representan vías moleculares canónicas pueden dar como resultado la identificación no invasiva de las propiedades moleculares del cáncer de pulmón de células no pequeñas. [56]

Se han llevado a cabo varios estudios radiogenómicos en el cáncer de próstata, [57] [58] [59] Algunos han notado que las características genéticas correlacionadas con la señal de MRI a menudo también se asocian con un cáncer de próstata más agresivo. [60] Una revisión sistemática de las características genéticas encontradas en lesiones más visibles en MRI identificó múltiples estudios que habían encontrado pérdida del supresor tumoral PTEN , aumento de la expresión genética vinculada a la proliferación celular , así como interacciones célula-ECM. [61] Esto puede indicar que ciertas características genéticas impulsan cambios celulares que en última instancia afectan el movimiento de fluidos que se puede ver en MRI y estas características se asocian predominantemente con un mal pronóstico. [61] La combinación de alteraciones genéticas más peligrosas, histología y resultados clínicos para pacientes con tumores de próstata que son visibles en mpMRI, ha llevado a sugerencias de que la definición de "cáncer clínicamente significativo" debería basarse al menos en parte en los hallazgos de mpMRI. [62]

El enfoque radiogenómico también se ha aplicado con éxito en el cáncer de mama. En 2014, Mazurowski et al. [63] demostraron que la dinámica de mejora en la resonancia magnética, calculada mediante algoritmos de visión artificial, está asociada con el subtipo molecular del tumor basado en la expresión genética en pacientes con cáncer de mama.

Los programas que estudian las conexiones entre la radiología y la genómica están activos en la Universidad de Pensilvania , la UCLA , el Centro Oncológico MD Anderson , la Universidad de Stanford y en el Baylor College of Medicine en Houston, Texas.

Radiómica multiparamétrica

La obtención de imágenes radiológicas multiparamétricas es vital para la detección, caracterización y diagnóstico de muchas enfermedades diferentes. Sin embargo, los métodos actuales de radiómica se limitan al uso de imágenes individuales para la extracción de estas características texturales y pueden limitar el alcance de aplicación de la radiómica en diferentes entornos clínicos. Por lo tanto, en la forma actual, no son capaces de capturar las verdaderas características subyacentes del tejido en un espacio de imágenes multiparamétricas de alta dimensión.

Recientemente, se desarrolló un marco radiómico de imágenes multiparamétricas denominado MPRAD para la extracción de características radiómicas de conjuntos de datos de alta dimensión. [64] La radiómica multiparamétrica se probó en dos órganos y enfermedades diferentes: cáncer de mama y accidentes cerebrovasculares en el cerebro, comúnmente conocidos como accidente cerebrovascular.

Cáncer de mama

En el cáncer de mama, el marco MPRAD clasificó las lesiones mamarias malignas de las benignas con una excelente sensibilidad y especificidad del 87% y 80,5% respectivamente, con un AUC de 0,88. El MPRAD proporcionó un aumento del 9%-28% en el AUC sobre parámetros radiómicos individuales. Más importante aún, en la mama, el MPRAD del tejido glandular normal fue similar entre cada grupo sin diferencias significativas. [64]

Ataque

De manera similar, las características MPRAD en el accidente cerebrovascular demostraron un mayor rendimiento en la distinción del desajuste de perfusión-difusión en comparación con la radiómica de un solo parámetro y no hubo diferencias dentro del tejido de materia blanca y gris. [64] La mayoría de las características radiómicas de segundo orden (GLCM) no mostraron ninguna diferencia textural significativa entre el tejido infartado y el tejido en riesgo en el mapa ADC. Mientras que las mismas características radiómicas multiparamétricas de segundo orden (TSPM) fueron significativamente diferentes para el conjunto de datos DWI. De manera similar, los valores radiómicos multiparamétricos para el conjunto de datos TTP y PWI demostraron excelentes resultados para el MPRAD. La entropía TSPM de MPRAD exhibió una diferencia significativa entre el tejido infartado y el tejido potencial en riesgo: (6,6 ± 0,5 frente a 8,4 ± 0,3, p = 0,01).

