Определение гистологического типа рака легких на основе радиомического анализа данных компьютерной томографии

Рак легких является одним из самых распространенных онкологических заболеваний. Для морфологической верификации опухоли используются бронхоскопия и трансторакальная биопсия легких под контролем компьютерной томографии (КТ). Обе эти технологии являются инвазивными с определенными рисками и высокими затратами. Точность морфологически верифицированного диагноза рака легкого в России достигает в среднем 88,2%. От гистологического типа рака легких зависят тактика лечения, характер течения и прогноз заболевания. “Золотым стандартом” диагностики рака легких является КТ органов грудной клетки. Развивающимся направлением обработки КТ-изображений является радиомика – математический анализ данных лучевых методов исследований, позволяющий выявлять особенности текстуры ткани на уровне, недоступном глазу врача-рентгенолога. Применение методов радиомики может способствовать определению гистологического типа рака легкого еще на этапе диагностического поиска.

Цель исследования: разработка метода определения наиболее распространенных гистологических типов рака легких на основе текстурного анализа КТ-изображений органов грудной клетки.

Материал и методы. В исследование были включены данные 200 пациентов, проходивших лечение в РНЦРР с гистологически подтвержденным раком легкого, из них 100 пациентов с мелкоклеточным раком легкого, 100 пациентов с немелкоклеточным раком легкого (50 из них с аденокарциномой и 50 – с плоскоклеточным раком легкого). Для каждого образования было рассчитано 107 радиомических показателей. Построение моделей машинного обучения производилось на языке программирования Python 3.10 c использованием специализированных библиотек. Для выбора наиболее эффективных моделей использовались стандартные метрики машинного обучения: precision, recall, accuracy, f1-мера и площадь под характеристической кривой (ROC-AUC).

Результаты. Разработаны различные модели машинного обучения, наилучшими метриками обладали градиентный бустинг для дифференцировки немелкоклеточного рака легкого и мелкоклеточного рака легкого c площадью под ROC-кривой 0,973 и случайный лес на основе трех деревьев для дифференцировки аденокарциномы и плоскоклеточного рака легкого c площадью под ROC-кривой 0,833.

Заключение. Разработанные нами модели классификации обладают высокими метриками диагностической точности, что позволяет говорить о применимости показателей радиомики для дифференцировки различных типов рака легкого на этапе диагностического поиска, а также в ситуациях с невозможностью получения материала для гистологического исследования.

1. Клинические рекомендации “Злокачественное новообразование бронхов и легкого”, 2021.

2. Singh G., Singh A., Dave R. An Update on WHO Classification of Thoracic Tumours 2021-Newly Described Entities and Terminologies. J. Clin. Diagn. Res. 2023; 17 (6): EE01–EE05. https://www.doi.org/10.7860/JCDR/2023/62583/18076

3. Рак легкого / Под ред. К.К. Лактионова и В.В. Бредера. М.: “ГРАНАТ”, 2020.

4. Соколов В.В., Соколов Д.В., Пирогов С.С., Каприн А.Д., Рябов А.Б., Рябов А.Б., Кудрявцева Ю.Л., Струнина А.А. Современная бронхоскопическая диагностика раннего центрального рака легкого (обзор литературы). Медицинский совет. 2016; 15: 62–66. http://doi.org/10.21518/2079-701X-2016-15-62-66

5. Аллахвердиев А.К., Лактионов К.К., Полоцкий Б.Е. и др. Современные возможности видеоторакоскопии в практике торакальной онкологии. Вестник Московского онкологического общества. 2009; 6–8 (559).

6. Бурдюков М.С., Юричев И.Н., Нечипай А.М., Чистякова О.В., Лактионов К.К., Долгушин Б.И., Назлиев П.Б., Маринов Д.Т., Унгиадзе Г.В. Роль тонкоигольной пункции под контролем эндоскопической ультрасонографии в морфологической верификации рака легкого. Клиническая и экспериментальная хирургия. 2015; 4: 63–72.

