Из Википедии, бесплатной энциклопедии
Перейти к навигации Перейти к поиску

В области медицины радиомика - это метод, который извлекает большое количество признаков из рентгенологических медицинских изображений с использованием алгоритмов характеристики данных. [1] [2] [3] [4] [5] Эти признаки, называемые радиомными признаками, могут раскрыть признаки заболевания, которые не могут быть оценены невооруженным глазом. [6] Гипотеза радиомики заключается в том, что отличительные особенности визуализации между формами заболевания могут быть полезны для прогнозирования прогноза и терапевтического ответа при различных состояниях, что дает ценную информацию для персонализированной терапии. [1] [7] [8] Радиомика вышла из медицинской областионкология [3] [9] [10] и является наиболее передовой в этой области. Однако этот метод может быть применен к любому медицинскому исследованию, в котором можно визуализировать заболевание или состояние.

Процесс [ править ]

Получение изображения [ править ]

Базовые данные изображения, которые используются для характеристики опухолей, предоставляются с помощью технологии медицинского сканирования. Вместо того, чтобы делать снимок, подобный фотоаппарату, сканирование производит необработанные объемы данных, которые необходимо дополнительно обработать, чтобы их можно было использовать в медицинских исследованиях. Чтобы получить реальные изображения, которые можно интерпретировать, необходимо использовать инструмент реконструкции. [2]

Существует множество алгоритмов реконструкции, поэтому необходимо рассмотреть возможность выбора наиболее подходящего для каждого случая, поскольку полученные изображения будут отличаться. Это влияет на качество и удобство использования изображений, что, в свою очередь, определяет, насколько легко можно обнаружить отклонение от нормы и насколько хорошо его можно охарактеризовать.

Восстановленные изображения сохраняются в большой базе данных. Общедоступная база данных, к которой имеют доступ все клиники, обеспечивает широкую совместную и кумулятивную работу, в которой все могут извлечь выгоду из растущих объемов данных, в идеале обеспечивая более точный рабочий процесс.

Сегментация изображения [ править ]

После того, как изображения были сохранены в базе данных, они должны быть уменьшены до основных частей, в данном случае опухолей, которые называются «интересующими объемами». [2]

Из-за больших объемов данных изображения, которые необходимо обрабатывать, было бы слишком сложно выполнять сегментацию вручную для каждого отдельного изображения, если создается радиомическая база данных с большим количеством данных. Вместо ручной сегментации необходимо использовать автоматизированный процесс. Возможное решение - автоматические и полуавтоматические алгоритмы сегментации. Прежде чем его можно будет применить в большом масштабе, алгоритм должен получить как можно более высокие баллы в следующих четырех задачах:

  • Во-первых, он должен быть воспроизводимым, а это означает, что при использовании с одними и теми же данными результат не изменится.
  • Еще один важный фактор - постоянство. Алгоритм действительно решает проблему и выполняет задачу, а не делает что-то неважное. В этом случае необходимо, чтобы алгоритм мог обнаруживать пораженную часть на всех различных сканированиях.
  • Алгоритм также должен быть точным. Очень важно, чтобы алгоритм максимально точно обнаруживал пораженную часть. Только с точными данными можно получить точные результаты.
  • Второстепенный, но все же важный момент - это экономия времени. Результаты должны быть получены как можно быстрее, чтобы можно было ускорить весь процесс радиомики. Незначительный момент в данном случае означает, что, если он находится в определенном кадре, он не так важен, как другие.

Извлечение и квалификация признаков [ править ]

После сегментации можно выделить многие особенности и вычислить относительное чистое изменение продольных изображений (дельта-радиомика). Радиомные признаки можно разделить на пять групп: признаки на основе размера и формы, дескрипторы гистограммы интенсивности изображения, дескрипторы отношений между вокселями изображения (например, матрица совместной встречаемости на уровне серого (GLCM), матрица длин серий (RLM), текстуры, полученные из матрицы размерной зоны (SZM) и соседней матрицы разности тонов серого (NGTDM), текстуры, извлеченные из отфильтрованных изображений, и фрактальные особенности. Математические определения этих характеристик не зависят от модальности изображения и могут быть найдены в литературе. [11 ] [12] [13] [14]Подробное описание свойств текстуры для радиомики можно найти в Parekh, et al., (2016) [4] и Depeursinge et al. (2017). [15]