Véase también

Referencias

  1. ^ abcd Lambin P, Ríos-Velázquez E, Leijenaar R, Carvalho S, van Stiphout RG, Granton P, et al. (Marzo de 2012). "Radiómica: extracción de más información de imágenes médicas mediante análisis de características avanzado". Revista europea de cáncer . 48 (4): 441–6. doi :10.1016/j.ejca.2011.11.036. PMC  4533986 . PMID  22257792.
  2. ^ abc Kumar V, Gu Y, Basu S, Berglund A, Eschrich SA, Schabath MB, et al. (noviembre de 2012). "Radiomics: el proceso y los desafíos". Imágenes por resonancia magnética . 30 (9): 1234–48. doi :10.1016/j.mri.2012.06.010. PMC 3563280 . PMID  22898692. 
  3. ^ ab Gillies RJ, Kinahan PE, Hricak H (febrero de 2016). "Radiomics: las imágenes son más que fotografías, son datos". Radiología . 278 (2): 563–77. doi :10.1148/radiol.2015151169. PMC 4734157 . PMID  26579733. 
  4. ^ ab Parekh V, Jacobs MA (2016). "Radiomics: una nueva aplicación a partir de técnicas establecidas". Revisión experta de medicina de precisión y desarrollo de fármacos . 1 (2): 207–226. doi :10.1080/23808993.2016.1164013. PMC 5193485 . PMID  28042608. 
  5. ^ Yip SS, Aerts HJ (julio de 2016). "Aplicaciones y limitaciones de la radiómica". Física en Medicina y Biología . 61 (13): R150-66. Bibcode :2016PMB....61R.150Y. doi :10.1088/0031-9155/61/13/R150. PMC 4927328 . PMID  27269645. 
  6. ^ Yip SS, Liu Y, Parmar C, Li Q, Liu S, Qu F, et al. (junio de 2017). "Asociaciones entre características radiómicas calculadas automáticamente y semánticas definidas por radiólogos en el cáncer de pulmón de células no pequeñas". Scientific Reports . 7 (1): 3519. Bibcode :2017NatSR...7.3519Y. doi :10.1038/s41598-017-02425-5. PMC 5471260 . PMID  28615677. 
  7. ^ Chicklore S, Goh V, Siddique M, Roy A, Marsden PK, Cook GJ (enero de 2013). "Cuantificación de la heterogeneidad tumoral en imágenes PET/CT con 18F-FDG mediante análisis de textura". Revista Europea de Medicina Nuclear e Imágenes Moleculares . 40 (1): 133–40. doi :10.1007/s00259-012-2247-0. PMID  23064544. S2CID  24695383.
  8. ^ Cook GJ, Siddique M, Taylor BP, Yip C, Chicklore S, Goh V (2014). "Radiomics in PET: Principles and applications" (Radiómica en PET: principios y aplicaciones). Clinical and Translational Imaging . 2 (3): 269–276. doi : 10.1007/s40336-014-0064-0 .
  9. ^ Parekh VS, Jacobs MA (14 de noviembre de 2017). "Marco radiómico integrado para el cáncer de mama y la biología tumoral mediante aprendizaje automático avanzado y resonancia magnética multiparamétrica". npj Breast Cancer . 3 (1): 43. doi :10.1038/s41523-017-0045-3. PMC 5686135 . PMID  29152563. 
  10. ^ Parekh VS, Jacobs MA (4 de marzo de 2019). "Aprendizaje profundo y radiomía en medicina de precisión". Revisión experta de medicina de precisión y desarrollo de fármacos . 4 (2): 59–72. doi :10.1080/23808993.2019.1585805. PMC 6508888. PMID  31080889 . 
  11. ^ Kumar, Virendra; Gu, Yuhua; Basu, Satrajit; Berglund, Anders; Eschrich, Steven A.; Schabath, Matthew B.; Forster, Kenneth; Aerts, Hugo JWL; Dekker, Andre; Fenstermacher, David; Goldgof, Dmitry B. (noviembre de 2012). "Radiomics: el proceso y los desafíos". Imágenes por resonancia magnética . 30 (9): 1234–1248. doi :10.1016/j.mri.2012.06.010. PMC 3563280 . PMID  22898692. 