7. Tang Y., Tian S., Chen H. et al. Transbronchial lung cryobiopsy for peripheral pulmonary lesions. A narrative review. Pulmonology. 2024; 30 (5): 475–484. http://doi.org/10.1016/j.pulmoe.2023.08.010

8. Lee J.H., Saxena A., Giaccone G. Advancements in small cell lung cancer. Semin. Cancer Biol. 2023; 93: 123–128. http://doi.org/10.1016/j.semcancer.2023.05.008

9. Megyesfalvi Z., Gay C.M., Popper H. et al. Clinical insights into small cell lung cancer: Tumor heterogeneity, diagnosis, therapy, and future directions. CA Cancer J. Clin. 2023; 73 (6): 620–652. http://doi.org/10.3322/caac.21785

10. Лагкуева И.Д., Черниченко Н.В., Котляров П.М., Солдатов Д.Г., Солодкий В.А. Диагностика и дифференциальная диагностика очаговых образований легких. Пульмонология. 2024; 34 (4): 533–543. http://doi.org/10.18093/0869-0189-2024-34-4-533-543

11. Haga A., Takahashi W., Aoki S. et al. Classification of early stage non-small cell lung cancers on computed tomographic images into histological types using radiomic features: interobserver delineation variability analysis. Radiol. Phys. Technol. 2018; 11: 27–35. https://doi.org/10.1007/s12194-017-0433-2

12. Yan M., Wang W. A non-invasive method to diagnose lung adenocarcinoma [published correction appears in Front. Oncol. 2020; 10: 1515. http://doi.org/10.3389/fonc.2020.01515]. Front. Oncol. 2020; 10: 602. http://doi.org/10.3389/fonc.2020.00602

13. Chen B.T., Chen Z., Ye N. et al. Differentiating Peripherally-Located Small Cell Lung Cancer From Non-small Cell Lung Cancer Using a CT Radiomic Approach. Front. Oncol. 2020; 10: 593. http://doi.org/10.3389/fonc.2020.00593

14. Wang J., Zhong F., Xiao F. et al. CT radiomics model combined with clinical and radiographic features for discriminating peripheral small cell lung cancer from peripheral lung adenocarcinoma. Front. Oncol. 2023; 13: 1157891. http://doi.org/10.3389/fonc.2023.1157891

15. Linning E., Lin L., Li L. et al. Radiomics for Classifying Histological Subtypes of Lung Cancer Based on Multiphasic Contrast-Enhanced Computed Tomography. J. Comput. Assist. Tomogr. 2019; 43 (2): 300–306. http://doi.org/10.1097/RCT.0000000000000836

16. Li H., Gao L., Ma H. et al. Radiomics-Based Features for Prediction of Histological Subtypes in Central Lung Cancer. Front. Oncol. 2021; 11: 658887. http://doi.org/10.3389/fonc.2021.658887

17. Qi J., Deng Z., Sun G. et al. One-step algorithm for fast-track localization and multi-category classification of histological subtypes in lung cancer. Eur. J. Radiol. 2022; 154: 110443. http://doi.org/10.1016/j.ejrad.2022.110443

18. Shah R.P., Selby H.M., Mukherjee P. et al. Machine Learning Radiomics Model for Early Identification of Small-Cell Lung Cancer on Computed Tomography Scans. JCO Clin. Cancer. Inform. 2021; 5: 746–757. http://doi.org/10.1200/CCI.21.00021

19. Liang B., Tong C., Nong J., Zhang Y. Histological subtype classification of non-small cell lung cancer with radiomics and 3D convolutional neural networks. J. Imaging Inform. Med. 2024. http://doi.org/10.1007/s10278-024-01152-4

20. Chen Z., Yi L., Peng Z. et al. Development and validation of a radiomic nomogram based on pretherapy dual-energy CT for distinguishing adenocarcinoma from squamous cell carcinoma of the lung. Front. Oncol. 2022; 12: 949111. http://doi.org/10.3389/fonc.2022.949111

21. Zhu X., Dong D., Chen Z. et al. Radiomic signature as a diagnostic factor for histologic subtype classification of non-small cell lung cancer. Eur. Radiol. 2018; 28 (7): 2772–2778. http://doi.org/10.1007/s00330-017-5221-1

22. Kuang B., Zhang J., Zhang M. et al. Advancing NSCLC pathological subtype prediction with interpretable machine learning: a comprehensive radiomics-based approach. Front. Med. (Lausanne). 2024; 11: 1413990. http://doi.org/10.3389/fmed.2024.1413990

23. Patil R., Mahadevaiah G., Dekker A. An approach toward automatic classification of tumor histopathology of non-small cell lung cancer based on radiomic features. Tomography. 2016; 2 (4): 374–377. http://doi.org/10.18383/j.tom.2016.00244

24. Liu J., Cui J., Liu F. et al. Multi-subtype classification model for non-small cell lung cancer based on radiomics: SLS model. Med Phys. 2019; 46 (7): 3091–3100. http://doi.org/10.1002/mp.13551