Из-за его огромного разнообразия необходимо сократить количество функций, чтобы исключить избыточную информацию. Сотни различных характеристик необходимо оценить с помощью алгоритмов выбора, чтобы ускорить этот процесс. Кроме того, следует исключить функции, которые являются нестабильными и невоспроизводимыми, поскольку функции с низкой точностью могут привести к ложным результатам и неповторимым моделям. [16] [17]

Анализ [ править ]

После выбора функций, важных для нашей задачи, необходимо проанализировать выбранные данные. Перед фактическим анализом необходимо объединить клинические и молекулярные (иногда даже генетические) данные, потому что они имеют большое влияние на то, что можно вывести из анализа. Есть разные методы окончательного анализа данных. Во-первых, различные функции сравниваются друг с другом, чтобы выяснить, есть ли у них какая-либо общая информация, и выявить, что это означает, когда все они возникают одновременно.

Другой способ - это контролируемый или неконтролируемый анализ. Контролируемый анализ использует переменную результата, чтобы иметь возможность создавать модели прогнозирования. Неконтролируемый анализ обобщает имеющуюся у нас информацию и может быть представлен в графическом виде. Так что вывод наших результатов хорошо виден.

Базы данных [ править ]

Создание [ править ]

Для создания интегрированной радиомической базы данных необходимо выполнить несколько шагов. Данные изображений необходимо экспортировать из клиник. Это уже очень сложный шаг, потому что информация о пациенте очень конфиденциальна и регулируется законами о конфиденциальности, такими как HIPAA . В то же время экспортируемые данные не должны терять свою целостность при сжатии, чтобы база данных включала данные только того же качества. Также важна интеграция клинических и молекулярных данных, и требуется большое хранилище изображений.

Используйте [ редактировать ]

Цель радиомики - иметь возможность использовать эту базу данных для новых пациентов. Это означает, что нам нужны алгоритмы, которые пропускают новые входные данные через базу данных, которые возвращают результат с информацией о том, как может выглядеть течение болезни пациентов. Например, насколько быстро будет расти опухоль или насколько велика вероятность того, что пациент выживет в течение определенного времени, возможны ли отдаленные метастазы и где. Это определяет, как будет выбрано дальнейшее лечение (например, операция, химиотерапия, лучевая терапия или таргетные препараты и т. Д.) И лучшее решение, которое максимизирует выживаемость или улучшение. Алгоритм должен распознавать корреляции между изображениями и функциями, чтобы можно было экстраполировать данные из базы данных на входные данные.

Приложения [ править ]

Прогнозирование клинических исходов [ править ]

Aerts et al. (2014) [18] выполнили первое крупномасштабное радиомное исследование, которое включало три когорты рака легких и две когорты рака головы и шеи, состоящие из более чем 1000 пациентов. Они оценили прогностические значения более 400 текстурных и основанных на форме и интенсивности особенностей, извлеченных из изображений компьютерной томографии (КТ), полученных до любого лечения. Объем опухолей определялся либо специалистами-радиологами-онкологами, либо методами полуавтоматической сегментации. [19] [20]Их результаты определили подмножество радиомных признаков, которые могут быть полезны для прогнозирования выживаемости пациентов и описания внутриопухолевой гетерогенности. Они также подтвердили, что прогностическая способность этих радиомических свойств может передаваться от рака легких к раку головы и шеи. Однако Parmar et al. (2015) [21] продемонстрировали, что прогностическая ценность некоторых радиомных признаков может зависеть от типа рака. В частности, они заметили, что не каждая радиомная характеристика, которая достоверно предсказывала выживаемость пациентов с раком легких, также могла предсказать выживаемость пациентов с раком головы и шеи, и наоборот.

Nasief et al. (2019) [17] показали, что изменения радиомных характеристик с течением времени на продольных изображениях (дельта-радиомные особенности, DRF) потенциально могут быть использованы в качестве биомаркера для прогнозирования ответа на лечение рака поджелудочной железы. Их результаты показали, что нейронная сеть с байесовской регуляризацией может использоваться для идентификации подмножества DRF, которые продемонстрировали значительные различия между пациентами с хорошим и плохим ответом после 2-4 недель лечения с AUC = 0,94. Они также показали (Nasief et al., 2020), что DRF являются независимыми предикторами выживаемости и в сочетании с клиническим биомаркером CA19-9 могут улучшить прогнозирование ответа на лечение и увеличить возможность адаптации лечения на основе ответа. [22]