  12. ^ Schick, Ulrike; Lucia, François; Dissaux, Gurvan; Visvikis, Dimitris; Badic, Bogdan; Masson, Ingrid; Pradier, Olivier; Bourbonne, Vincent; Hatt, Mathieu (diciembre de 2019). "Radiómica derivada de la resonancia magnética: metodología y aplicaciones clínicas en el campo de la oncología pélvica". The British Journal of Radiology . 92 (1104): 20190105. doi :10.1259/bjr.20190105. ISSN  0007-1285. PMC 6913356 . PMID  31538516. 
  13. ^ Amorim, Barbara Juarez; Torrado-Carvajal, Angel; Esfahani, Shadi A; Marcos, Sara S; Vangel, Mark; Stein, Dan; Groshar, David; Catalano, Onofrio A (octubre de 2020). "Radiómica PET/MRI en cáncer rectal: un estudio piloto sobre la correlación entre las características de imagen derivadas de PET y MRI con una interpretación clínica". Imagen molecular y biología . 22 (5): 1438–1445. doi :10.1007/s11307-020-01484-x. ISSN  1536-1632. PMID  32270337. S2CID  215411812.
  14. ^ Galloway, Mary M (1975). "Análisis de texturas utilizando longitudes de ejecución de niveles de gris". Procesamiento de imágenes y gráficos por computadora . 4 (2): 172–179. doi :10.1016/S0146-664X(75)80008-6.
  15. ^ Pentland AP (junio de 1984). "Descripción de escenas naturales basada en fractales". IEEE Transactions on Pattern Analysis and Machine Intelligence . 6 (6): 661–74. doi :10.1109/TPAMI.1984.4767591. PMID  22499648. S2CID  17415943.
  16. ^ Amadasun M, King R (1989). "Características texturales correspondientes a propiedades texturales". IEEE Transactions on Systems, Man, and Cybernetics . 19 (5): 1264–1274. doi :10.1109/21.44046.
  17. ^ Thibault G, Angulo J, Meyer F (marzo de 2014). "Matrices estadísticas avanzadas para caracterización de texturas: aplicación a la clasificación celular". IEEE Transactions on Bio-Medical Engineering . 61 (3): 630–7. doi :10.1109/TBME.2013.2284600. PMID  24108747. S2CID  11319154.
  18. ^ Ranjbar S, Mitchell JR (2017). "Introducción a la radiómica: una piedra angular en evolución de la medicina de precisión". Análisis de texturas biomédicas . págs. 223–245. doi :10.1016/B978-0-12-812133-7.00008-9. ISBN 9780128121337.
  19. ^ Tunali, Ilke; Hall, Lawrence O.; Napel, Sandy; Cherezov, Dmitry; Guvenis, Albert; Gillies, Robert J.; Schabath, Matthew B. (23 de septiembre de 2019). "Estabilidad y reproducibilidad de las características radiómicas de la tomografía computarizada extraídas de las regiones peritumorales de las lesiones de cáncer de pulmón". Física médica . 46 (11): 5075–5085. Bibcode :2019MedPh..46.5075T. doi :10.1002/mp.13808. PMC 6842054 . PMID  31494946. 
  20. ^ ab Nasief, Haidy; Zheng, Cheng; Schott, Diane; Hall, William; Tsai, Susan; Erickson, Beth; Allen Li, X. (4 de octubre de 2019). "Un proceso de delta-radiómica basado en aprendizaje automático para la predicción temprana de la respuesta al tratamiento del cáncer de páncreas". npj Precision Oncology . 3 (1): 25. doi :10.1038/s41698-019-0096-z. PMC 6778189 . PMID  31602401. 
  21. ^ ab Aerts HJ, Velázquez ER, Leijenaar RT, Parmar C, Grossmann P, Carvalho S, Bussink J, Monshouwer R, Haibe-Kains B, Rietveld D, et al. (junio de 2014). "Decodificación del fenotipo tumoral mediante imágenes no invasivas utilizando un enfoque de radiómica cuantitativa". Comuna Nacional . 5 : 4006. Código Bib : 2014NatCo...5.4006A. doi : 10.1038/ncomms5006. PMC 4059926 . PMID  24892406. 
