Дифференциальная диагностика псевдотуморозного панкреатита и протоковой аденокарциномы поджелудочной железы: характеристики КТ с контрастированием и текстурного анализа

Цель исследования: повышение эффективности КТ в дифференциальной диагностике протоковой аденокарциномы поджелудочной железы (ПАК ПЖ) и псевдотуморозного хронического панкреатита (ПХП); составление диагностической модели на основе извлеченных текстурных показателей в комбинации с характеристиками контрастирования.
Материал и методы. В исследование было включено 45 пациентов с гистологически подтвержденной неметастатической местнораспространенной ПАК ПЖ и 13 пациентов с ПХП, которым было выполнено КТ-исследование с внутривенным контрастированием. Для каждой группы рассчитаны отношение плотностей сохранной ткани поджелудочной железы и образований, относительный коэффициент накопления образований (RTE) во все контрастные фазы КТ-сканирования, 94 текстурных показателя для каждой фазы исследования и проведено их сравнение. Отбор предикторов в логистическую модель осуществлялся в 2 этапа: 1) отбор предикторов на основе однофакторных логистических моделей, критерием отбора служило p_adj < 0,2; 2) отбор предикторов с помощью “лассо”-регрессии после стандартизации переменных. Отобранные предикторы включались в логистическую регрессионную модель без взаимодействий.
Результаты. Статистически значимо различались 14, 17, 4 из 94 для нативной, артериальной, венозной фаз исследования соответственно (p < 0,05). После отбора в итоговую диагностическую модель были включены показатели CONVENTIONAL HUQ2 и DISCRETIZED HUQ1 для нативной фазы, DISCRETIZED HUQ1 и GLRLM RLNU для артериальной фазы, DISCRETIZED Skewness для венозной фазы, RTE для отсроченной фазы КТ-исследования. На их основании построена диагностическая модель, показавшая точность 81% в диагностике ПХП.
Заключение. Разработанная нами диагностическая модель, включающая текстурные показатели и характеристики контрастирования, позволяет предоперационно отличать ПХП и ПАК ПЖ и повысить точность предоперационной диагностики.

1. Sung H., Ferlay J., Siegel R.L. et al. Global Cancer Statistics 2020: GLOBOCAN Estimates of Incidence and Mortality Worldwide for 36 Cancers in 185 Countries. CA Cancer J. Clin. 2021; 71 (3): 209–249. https://doi.org/10.3322/caac.21660

2. Sarantis P., Koustas E., Papadimitropoulou A. et al. Pancreatic ductal adenocarcinoma: Treatment hurdles, tumor microenvironment and immunotherapy. Wld J. Gastrointest. Oncol. 2020; 12 (2): 173–181. https://doi.org/10.4251/wjgo.v12.i2.173

3. Wolske K.M., Ponnatapura J., Kolokythas O. et al. Chronic Pancreatitis or Pancreatic Tumor? A Problem-solving Approach. Radiographics. 2019; 39 (7): 1965–1982. https://doi.org/10.1148/rg.2019190011

4. Narkhede R.A., Desai G.S., Prasad P.P., Wagle P.K. Diagnosis and Management of Pancreatic Adenocarcinoma in the Background of Chronic Pancreatitis: Core Issues. Dig. Dis. 2019; 37 (4): 315–324. https://doi.org/10.1159/000496507

5. Meng F., Guo Y., Li M. et al. Radiomics nomogram: A noninvasive tool for preoperative evaluation of the invasiveness of pulmonary adenocarcinomas manifesting as ground-glass nodules. Transl. Oncol. 2021; 14 (1): 100936. https://doi.org/10.1016/j.tranon.2020.100936

6. Gillies R.J., Kinahan P.E., Hricak H. Radiomics: Images Are More than Pictures, They Are Data. Radiology. 2016; 278 (2): 563–577. https://doi.org/10.1148/radiol.2015151169

7. Park S., Chu L.C., Hruban R.H. et al. Differentiating autoimmune pancreatitis from pancreatic ductal adenocarcinoma with CT radiomics features. Diagn. Interv. Imaging. 2020; 101 (9): 555–564. https://doi.org/10.1016/j.diii.2020.03.002

8. Zhang Y., Cheng C., Liu Z. et al. Radiomics analysis for the differentiation of autoimmune pancreatitis and pancreatic ductal adenocarcinoma in 18F-FDG PET/CT. Med. Phys. 2019; 46: 4520–4530.