Несколько исследований также показали, что радиомные характеристики лучше предсказывают ответ на лечение, чем обычные измерения, такие как объем и диаметр опухоли, а также максимальное поглощение радиоактивных индикаторов при визуализации позитронно-эмиссионной томографии (ПЭТ). [23] [24] [25] [26] [27] [28] [29] С использованием этой техники был разработан алгоритм после первоначального обучения, основанный на плотности внутриопухолевых лимфоцитов, для прогнозирования вероятности ответа опухоли на иммунотерапию, демонстрация клинического потенциала радиомики как мощного средства индивидуализированной терапии в развивающейся области иммуноонкологии. [30] Другие исследования также продемонстрировали полезность радиомики для прогнозированияиммунотерапевтический ответ пациентов с НМРЛ с использованием КТ до лечения [31] и изображений ПЭТ / КТ . [32]

Радиомика по-прежнему уступает обычным методам в некоторых приложениях, что предполагает необходимость постоянного улучшения и манипулирования функциями радиомики в различных клинических сценариях. Например, Ludwig et. al (2020) [33] продемонстрировали, что морфологические радиомические признаки уступают ранее установленным признакам в различении статуса разрыва внутричерепной аневризмы с помощью трехмерной ротационной ангиографии .

Прогноз [ править ]

Радиомные исследования показали, что маркеры на основе изображений могут предоставлять информацию, ортогональную стадиям и биомаркерам, и улучшать прогноз. [34] [35] [36]

Прогнозирование риска отдаленных метастазов [ править ]

Метастатический потенциал опухолей также можно предсказать по радиомным признакам. [37] [38] Например, в исследовании Coroller et al. Было идентифицировано тридцать пять радиомных признаков, основанных на КТ, для прогнозирования отдаленных метастазов рака легких. в 2015 году. [37] Таким образом, они пришли к выводу, что радиомные особенности могут быть полезны для выявления пациентов с высоким риском развития отдаленных метастазов, помогая врачам выбрать эффективное лечение для отдельных пациентов.

Оценка генетики рака [ править ]

Биологические механизмы опухоли легких могут демонстрировать различные и сложные модели визуализации. [39] [40] [1] В частности, Aerts et al. (2014) [1] показали, что радиомные особенности были связаны с биологическими наборами генов, такими как фаза клеточного цикла, рекомбинация ДНК, регуляция процессов в иммунной системе и т. Д. Более того, различные мутации глиобластомы (GBM), такие как делеция 1p / 19q , Метилирование MGMT, TP53, EGFR и NF1, как было показано, в значительной степени предсказываются объемными измерениями магнитно-резонансной томографии (МРТ), включая объем опухоли, объем некроза и объем усиления контраста. [41] [42] [43]

Лучевая терапия под визуальным контролем [ править ]

Преимущество радиомики заключается в том, что она является неинвазивной, и поэтому ее легче повторять проспективно для данного пациента, чем инвазивная биопсия опухоли. Было высказано предположение, что радиомика может быть средством для мониторинга динамических изменений опухоли в ходе лучевой терапии и для определения подверженных риску частичных объемов, для которых может быть полезно повышение дозы. [44] [45]

Отличие истинного прогрессирования от радионекроза [ править ]

Эффект лечения или радиационный некроз после стереотаксической радиохирургии (SRS) по поводу метастазов в мозг - обычное явление, часто неотличимое от истинного прогрессирования. Радиомика продемонстрировала значительные различия в 82 пролеченных очагах у 66 пациентов с патологическими исходами. Лучшие радиомные функции, введенные в оптимизированный классификатор IsoSVM, привели к чувствительности и специфичности 65,38% и 86,67% соответственно с площадью под кривой 0,81 при перекрестной проверке исключения по одному. Только 73% случаев были классифицированы нейрорадиологом с чувствительностью 97% и специфичностью 19%. Эти результаты показывают, что радиомика обещает дифференцировать эффект лечения и истинное прогрессирование метастазов в головной мозг, подвергшихся лечению с помощью SRS. [46]

Прогнозирование физиологических событий [ править ]

Радиомика также может использоваться для выявления сложных физиологических явлений, таких как активность мозга, которая обычно изучается с помощью методов визуализации, таких как функциональная МРТ «фМРТ». Необработанные изображения FMRI могут подвергаться радиомическому анализу для создания характеристик изображения, которые впоследствии могут быть сопоставлены со значимой активностью мозга. [47]

Многопараметрическая радиомика [ править ]

Многопараметрическая радиологическая визуализация жизненно важна для обнаружения, характеристики и диагностики многих различных заболеваний. Однако современные методы радиомики ограничиваются использованием отдельных изображений для извлечения этих текстурных особенностей и могут ограничивать применимый объем радиомики в различных клинических условиях. Таким образом, в нынешнем виде они не способны фиксировать истинные характеристики подлежащей ткани в многомерном многопараметрическом пространстве визуализации.