  22. ^ Gu Y, Kumar V, Hall LO, Goldgof DB, Li CY, Korn R, et al. (marzo de 2013). "Delineación automatizada de tumores pulmonares a partir de imágenes de TC mediante un enfoque de segmentación de conjuntos con un solo clic". Reconocimiento de patrones . 46 (3): 692–702. Bibcode :2013PatRe..46..692G. doi :10.1016/j.patcog.2012.10.005. PMC 3580869 . PMID  23459617. 
  23. ^ Velazquez ER, Parmar C, Jermoumi M, Mak RH, van Baardwijk A, Fennessy FM, et al. (diciembre de 2013). "Segmentación basada en TC volumétrica de NSCLC utilizando 3D-Slicer". Scientific Reports . 3 : 3529. Bibcode :2013NatSR...3E3529V. doi :10.1038/srep03529. PMC 3866632 . PMID  24346241. 
  24. ^ Parmar C, Leijenaar RT, Grossmann P, Rios Velazquez E, Bussink J, Rietveld D, et al. (junio de 2015). "Conjuntos de características radiómicas y firmas pronósticas específicas para el cáncer de pulmón y de cabeza y cuello". Scientific Reports . 5 : 11044. Bibcode :2015NatSR...511044P. doi :10.1038/srep11044. PMC 4937496 . PMID  26251068. 
  25. ^ Nasief, Haidy; Hall, William; Zheng, Cheng; Tsai, Susan; Wang, Liang; Erickson, Beth; Li, X. Allen (8 de enero de 2020). "Mejora de la predicción de la respuesta al tratamiento de la quimiorradioterapia del cáncer de páncreas mediante una combinación de delta-radiómica y el biomarcador clínico CA19-9". Frontiers in Oncology . 9 : 1464. doi : 10.3389/fonc.2019.01464 . PMC 6960122 . PMID  31970088. 
  26. ^ Tixier F, Le Rest CC, Hatt M, Albarghach N, Pradier O, Metges JP, et al. (marzo de 2011). "La heterogeneidad intratumoral caracterizada por características texturales en imágenes PET con 18F-FDG basales predice la respuesta a la radioquimioterapia concomitante en el cáncer de esófago". Journal of Nuclear Medicine . 52 (3): 369–78. doi :10.2967/jnumed.110.082404. PMC 3789272 . PMID  21321270. 
  27. ^ Hatt M, Majdoub M, Vallières M, Tixier F, Le Rest CC, Groheux D, et al. (enero de 2015). "Caracterización de la captación de PET con 18F-FDG mediante análisis de textura: investigación de la naturaleza complementaria de la heterogeneidad y el volumen tumoral funcional en una cohorte de pacientes con cáncer en múltiples localizaciones". Journal of Nuclear Medicine . 56 (1): 38–44. doi : 10.2967/jnumed.114.144055 . PMID  25500829.
  28. ^ van Rossum PS, Fried DV, Zhang L, Hofstetter WL, van Vulpen M, Meijer GJ, et al. (mayo de 2016). "El valor incremental de la evaluación subjetiva y cuantitativa de la PET con 18F-FDG para la predicción de la respuesta patológica completa a la quimiorradioterapia preoperatoria en el cáncer de esófago". Revista de medicina nuclear . 57 (5): 691–700. doi : 10.2967/jnumed.115.163766 . PMID  26795288.
  29. ^ Yip SS, Coroller TP, Sanford NN, Mamon H, Aerts HJ, Berbeco RI (2016). "Relación entre los cambios temporales en las características texturales basadas en imágenes por tomografía por emisión de positrones y la respuesta patológica y la supervivencia en pacientes con cáncer de esófago". Frontiers in Oncology . 6 : 72. doi : 10.3389/fonc.2016.00072 . PMC 4810033 . PMID  27066454. 