9. Zhang Y., Cheng C., Liu Z. et al. Radiomics analysis for the differentiation of autoimmune pancreatitis and pancreatic ductal adenocarcinoma in 18F-FDG PET/CT. Med. Phys. 2019; 46 (10): 4520–4530. https://doi.org/10.1002/mp.13733

10. Dai W., Mo S., Han L. et al. Prognostic and predictive value of radiomics signatures in stage I-III colon cancer. Clin Transl Med. 2020; 10 (1): 288–293. https://doi.org/10.1002/ctm2.31

11. Ren S., Zhao R., Zhang J. et al. Diagnostic accuracy of unenhanced CT texture analysis to differentiate massforming pancreatitis from pancreatic ductal adenocarcinoma. Abdominal. Radiol. (NY). 2020; 45 (5): 1524– 1533. https://doi.org/10.1007/s00261-020-02506-6

12. Ren S., Zhang J., Chen J. et al. Evaluation of Texture Analysis for the Differential Diagnosis of Mass-Forming Pancreatitis From Pancreatic Ductal Adenocarcinoma on Contrast-Enhanced CT Images. Front. Oncol. 2019; 9: 1171. Published 2019 Nov 5. https://doi.org/10.3389/fonc.2019.01171

13. Washington M.K., Berlin J., Branton P.A. et al. Protocol for the examination of specimens from patients with carcinoma of the distal extrahepatic bile ducts. Arch. Pathol. Lab. Med. 2010; 134 (4): e8–e13. https://doi.org/10.5858/134.4.e8

14. 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. Cancer Res. 2018; 78 (16): 4786–4789. https://doi.org/10.1158/0008-5472.CAN-18-0125

15. Тихонова В.С., Кармазановский Г.Г., Кондратьев Е.В., Груздев И.С., Глотов А.В. Влияние параметров низкодозового протокола сканирования на результаты текстурного анализа протоковой аденокарциномы поджелудочной железы. Анналы хирургической гепатологии. 2021; 26 (1): 25–33. https://doi.org/10.16931/1995-5464.2021125-33. Tikhonova V.S., Karmazanovsky G.G., Kondratyev E.V., Gruzdev I.S., Glotov A.V. Influence of the low-dose CEMDCT scanning protocol parameters on the results of pancreatic ductal adenocarcinoma radiomic analysis. Annaly khirurgicheskoy gepatologii = Annals of HPB surgery. 2021; 26 (1): 25–33. https://doi.org/10.16931/1995-5464.2021125-33 (In Russian)

16. Steyerberg E.W. Coding of categorical and continuous predictors. Clinical prediction models. Springer, Cham, 2019. 175–190. https://doi.org/10.1007/978-3-030-16399-0_9

17. Gareth J., Daniela W., Trevor H., Robert T. An introduction to statistical learning: with applications in R. Spinger, 2013. ISBN: 978-1-4614-7138-7. https://doi.org/10.18637/jss.v070.b02

18. Harrell F.E. Regression Modeling Strategies: With Applications to Linear Models, Logistic and Ordinal Regression, and Survival Analysis. 2nd ed. 2015 ed. Cham. Heidelberg; New York: Springer, 2015: 209–212.

19. Siddiqi A.J., Miller F. Chronic pancreatitis: ultrasound, computed tomography, and magnetic resonance imaging features. Semin. Ultrasound CT MR. 2007; 28 (5): 384–394. https://doi.org/10.1053/j.sult.2007.06.003

20. Sahani D.V., Kalva S.P., Farrell J. et al. Autoimmune pancreatitis: imaging features. Radiology. 2004; 233 (2): 345–352. https://doi.org/10.1148/radiol.2332031436

21. Ren S., Chen X., Cui W. et al. Differentiation of chronic mass-forming pancreatitis from pancreatic ductal adenocarcinoma using contrast-enhanced computed tomography. Cancer Managm. Res. 2019; 11: 7857–7866. https://doi.org/10.2147/CMAR.S217033