Недавно была разработана радиомная структура многопараметрической визуализации, названная MPRAD, для извлечения радиомных особенностей из высокоразмерных наборов данных. [48] Многопараметрическая радиомика была протестирована на двух разных органах и заболеваниях; рак груди и нарушения мозгового кровообращения, обычно называемые инсультом.

Рак груди [ править ]

При раке молочной железы структура MPRAD классифицирует злокачественные новообразования груди от доброкачественных с превосходной чувствительностью и специфичностью 87% и 80,5% соответственно с AUC 0,88. MPRAD обеспечивает увеличение AUC на 9% -28% по сравнению с отдельными радиомными параметрами. Что еще более важно, в молочной железе MPRAD нормальной железистой ткани были одинаковыми в каждой группе без существенных различий. [48]

Инсульт [ править ]

Точно так же функции MPRAD при мозговом инсульте продемонстрировали повышенную эффективность в различении несоответствия перфузии-диффузии по сравнению с радиомикой с одним параметром, и не было никаких различий в ткани белого и серого вещества. [48] Большинство одиночных радиомных характеристик второго порядка (GLCM) не показали каких-либо существенных текстурных различий между инфарктной тканью и тканью риска на карте ADC. В то время как те же самые многопараметрические радиомные характеристики второго порядка (TSPM) значительно различались для набора данных DWI. Точно так же многопараметрические радиомные значения для наборов данных TTP и PWI продемонстрировали отличные результаты для MPRAD. Энтропия MPRAD TSPM показала значительную разницу между тканью, пораженной инфарктом, и тканью, потенциально подверженной риску: (6,6 ± 0,5 против 8,4 ± 0,3, p = 0,01).

См. Также [ править ]

  • Вычисление медицинских изображений
  • Вычислительная анатомия
  • омики

Ссылки [ править ]

