Роль морфологических магнитно-резонансных признаков в прогнозировании лимфоваскулярной инвазии злокачественных новообразований молочной железы гибридными морфорадиомическими моделями

Цель исследования: повышение достоверности прогноза лимфоваскулярной инвазии (ЛВИ) гибридными морфорадиомическими моделями наивного Байеса у пациентов со злокачественными новообразованиями молочной железы (ЗНМЖ) путем выяснения роли морфологических магнитно-резонансных (м-МР) признаков.

Материал и методы. Проанализированы данные 191 пациента с ЗНМЖ в виде 13 м-МР признаков, 6194 радиомических МР (р-МР)-показателей всего объема опухоли и целевым признаком – ЛВИ. Среди м-МР-признаков с помощью кросстабуляции, многофакторной логистической регрессии, дискретизации методом Entropy-MDL отобраны предикторы ЛВИ. Среди 6194 р-МР-показателей отобраны предикторы ЛВИ дискретизацией методом Entropy-MDL. Отобранные показатели использовались в обучении алгоритма наивного Байеса. Сравнивались показатели эффективности прогноза ЛВИ.

Результаты. По данным многофакторной логистической регрессии повышается шанс ЛВИ при выявлении признака ободка опухоли на диффузионно-взвешенном изображении (DWI) в 4,05 раза (OR 4,05, 95%ДИ 1,63–10,47, p = 0,003), перитуморального отека в 5,66 раза (OR 5,66, 95%ДИ 2,27–14,94, p < 0,001). Получены 3 гибридные модели с высокими дискриминационными способностями: 1-я модель с признаком DWI-ободка и радиомической сигнатурой из 4 р-МР-показателей (AUС – 0,886, чувствительность – 89,5%, специфичность – 79,1%, классификационная правильность – 89,5%, правильность прогноза ЛВИ – 73,3% и ее отсутствия – 95,2%), 2-я модель с перитуморальным отеком и радиомической сигнатурой из 6 р-МР-показателей (AUС – 0,879, чувствительность – 82,5%, специфичность – 80,9%, классификационная правильность – 82,5%, правильность прогноза ЛВИ – 80,0% и ее отсутствия – 83,3%) и 3-я модель с перитуморальным отеком, признаком DWI ободка и радиомической сигнатурой из 8 р-МР-показателей (AUС – 0,957, чувствительность – 96,5%, специфичность – 90,2%, классификационная правильность – 96,5%, правильность прогноза ЛВИ – 86,7% и ее отсутствия – 100%). Удаление признака DWI ободка из 1-й модели ухудшает ее дискриминационную способность (AUC-ROC 0,801 ± 0,074 vs 0,886 ± 0,059, p = 0,001) и правильность прогноза ЛВИ (40% vs 73%, p = 0,066). Аналогичные, но менее выраженные, не статистически значимые изменения наблюдаются после удаления признака перитуморального отека из 2-й модели (AUC-ROC 0,843 ± 0,067 vs 0,879 ± 0,060, p = 0,190; правильность прогноза ЛВИ 60% vs 80%, p = 0,232). Удаление двух м-МР-признаков из 3-й модели ухудшает ее дискриминационную способность (AUC-ROC 0,957 ± 0,038 vs 0,901 ± 0,055, p = 0,024) и правильность прогноза ЛВИ (80% vs 86,7%, р = 0,624).

Заключение. Использование гибридных моделей, объединяющей м-МР признаки и р-МР показатели повышают дискриминационную способность прогноза по сравнению с моделями, использующей только интратуморальные р-МР показатели.