  30. ^ Zhang H, Tan S, Chen W, Kligerman S, Kim G, D'Souza WD, et al. (enero de 2014). "Modelado de la respuesta patológica del cáncer de esófago a la quimiorradioterapia utilizando características de PET con 18F-FDG espacio-temporales, parámetros clínicos y datos demográficos". Revista internacional de oncología radioterápica, biología y física . 88 (1): 195–203. doi :10.1016/j.ijrobp.2013.09.037. PMC 3875172. PMID  24189128 . 
  31. ^ Cheng NM, Fang YH, Lee LY, Chang JT, Tsan DL, Ng SH, et al. (marzo de 2015). "La falta de uniformidad del tamaño de la zona de las características texturales regionales de la PET con 18F-FDG predice la supervivencia en pacientes con cáncer orofaríngeo". Revista Europea de Medicina Nuclear e Imágenes Moleculares . 42 (3): 419–28. doi :10.1007/s00259-014-2933-1. PMID  25339524. S2CID  6167165.
  32. ^ Cook GJ, Yip C, Siddique M, Goh V, Chicklore S, Roy A, et al. (enero de 2013). "¿Las características texturales del tumor en la PET con 18F-FDG previas al tratamiento en el cáncer de pulmón de células no pequeñas están asociadas con la respuesta y la supervivencia después de la quimiorradioterapia?". Journal of Nuclear Medicine . 54 (1): 19–26. doi : 10.2967/jnumed.112.107375 . PMID  23204495.
  33. ^ Sun R, Limkin EJ, Vakalopoulou M, Dercle L, Champiat S, Han SR, et al. (septiembre de 2018). "Un enfoque radiómico para evaluar las células CD8 infiltradas en tumores y la respuesta a la inmunoterapia anti-PD-1 o anti-PD-L1: un biomarcador de imágenes, estudio multicohorte retrospectivo". The Lancet. Oncología . 19 (9): 1180–1191. doi :10.1016/S1470-2045(18)30413-3. PMID  30120041. S2CID  52032552.
  34. ^ Tunali I, Gray JE, Qi J, Abdallah M, Jeong DK, Guvenis A, Gillies RJ, Gillies RJ (enero de 2019). "Nuevos predictores clínicos y radiómicos de fenotipos de progresión rápida de la enfermedad entre pacientes con cáncer de pulmón tratados con inmunoterapia: un informe preliminar". Cáncer de pulmón . 129 : 75–79. doi :10.1016/j.lungcan.2019.01.010. PMC 6450086 . PMID  30797495. 
  35. ^ Mu W, Tunali I, Gray JE, Qi J, Gillies RJ, Gillies RJ (diciembre de 2019). "La radiomómica de las imágenes PET/CT con 18F-FDG predice el beneficio clínico de la inmunoterapia con bloqueo de puntos de control en pacientes con CPNM avanzado". Eur J Nucl Med Mol Imaging . 47 (5): 1168–1182. doi :10.1007/s00259-019-04625-9. PMC 8663718 . PMID  31807885. S2CID  208650067. 
  36. ^ Ludwig, CG; Lauric, A; Malek, JA; Mulligan, R; Malek, AM (2020). "Rendimiento de las características morfológicas derivadas de la radiómica para la predicción del estado de ruptura del aneurisma". Revista de cirugía neurointervencionista . 13 (8). doi :10.1136/neurintsurg-2020-016808. PMID  33158993. S2CID  226274492.
  37. ^ Tunali I, Stringfield O, Guvenis A, Wang H, Liu Y, et al. (agosto de 2017). "Las características radiómicas de gradiente radial y desviación radial de las tomografías computarizadas prequirúrgicas se asocian con la supervivencia entre los pacientes con adenocarcinoma de pulmón". Oncotarget . 8 (56): 96013–96026. doi :10.18632/oncotarget.21629. PMC 5707077 . PMID  29221183. 
  38. ^ Huang P, Park S, Yan R, Lee J, Chu LC, Lin CT, Hussien A, Rathmell J, Thomas B, Chen C, et al. (septiembre de 2018). "Valor añadido de las características de las imágenes de TC asistidas por ordenador para el diagnóstico precoz del cáncer de pulmón con nódulos pulmonares pequeños: un estudio de casos y controles emparejados". Radiología . 286 (1): 286–295. doi :10.1148/radiol.2017162725. PMC 5779085 . PMID  28872442. 