  1. ^ а б в г Ламбин П., Риос-Веласкес Э., Лейенаар Р., Карвалью С., ван Стифут Р. Г., Грантон П. и др. (Март 2012 г.). «Радиомика: извлечение дополнительной информации из медицинских изображений с помощью расширенного анализа функций» . Европейский журнал рака . 48 (4): 441–6. DOI : 10.1016 / j.ejca.2011.11.036 . PMC  4533986 . PMID  22257792 .
  2. ^ a b c Кумар В., Гу И, Басу С., Берглунд А., Эшрих С.А., Шабат М.Б. и др. (Ноябрь 2012 г.). «Радиомика: процесс и проблемы» . Магнитно-резонансная томография . 30 (9): 1234–48. DOI : 10.1016 / j.mri.2012.06.010 . PMC 3563280 . PMID 22898692 .  
  3. ^ a b Gillies RJ, Kinahan PE, Hricak H (февраль 2016 г.). «Радиомика: изображения - это больше, чем изображения, они - данные» . Радиология . 278 (2): 563–77. DOI : 10,1148 / radiol.2015151169 . PMC 4734157 . PMID 26579733 .  
  4. ^ а б Парех В., Джейкобс МА (2016). «Радиомика: новое приложение из устоявшихся технологий» . Экспертный обзор точной медицины и разработки лекарств . 1 (2): 207–226. DOI : 10.1080 / 23808993.2016.1164013 . PMC 5193485 . PMID 28042608 .  
  5. ↑ Yip SS, Aerts HJ (июль 2016 г.). «Применение и ограничения радиомики» . Физика в медицине и биологии . 61 (13): R150-66. Bibcode : 2016PMB .... 61R.150Y . DOI : 10.1088 / 0031-9155 / 61/13 / R150 . PMC 4927328 . PMID 27269645 .  
  6. ^ Ип С.С., Лю Й., Пармар К., Ли Кью, Лю С., Цюй Ф и др. (Июнь 2017 г.). «Связь между семантическими и автоматически вычисляемыми радиомными признаками немелкоклеточного рака легкого» . Научные отчеты . 7 (1): 3519. Bibcode : 2017NatSR ... 7.3519Y . DOI : 10.1038 / s41598-017-02425-5 . PMC 5471260 . PMID 28615677 .  
  7. ^ Chicklore S, Го В, Сиддик М, Рой А, Марсден П. К., Кук ГДж (январь 2013 г. ). «Количественная оценка неоднородности опухоли в 18F-FDG ПЭТ / КТ визуализации с помощью анализа текстуры». Европейский журнал ядерной медицины и молекулярной визуализации . 40 (1): 133–40. DOI : 10.1007 / s00259-012-2247-0 . PMID 23064544 . 
  8. ^ Кук ГДж, Сиддик М, Тейлор ВР, Ип С, Chicklore S, Го V (2014). «Радиомика в ПЭТ: принципы и приложения» . Клиническая и трансляционная визуализация . 2 (3): 269–276. DOI : 10.1007 / s40336-014-0064-0 .
  9. ^ Парекх В.С., Jacobs М.А. (2017-11-14). «Интегрированная радиомная структура для рака груди и биологии опухолей с использованием передового машинного обучения и многопараметрической МРТ» . NPJ рака груди . 3 (1): 43. DOI : 10.1038 / s41523-017-0045-3 . PMC 5686135 . PMID 29152563 .  
  10. ^ Парех VS, Джейкобс MA (2019-03-04). «Глубокое обучение и радиомика в точной медицине» . Экспертный обзор точной медицины и разработки лекарств . 4 (2): 59–72. DOI : 10.1080 / 23808993.2019.1585805 . PMC 6508888 . PMID 31080889 .  
  11. Перейти ↑ Galloway, Mary M (1975). «Анализ текстуры с использованием длин серого уровня». Компьютерная графика и обработка изображений . 4 (2): 172–179. DOI : 10.1016 / S0146-664X (75) 80008-6 .
  12. ↑ Pentland AP (июнь 1984 г.). «Фрактальное описание природных сцен». IEEE Transactions по анализу шаблонов и машинному анализу . 6 (6): 661–74. DOI : 10.1109 / TPAMI.1984.4767591 . PMID 22499648 . 
  13. ^ Amadasun M, King R (1989). «Текстурные особенности, соответствующие текстурным свойствам». IEEE Transactions по системам, человеку и кибернетике . 19 (5): 1264–1274. DOI : 10.1109 / 21.44046 .
  14. Перейти ↑ Thibault G, Angulo J, Meyer F (март 2014 г.). «Расширенные статистические матрицы для описания текстуры: приложение к классификации ячеек». IEEE Transactions по биомедицинской инженерии . 61 (3): 630–7. DOI : 10.1109 / TBME.2013.2284600 . PMID 24108747 . 
  15. ^ Ранджбар S, Mitchell JR (2017). «Введение в радиомику: развивающийся краеугольный камень точной медицины». Биомедицинский анализ текстуры . С. 223–245. DOI : 10.1016 / B978-0-12-812133-7.00008-9 . ISBN 9780128121337.