1. Држевецкая К.С., Корженкова Г.П. Результаты двух лет маммографического скрининга на территории Калужской области. Вестник рентгенологии и радиологии. 2022; 103 (4–6): 18–27. https://doi.org/10.20862/0042-4676-2022-103-4-6-18-27

2. Меских Е.В., Нуднов Н.В., Мухутдинова Г.З., Воробьева В.О. Редкая форма рака молочной железы и очаги в легком: всегда ли ждать метастазов? Вестник рентгенологии и радиологии. 2022; 103 (4–6): 88–93. https://doi.org/10.20862/0042-4676-2022-103-4-6-88-93

3. Тюрин И.Е., Рожкова Н.И., Артамонова Е.В., Бусько Е.А., Диденко В.В., Зикиряходжаев А.Д., Карпова М.С., Кветенадзе Г.Е., Криворотько П.В., Мазо М.Л., Петровский А.В., Пучкова О.С., Серебрякова С.В., Бакулева А.П. Роль контрастных методов исследования в ранней диагностике и планировании лечения рака молочной. Вестник рентгенологии и радиологии. 2024; 105 (2): 48–57. https://doi.org/10.20862/0042-4676-2024-105-2-48-57

4. 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

5. Rakha E.A., Martin S., Lee A.H. et al. The prognostic significance of lymphovascular invasion in invasive breast carcinoma. Cancer. 2012; 118 (15): 3670–3680. https://doi.org/10.1002/cncr.26711

6. Rakha E.A., Abbas A., Pinto Ahumada P. et al. Diagnostic concordance of reporting lymphovascular invasion in breast cancer. J. Clin. Pathol. 2018; 71 (9): 802–805. https://doi.org/10.1136/jclinpath-2017-204981

7. Gujam F.J., Going J.J., Edwards J. et al. The role of lymphatic and blood vessel invasion in predicting survival and methods of detection in patients with primary operable breast cancer. Crit. Rev. Oncol. Hematol. 2014; 89 (2): 231–241. https://doi.org/10.1016/j.critrevonc.2013.08.014

8. Zhang S., Zhang D., Yi S. et al. The relationship of lymphatic vessel density, lymphovascular invasion, and lymph node metastasis in breast cancer: a systematic review and meta-analysis. Oncotarget. 2017; 8 (2): 2863–2873. https://doi.org/10.18632/oncotarget.13752

9. Zhong Y.M., Tong F., Shen J. Lympho-vascular invasion impacts the prognosis in breast-conserving surgery: a systematic review and meta-analysis. BMC Cancer. 2022; 22 (1): 102. https://doi.org/10.1186/s12885-022-09193-0

10. Pinder S.E., Ellis I.O., Galea M. et al. Pathological prognostic factors in breast cancer. III. Vascular invasion: Relationship with recurrence and survival in a large study with long-term follow-up. Histopathology. 1994; 24: 41–47. https://doi.org/10.1111/j.1365-2559.1994.tb01269.x

11. Ejlertsen B., Jensen M.B., Rank F. et al. Population-based study of peritumoral lymphovascular invasion and outcome among patients with operable breast cancer. J. Natl. Cancer Inst. 2009; 101: 729–735. https://doi.org/10.1093/jnci/djp090

12. Gajdos C., Tartter P.I., Bleiweiss I.J. Lymphatic invasion, tumor size, and age are independent predictors of axillary lymph node metastases in women with T1 breast cancers. Ann. Surg. 1999; 230: 692–696. https://doi.org/10.1097/00000658-199911000-00012

13. Viale G., Zurrida S., Maiorano E. et al. Predicting the status of axillary sentinel lymph nodes in 4351 patients with invasive breast carcinoma treated in a single institution. Cancer. 2005; 103: 492–500. https://doi.org/10.1002/cncr.20809

14. Uematsu T., Kasami M., Watanabe J. et al. Is lymphovascular invasion degree one of the important factors to predict neoadjuvant chemotherapy efficacy in breast cancer? Breast Cancer. 2011; 18 (4): 309–313. https://doi.org/10.1007/s12282-010-0211-z

15. Burstein H.J., Curigliano G., Thürlimann B. et al. Panelists of the St Gallen Consensus Conference Customizing local and systemic therapies for women with early breast cancer: The St. Gallen International Consensus Guidelines for treatment of early breast cancer 2021. Ann. Oncol. 2021; 32: 1216–1235. https://doi.org/10.1016/j.annonc.2021.06.023