  39. ^ ab Coroller TP, Grossmann P, Hou Y, Rios Velazquez E, Leijenaar RT, Hermann G, et al. (marzo de 2015). "La firma radiómica basada en TC predice la metástasis distante en el adenocarcinoma de pulmón". Radioterapia y oncología . 114 (3): 345–50. doi :10.1016/j.radonc.2015.02.015. PMC 4400248 . PMID  25746350. 
  40. ^ Vallières M, Freeman CR, Skamene SR, El Naqa I (julio de 2015). "Un modelo radiómico a partir de las características de textura conjuntas de FDG-PET y MRI para la predicción de metástasis pulmonares en sarcomas de tejidos blandos de las extremidades". Física en Medicina y Biología . 60 (14): 5471–96. Bibcode :2015PMB....60.5471V. doi :10.1088/0031-9155/60/14/5471. PMID  26119045. S2CID  4709680.
  41. ^ Rios Velazquez E, Parmar C, Liu Y, Coroller TP, Cruz G, Stringfield O, et al. (julio de 2017). "Las mutaciones somáticas impulsan distintos fenotipos de imágenes en el cáncer de pulmón". Cancer Research . 77 (14): 3922–3930. doi :10.1158/0008-5472.CAN-17-0122. PMC 5528160 . PMID  28566328. 
  42. ^ Yip SS, Kim J, Coroller TP, Parmar C, Velazquez ER, Huynh E, et al. (abril de 2017). "Asociaciones entre mutaciones somáticas y fenotipos de imágenes metabólicas en cáncer de pulmón de células no pequeñas". Revista de medicina nuclear . 58 (4): 569–576. doi :10.2967/jnumed.116.181826. PMC 5373502 . PMID  27688480. 
  43. ^ Brown R, Zlatescu M, Sijben A, Roldan G, Easaw J, Forsyth P, et al. (abril de 2008). "El uso de imágenes por resonancia magnética para detectar de forma no invasiva las firmas genéticas en oligodendrogliomas". Clinical Cancer Research . 14 (8): 2357–62. doi : 10.1158/1078-0432.CCR-07-1964 . PMID  18413825.
  44. ^ Drabycz S, Roldán G, de Robles P, Adler D, McIntyre JB, Magliocco AM, et al. (enero de 2010). "Análisis de la textura de la imagen, la localización del tumor y la metilación del promotor MGMT en el glioblastoma mediante imágenes por resonancia magnética". NeuroImage . 49 (2): 1398–405. doi :10.1016/j.neuroimage.2009.09.049. PMID  19796694. S2CID  18857965.
  45. ^ Gutman DA, Dunn WD, Grossmann P, Cooper LA, Holder CA, Ligon KL, et al. (diciembre de 2015). "Mutaciones somáticas asociadas con características volumétricas derivadas de la resonancia magnética en el glioblastoma". Neurorradiología . 57 (12): 1227–37. doi :10.1007/s00234-015-1576-7. PMC 4648958 . PMID  26337765. 
  46. ^ Hassan, Islam, et al. "NIMG-28. El aumento de la carga de mutación (hipermutación) en los gliomas se asocia con una firma de textura radiómica única en la resonancia magnética". Neuro-oncology 19.Suppl 6 (2017): vi147.
  47. ^ Sun R, Orlhac F, Robert C, Reuzé S, Schernberg A, Buvat I, et al. (agosto de 2016). "En relación con Mattonen et al." Revista internacional de oncología radioterápica, biología y física . 95 (5): 1544–1545. doi :10.1016/j.ijrobp.2016.03.038. PMID  27479727.
  48. ^ Yip SS, Coroller TP, Sanford NN, Huynh E, Mamon H, Aerts HJ, Berbeco RI (enero de 2016). "Uso de propagación de contorno basada en registro en análisis de textura para predicción de respuesta patológica de cáncer de esófago". Física en Medicina y Biología . 61 (2): 906–22. Bibcode :2016PMB....61..906Y. doi :10.1088/0031-9155/61/2/906. PMID  26738433. S2CID  21799373.