  16. ^ Тунали, Ильке; Холл, Лоуренс О .; Napel, Sandy; Черезов Дмитрий; Гувенис, Альберт; Гиллис, Роберт Дж .; Шабат, Мэтью Б. (23 сентября 2019 г.). «Стабильность и воспроизводимость радиомических характеристик компьютерной томографии, извлеченных из перитуморальных областей поражений раком легкого» . Медицинская физика . 46 (11): 5075–5085. DOI : 10.1002 / mp.13808 . PMC 6842054 . PMID 31494946 .  
  17. ^ a b Насиф, Хейди; Чжэн, Ченг; Шотт, Дайан; Холл, Уильям; Цай, Сьюзен; Эриксон, Бет; Аллен Ли, X. (4 октября 2019 г.). «Процесс дельта-радиомики на основе машинного обучения для раннего прогнозирования реакции на лечение рака поджелудочной железы» . NPJ Precision Oncology . 3 (1): 25. DOI : 10.1038 / s41698-019-0096-г . PMC 6778189 . PMID 31602401 .  
  18. ^ Aerts HJ, Velazquez ER, Leijenaar RT, Parmar C, Grossmann P, Carvalho S, Bussink J, Monshouwer R, Haibe-Kains B, Rietveld D и др. (Июнь 2014 г.). «Расшифровка фенотипа опухоли с помощью неинвазивной визуализации с использованием количественного радиомического подхода» . Nat Commun . 5 : 4006. Bibcode : 2014NatCo ... 5.4006A . DOI : 10.1038 / ncomms5006 . PMC 4059926 . PMID 24892406 .  
  19. ^ Gu Y, Kumar V, Hall LO, Goldgof DB, Li CY, Korn R и др. (Март 2013 г.). «Автоматическое выделение опухолей легких из изображений компьютерной томографии с использованием подхода ансамблевой сегментации в один клик» . Распознавание образов . 46 (3): 692–702. DOI : 10.1016 / j.patcog.2012.10.005 . PMC 3580869 . PMID 23459617 .  
  20. ^ Веласкес ЭР, Пармар С, Jermoumi М, Мак RH, ван Baardwijk А, Fennessy FM - , и др. (Декабрь 2013). «Объемная сегментация НМРЛ на основе компьютерной томографии с использованием 3D-Slicer» . Научные отчеты . 3 : 3529. Bibcode : 2013NatSR ... 3E3529V . DOI : 10.1038 / srep03529 . PMC 3866632 . PMID 24346241 .  
  21. ^ Parmar C, Leijenaar RT, Grossmann P, Rios Velazquez E, Bussink J, Rietveld D и др. (Июнь 2015 г.). «Кластеры рентгенологических признаков и прогностические признаки, характерные для рака легких, головы и шеи» . Научные отчеты . 5 : 11044. Bibcode : 2015NatSR ... 511044P . DOI : 10.1038 / srep11044 . PMC 4937496 . PMID 26251068 .  
  22. ^ Насиф, Хейди; Холл, Уильям; Чжэн, Ченг; Цай, Сьюзен; Ван, Лян; Эриксон, Бет; Ли, X. Аллен (8 января 2020 г.). «Улучшение прогноза ответа на лечение для химиолучевой терапии рака поджелудочной железы с использованием комбинации дельта-радиомики и клинического биомаркера CA19-9» . Границы онкологии . 9 : 1464 DOI : 10,3389 / fonc.2019.01464 . PMC 6960122 . PMID 31970088 .  
  23. ^ Tixier F, Le Rest CC, Hatt M, Albarghach N, Pradier O, Metges JP, et al. (Март 2011 г.). «Внутриопухолевая гетерогенность, характеризующаяся структурными особенностями на исходных изображениях ПЭТ с 18F-FDG, предсказывает ответ на сопутствующую радиохимиотерапию при раке пищевода» . Журнал ядерной медицины . 52 (3): 369–78. DOI : 10,2967 / jnumed.110.082404 . PMC 3789272 . PMID 21321270 .  
  24. ^ Hatt M, Majdoub M, Vallières M, Tixier F, Le Rest CC, Groheux D и др. (Январь 2015 г.). «Характеристика поглощения 18F-FDG ПЭТ посредством анализа текстуры: исследование комплементарного характера гетерогенности и функционального объема опухоли в когорте пациентов с множественным раком» . Журнал ядерной медицины . 56 (1): 38–44. DOI : 10,2967 / jnumed.114.144055 . PMID 25500829 . 
  25. ^ van Rossum PS, Fried DV, Zhang L, Hofstetter WL, van Vulpen M, Meijer GJ, et al. (Май 2016). «Дополнительная ценность субъективной и количественной оценки 18F-FDG PET для прогнозирования патологического полного ответа на предоперационную химиолучевую терапию при раке пищевода» . Журнал ядерной медицины . 57 (5): 691–700. DOI : 10,2967 / jnumed.115.163766 . PMID 26795288 . 
  26. ^ Ип С.С., Coroller Т.П., Sanford Н.Н., Мамон Н, Аэртс HJ, Berbeco Р. (2016). «Взаимосвязь между временными изменениями в текстурных особенностях на основе позитронно-эмиссионной томографии-визуализации и патологическим ответом и выживаемостью у пациентов с раком пищевода» . Границы онкологии . 6 : 72. DOI : 10,3389 / fonc.2016.00072 . PMC 4810033 . PMID 27066454 .  