16. Willems S.M., van Deurzen C.H., van Diest P.J. Diagnosis of breast lesions: fine-needle aspiration cytology or core needle biopsy? A review. J. Clin. Pathol. 2012; 65 (4): 287–292. https://doi.org/10.1136/jclinpath-2011-200410

17. Bulte J.P., Simsek D., Bult P. et al. Trends in pre-operative needle biopsy use in invasive breast cancer diagnosis: a Dutch nationwide population study. Acta Oncol. 2020; 59 (12): 1469–1473. https://doi.org/10.1080/0284186X.2020.1830168

18. Tripathi K., Yadav R., Maurya S.K. A Comparative Study Between Fine-Needle Aspiration Cytology and Core Needle Biopsy in Diagnosing Clinically Palpable Breast Lumps. Cureus. 2022; 14 (8): e27709. https://doi.org/10.7759/cureus.27709

19. Casaubon J.T., Tomlinson-Hansen S.E., Regan J.P. Fine Needle Aspiration of Breast Masses. 2023 Jul 23. In: StatPearls [Internet]. Treasure Island (FL): StatPearls Publishing; 2024 Jan–.

20. Гележе П.Б., Блохин И.А., Семенов С.С., Caruso D. Радиомика магнитно-резонансной томографии при раке предстательной железы: что известно в настоящее время? Digital Diagnostics. 2021; 2 (4): 441−452. https://doi.org/10.17816/DD70170

21. Гележе П.Б., Блохин И.А., Семенов С.С. Радиомика для диагностики и лечения рака предстательной железы. Медицинская физика. 2022; 1 (93): 21.

22. Говорухина В.Г., Семенов С.С., Гележе П.Б., Диденко В.В., Морозов С.П., Андрейченко А.Е. Роль маммографии в радиомике рака молочной железы. Digital Diagnostics. 2021; 2 (2): 185−199. https://doi.org/10.17816/DD70479

23. Солодкий В.А., Нуднов Н.В., Иванников М.Е., Шахвалиева Э.С-А., Сотников В.М., Смыслов А.Ю. Дозиомика в анализе медицинских изображений и перспективы ее использования в клинической практике. Digital Diagnostics. 2023; 4 (3): 340−355. https://doi.org/10.17816/DD420053

24. Сыркашев Е.М., Буров А.А., Подуровская Ю.Л., Кадырбердиева Ф.З., Икрянников Е.О., Семенов Д.С., Шарова Д.Е., Васильев Ю.А., Гус А.И. Радиомика фетальной магнитно-резонансной томографии при врожденной диафрагмальной грыже. Медицинская визуализация. 2024; 28 (1): 157–167. https://doi.org/10.24835/1607-0763-1359

25. Ye D.M., Wang H.T., Yu T. The Application of Radiomics in Breast MRI: A Review. Technol Cancer Res Treat. 2020; 19: 1533033820916191. https://doi.org/10.1177/1533033820916191

26. Liu Z., Feng B., Li C. et al. Preoperative prediction of lymphovascular invasion in invasive breast cancer with dynamic contrast-enhanced-MRI-based radiomics. J. Magn. Reson. Imaging. 2019; 50 (3): 847–857. https://doi.org/10.1002/jmri.26688

27. Wu Z., Lin Q., Song H. et al. Evaluation of Lymphatic Vessel Invasion Determined by D2-40 Using Preoperative MRI-Based Radiomics for Invasive Breast Cancer. Acad. Radiol. 2023; 30 (11): 2458–2468. https://doi.org/10.1016/j.acra.2022.11.024

28. Zhang J., Wang G., Ren J. et al. Multiparametric MRI-based radiomics nomogram for preoperative prediction of lymphovascular invasion and clinical outcomes in patients with breast invasive ductal carcinoma. Eur. Radiol. 2022; 32 (6): 4079–4089. https://doi.org/10.1007/s00330-021-08504-6

29. Feng B., Liu Z., Liu Y. et al. Predicting lymphovascular invasion in clinically node-negative breast cancer detected by abbreviated magnetic resonance imaging: Transfer learning vs. radiomics. Front. Oncol. 2022; 12: 890659. https://doi.org/10.3389/fonc.2022.890659.