  49. ^ Peng L, Parekh V, Huang P, Lin DD, Sheikh K, Baker B, et al. (noviembre de 2018). "Cómo distinguir la progresión verdadera de la radionecrosis después de la radioterapia estereotáctica para metástasis cerebrales con aprendizaje automático y radiómica". Revista internacional de oncología radioterápica, biología y física . 102 (4): 1236–1243. doi :10.1016/j.ijrobp.2018.05.041. PMC 6746307. PMID  30353872 . 
  50. ^ Hassan I, Kotrotsou A, Bakhtiari AS, Thomas GA, Weinberg JS, Kumar AJ, et al. (mayo de 2016). "El mapeo del análisis de textura radiómica predice áreas de verdadera actividad funcional de resonancia magnética". Scientific Reports . 6 : 25295. Bibcode :2016NatSR...625295H. doi :10.1038/srep25295. PMC 4858648 . PMID  27151623. 
  51. ^ Diehn, Maximilian; Nardini, Christine; Wang, David S.; McGovern, Susan; Jayaraman, Mahesh; Liang, Yu; Aldape, Kenneth; Cha, Soonmee; Kuo, Michael D. (2008). "Identificación de sustitutos de imágenes no invasivas para módulos de expresión génica de tumores cerebrales". Actas de la Academia Nacional de Ciencias . 105 (13): 5213–8. doi : 10.1073/pnas.0801279105 . PMC 2278224 . PMID  18362333. 
  52. ^ Zinn, Pascal O.; Mahajan, Bhanu; Sathyan, Pratheesh; Singh, Sanjay K.; Majumder, Sadhan; Jolesz, Ferenc A.; Colen, Rivka R. (2011). Alemán, Eric (ed.). "Mapeo radiogenómico de fenotipos de resonancia magnética de edema/invasión celular en glioblastoma multiforme". MÁS UNO . 6 (10): e25451. Código Bib : 2011PLoSO...625451Z. doi : 10.1371/journal.pone.0025451 . PMC 3187774 . PMID  21998659. 
  53. ^ Rutman, Aaron M.; Kuo, Michael D. (2009). "Radiogenómica: creación de un vínculo entre el diagnóstico molecular y el diagnóstico por imágenes". Revista Europea de Radiología . 70 (2): 232–41. doi :10.1016/j.ejrad.2009.01.050. PMID  19303233.
  54. ^ Gevaert, O.; Xu, J.; Hoang, CD; Leung, AN; Xu, Y.; Quon, A.; Rubin, DL; Napel, S.; Plevritis, SK (2012). "Cáncer de pulmón de células no pequeñas: identificación de biomarcadores de diagnóstico por imágenes mediante el aprovechamiento de datos públicos de microarrays de expresión génica: métodos y resultados preliminares". Radiología . 264 (2): 387–96. doi :10.1148/radiol.12111607. PMC 3401348 . PMID  22723499. 
  55. ^ Jaffe, C. (2012). "Imagen y genómica: ¿existe una sinergia?". Radiología . 264 (2): 329–31. doi : 10.1148/radiol.12120871 . PMID  22821693.
  56. ^ Zhou, M.; Leung, A.; Echegaray, S.; Gentles, A.; Shrager, J.; Plevritis, S.; Rubin, DL; Napel, S.; Gevaert, O. (2017). "Mapa radiogenómico del cáncer de pulmón de células no pequeñas que identifica relaciones entre fenotipos moleculares y de imagen con implicaciones pronósticas". Radiología . 286 (1): 307–15. doi :10.1148/radiol.2017161845. PMC 5749594 . PMID  28727543. 
  57. ^ Houlahan, Kathleen E.; Salmasi, Amirali; Sadun, Taylor Y.; Pooli, Aydin; Felker, Ely R.; Livingstone, Julie; Huang, Vincent; Raman, Steven S.; Ahuja, Preeti; Sisk, Anthony E.; Boutros, Paul C. (julio de 2019). "Características moleculares de la visibilidad de la resonancia magnética multiparamétrica en el cáncer de próstata". Urología europea . 76 (1): 18–23. doi :10.1016/j.eururo.2018.12.036. ISSN  1873-7560. PMC 10228592 . PMID  30685078. S2CID  59304426. 