  27. ^ Zhang H, Tan S, Chen W, Kligerman S, Kim G, D'Souza WD и др. (Январь 2014). «Моделирование патологического ответа рака пищевода на химиолучевую терапию с использованием пространственно-временных характеристик 18F-FDG PET, клинических параметров и демографии» . Международный журнал радиационной онкологии, биологии, физики . 88 (1): 195–203. DOI : 10.1016 / j.ijrobp.2013.09.037 . PMC 3875172 . PMID 24189128 .  
  28. ↑ Cheng NM, Fang YH, Lee LY, Chang JT, Tsan DL, Ng SH и др. (Март 2015 г.). «Неоднородность размера зоны региональных структурных особенностей 18F-FDG PET позволяет прогнозировать выживаемость пациентов с раком ротоглотки». Европейский журнал ядерной медицины и молекулярной визуализации . 42 (3): 419–28. DOI : 10.1007 / s00259-014-2933-1 . PMID 25339524 . 
  29. ↑ Cook GJ, Yip C, Siddique M, Goh V, Chicklore S, Roy A и др. (Январь 2013). «Связаны ли структурные особенности опухоли с 18F-FDG PET при немелкоклеточном раке легкого с ответом и выживаемостью после химиолучевой терапии?» . Журнал ядерной медицины . 54 (1): 19–26. DOI : 10,2967 / jnumed.112.107375 . PMID 23204495 . 
  30. ^ ВС R, Limkin Е.Ю., Vakalopoulou М, Dercle л, Champiat S, Хан СР, и др. (Сентябрь 2018 г.). «Радиомический подход для оценки инфильтрирующих опухоль клеток CD8 и ответа на иммунотерапию анти-PD-1 или анти-PD-L1: визуализирующий биомаркер, ретроспективное многокомпонентное исследование». Ланцет. Онкология . 19 (9): 1180–1191. DOI : 10.1016 / S1470-2045 (18) 30413-3 . PMID 30120041 . 
  31. ^ Туналы я, Серый JE, ци - J, Абдалла М, Джеонг ДК, Guvenis А, Гиллис RJ, Гиллис RJ (январь 2019). «Новые клинические и радиологические предикторы фенотипов быстрого прогрессирования заболевания среди пациентов с раком легких, получавших иммунотерапию: ранний отчет» . Рак легких . 129 : 75–79. DOI : 10.1016 / j.lungcan.2019.01.010 . PMC 6450086 . PMID 30797495 .  
  32. ^ Му Вт, Туналы я, Серый JE, ци - J, Гиллис RJ, Гиллис RJ (декабрь 2019). «Радиомика изображений ПЭТ / КТ с 18F-FDG предсказывает клиническую пользу пациентов с запущенным НМРЛ при иммунотерапии блокадой контрольных точек». Eur J Nucl Med Mol Imaging . 47 (5): 1168–1182. DOI : 10.1007 / s00259-019-04625-9 . PMID 31807885 . 
  33. ^ Людвиг, CG; Лаурик, А; Malek, JA; Маллиган, Р. Малек, AM (2020). «Выполнение морфологических характеристик, полученных с помощью Radiomics, для прогнозирования статуса разрыва аневризмы». Журнал нейроинтервенционной хирургии . DOI : 10.1136 / neurintsurg-2020-016808 . PMID 33158993 . S2CID 226274492 .  
  34. ^ Aerts HJ, Velazquez ER, Leijenaar RT, Parmar C, Grossmann P, Carvalho S, Bussink J, Monshouwer R, Haibe-Kains B, Rietveld D и др. (Июнь 2014 г.). «Расшифровка фенотипа опухоли с помощью неинвазивной визуализации с использованием количественного радиомического подхода» . Nat Commun . 5 : 4006. Bibcode : 2014NatCo ... 5.4006A . DOI : 10.1038 / ncomms5006 . PMC 4059926 . PMID 24892406 .  
  35. ^ Туналы Я, Стрингфилд О, Guvenis А, Ван Н, Лю У, и др. (Август 2017 г.). «Радиальный градиент и радиальные отклонения от предоперационной компьютерной томографии связаны с выживаемостью среди пациентов с аденокарциномой легких» . Oncotarget . 8 (56): 96013–96026. DOI : 10.18632 / oncotarget.21629 . PMC 5707077 . PMID 29221183 .  
  36. ^ Хуанг П., Пак С., Ян Р., Ли Дж., Чу ЛК, Линь СТ, Хусьен А., Ратмелл Дж., Томас Б., Чен С. и др. (Сен 2018). «Дополнительные преимущества компьютерных компьютерных томографов для ранней диагностики рака легкого с небольшими легочными узлами: исследование« случай-контроль »» . Радиология . 286 (1): 286–295. DOI : 10,1148 / radiol.2017162725 . PMC 5779085 . PMID 28872442 .  
  37. ^ а б Короллер Т.П., Гроссманн П., Хоу Й., Риос Веласкес Э., Лейенаар Р.Т., Германн Г. и др. (Март 2015 г.). «Радиомная сигнатура на основе КТ предсказывает отдаленные метастазы в аденокарциному легкого» . Лучевая терапия и онкология . 114 (3): 345–50. DOI : 10.1016 / j.radonc.2015.02.015 . PMC 4400248 . PMID 25746350 .  
  38. ^ Vallieres М, Freeman CR, Skamene SR, Эль - Naqa Я (июль 2015). «Радиомическая модель на основе совместных функций FDG-PET и МРТ текстуры для прогнозирования метастазов в легкие в саркомах мягких тканей конечностей». Физика в медицине и биологии . 60 (14): 5471–96. Bibcode : 2015PMB .... 60.5471V . DOI : 10.1088 / 0031-9155 / 60/14/5471 . PMID 26119045 . 
  39. ^ Риос Веласкес E, Пармар C, Лю Y, Coroller TP, Cruz G, Stringfield O, и др. (Июль 2017 г.). «Соматические мутации управляют различными визуализирующими фенотипами при раке легких» . Исследования рака . 77 (14): 3922–3930. DOI : 10.1158 / 0008-5472.CAN-17-0122 . PMC 5528160 . PMID 28566328 .  
  40. ^ Ип С.С., Ким Дж., Короллер Т.П., Пармар С., Веласкес Э.Р., Хьюнь Е. и др. (Апрель 2017 г.). «Ассоциации между соматическими мутациями и фенотипами метаболической визуализации при немелкоклеточном раке легкого» . Журнал ядерной медицины . 58 (4): 569–576. DOI : 10,2967 / jnumed.116.181826 . PMC 5373502 . PMID 27688480 .  
  41. ^ Brown R, Zlatescu M, Sijben A, Roldan G, Easaw J, Forsyth P, et al. (Апрель 2008 г.). «Использование магнитно-резонансной томографии для неинвазивного обнаружения генетических признаков олигодендроглиомы» . Клинические исследования рака . 14 (8): 2357–62. DOI : 10.1158 / 1078-0432.CCR-07-1964 . PMID 18413825 . 
  42. ^ Drabycz S, Roldán G, de Robles P, Adler D, McIntyre JB, Magliocco AM и др. (Январь 2010 г.). «Анализ текстуры изображения, местоположения опухоли и метилирования промотора MGMT в глиобластоме с использованием магнитно-резонансной томографии». NeuroImage . 49 (2): 1398–405. DOI : 10.1016 / j.neuroimage.2009.09.049 . PMID 19796694 . 
  43. ^ Гутман Д.А., Данн В.Д., Гроссманн П., Купер Л.А., Холдер Калифорния, Лигон К.Л. и др. (Декабрь 2015 г.). «Соматические мутации, связанные с объемными особенностями глиобластомы, полученными с помощью МРТ» . Нейрорадиология . 57 (12): 1227–37. DOI : 10.1007 / s00234-015-1576-7 . PMC 4648958 . PMID 26337765 .  
  44. ^ ВС R, Orlhac F, Роберт C, Reuzé S, Шернберг A, Buvat I и др. (Август 2016 г.). «Относительно Маттонена и др.». Международный журнал радиационной онкологии, биологии, физики . 95 (5): 1544–1545. DOI : 10.1016 / j.ijrobp.2016.03.038 . PMID 27479727 . 
  45. ^ Ип С.С., Coroller Т.П., Sanford Н.Н., Хюинь Е, Мамон Н, Аэртс HJ, Berbeco RI (январь 2016). «Использование распространения контура на основе регистрации в анализе текстуры для прогнозирования патологической реакции рака пищевода». Физика в медицине и биологии . 61 (2): 906–22. Bibcode : 2016PMB .... 61..906Y . DOI : 10.1088 / 0031-9155 / 61/2/906 . PMID 26738433 . 
  46. ^ Peng L, Parekh V, Huang P, Lin DD, Sheikh K, Baker B и др. (Ноябрь 2018 г.). «Отличить истинное прогрессирование от радионекроза после стереотаксической лучевой терапии метастазов в мозг с помощью машинного обучения и радиомики» . Международный журнал радиационной онкологии, биологии, физики . 102 (4): 1236–1243. DOI : 10.1016 / j.ijrobp.2018.05.041 . PMC 6746307 . PMID 30353872 .  
  47. ^ Hassan I, Kotrotsou A, Bakhtiari AS, Thomas GA, Weinberg JS, Kumar AJ, et al. (Май 2016). «Картирование радиомного анализа текстуры предсказывает области истинной функциональной активности МРТ» . Научные отчеты . 6 : 25295. Bibcode : 2016NatSR ... 625295H . DOI : 10.1038 / srep25295 . PMC 4858648 . PMID 27151623 .  
  48. ^ a b c Парех В.С., Джейкобс М.А. (2018-09-25). "MPRAD: многопараметрическая радиомическая структура" . Исследование и лечение рака груди . 180 (2): 407–421. arXiv : 1809.09973 . Bibcode : 2018arXiv180909973P . DOI : 10.1007 / s10549-020-05533-5 . PMC 7066290 . PMID 32020435 .