  58. ^ Li, Ping; You, Sungyong; Nguyen, Christopher; Wang, Yanping; Kim, Jayoung; Sirohi, Deepika; Ziembiec, Asha; Luthringer, Daniel; Lin, Shih-Chieh; Daskivich, Timothy; Wu, Jonathan (2018). "Los genes implicados en la progresión del cáncer de próstata determinan la visibilidad de la resonancia magnética". Theranostics . 8 (7): 1752–1765. doi :10.7150/thno.23180. ISSN  1838-7640. PMC 5858498 . PMID  29556354. 
  59. ^ Purysko, Andrei S.; Magi-Galluzzi, Cristina; Mian, Omar Y.; Sittenfeld, Sarah; Davicioni, Elai; du Plessis, Marguerite; Buerki, Christine; Bullen, Jennifer; Li, Lin; Madabhushi, Anant; Stephenson, Andrew (septiembre de 2019). "Correlación entre los fenotipos de la resonancia magnética y un clasificador genómico del cáncer de próstata: hallazgos preliminares". Radiología europea . 29 (9): 4861–4870. doi :10.1007/s00330-019-06114-x. ISSN  1432-1084. PMC 6684343 . PMID  30847589. 
  60. ^ Norris, Joseph M.; Simpson, Benjamin S.; Parry, Marina A.; Kasivisvanathan, Veeru; Allen, Clare; Ball, Rhys; Freeman, Alex; Kelly, Daniel; Kirkham, Alex; Whitaker, Hayley C.; Emberton, Mark (marzo de 2020). "Correlaciones genéticas de la visibilidad (e invisibilidad) del cáncer de próstata en la resonancia magnética multiparamétrica: es hora de hacer balance". BJU International . 125 (3): 340–342. doi : 10.1111/bju.14919 . ISSN  1464-410X. PMID  31600865.
  61. ^ ab Norris, Joseph M.; Simpson, Benjamin S.; Parry, Marina A.; Allen, Clare; Ball, Rhys; Freeman, Alex; Kelly, Daniel; Kim, Hyung L.; Kirkham, Alex; You, Sungyong; Kasivisvanathan, Veeru (1 de julio de 2020). "Panorama genético de la visibilidad del cáncer de próstata en imágenes por resonancia magnética multiparamétrica: una revisión sistemática y un análisis bioinformático". European Urology Open Science . 20 : 37–47. doi : 10.1016/j.euros.2020.06.006 . ISSN  2666-1683. PMC 7497895 . PMID  33000006. 
  62. ^ Norris, Joseph M.; Simpson, Benjamin S.; Freeman, Alex; Kirkham, Alex; Whitaker, Hayley C.; Emberton, Mark (2020). "Visibilidad del cáncer de próstata en la resonancia magnética multiparamétrica: una hipótesis transdisciplinaria transdisciplinaria". The FASEB Journal . 34 (11): 14150–14159. doi : 10.1096/fj.202001466R . ISSN  1530-6860. PMC 8436756 . PMID  32920937. 
  63. ^ Mazurowski, MA; Zhang, J.; Grimm, LJ; Yoon, SC; Silber, JI (2014). "Análisis radiogenómico del cáncer de mama: el subtipo molecular luminal B está asociado con la dinámica de mejora en la obtención de imágenes por resonancia magnética". Radiología . 273 (2): 365–72. doi : 10.1148/radiol.14132641 . PMID  25028781.
  64. ^ abc Parekh VS, Jacobs MA (25 de septiembre de 2018). "MPRAD: un marco radiómico multiparamétrico". Investigación y tratamiento del cáncer de mama . 180 (2): 407–421. arXiv : 1809.09973 . Código Bibliográfico :2018arXiv180909973P. doi :10.1007/s10549-020-05533-5. PMC 7066290 . PMID  32020435.