30. Jiang Y., Zeng Y., Zuo Z. et al. Leveraging multimodal MRI-based radiomics analysis with diverse machine learning models to evaluate lymphovascular invasion in clinically node-negative breast cancer. Heliyon. 2023; 10 (1): e23916. https://doi.org/10.1016/j.heliyon.2023.e23916

31. Ma Q., Li Z., Li W. et al. MRI radiomics for the preoperative evaluation of lymphovascular invasion in breast cancer: A meta-analysis Eur. J. Radiol. 2023; 168, art. no. 111127

32. Jiang D., Qian Q., Yang X. et al. Machine learning based on optimal VOI of multi-sequence MR images to predict lymphovascular invasion in invasive breast cancer. Heliyon. 2024; 10 (7): e29267. https://doi.org/10.1016/j.heliyon.2024.e29267

33. van Griethuysen J.J., Fedorov A., Parmar C. et al. Computational radiomics system to decode the radiographic phenotype. Cancer Res. 2017; 77 (21): e104–e107.

34. Орельен Ж. Прикладное машинное обучение с помощью Scikit-Learn и TensorFlow: концепции, инструменты и техники для создания интеллектуальных систем: Пер. с англ. СпБ.: ООО “Альфа-книга”, 2018. 688 с.

35. Гласснер Э. Глубокое обучение без математики. Т. 1: Основы: Пер. с англ. В.Я. Яроцкого. М.: ДМК Пресс, 2019. 584 с.

36. Бурков А. Машинное обучение без лишних слов. СПб.: Питер, 2020. 192 с.

37. ГОСТ Р 53022.3–2008. Технологии лабораторные клинические. Требования к качеству клинических лабораторных исследований. Часть 3. Правила оценки клинической информативности лабораторных тестов. М.: Стандартинформ, 2008. 26 с.

38. Ю.А. Васильев и др. Компьютерное зрение в лучевой диагностике: первый этап Московского эксперимента: Монография. 2-е изд., перераб. и доп. М.: Издательские решения, 2023. 376 с.

39. Тыров И.А., Васильев Ю.А., Арзамасов К.М., Владзимирский А.В., Шулькин И.М., Омелянская О.В., Четвериков С.Ф. Оценка зрелости технологий искусственного интеллекта для здравоохранения: методология и ее применение на материалах московского эксперимента по компьютерному зрению в лучевой диагностике. Врач и информационные технологии. 2022; 4: 76–92. https://doi.org/10.25881/18110193_2022_4_76

40. Cheon H., Kim H.J., Lee S.M. et al. Preoperative MRI features associated with lymphovascular invasion in node-negative invasive breast cancer: a propensity-matched analysis. J. Magn. Reson. Imaging. 2017; 46 (4): 1037–1044. https://doi.org/10.1002/jmri.25710

41. Harada T.L., Uematsu T., Nakashima K. et al. Evaluation of Breast Edema Findings at T2-weighted Breast MRI Is Useful for Diagnosing Occult Inflammatory Breast Cancer and Can Predict Prognosis after Neoadjuvant Chemotherapy. Radiology. 2021; 299 (1): 53–62. https://doi.org/10.1148/radiol.2021202604

42. Lee H.J., Lee J.E., Jeong W.G. et al. HER2-Positive Breast Cancer: Association of MRI and Clinicopathologic Features With Tumor-Infiltrating Lymphocytes. Am. J. Roentgenol. 2022; 218 (2): 258–269. https://doi.org/10.2214/AJR.21.26400

43. Choi B.B. Dynamic contrast enhanced-MRI and diffusion-weighted image as predictors of lymphovascular invasion in node-negative invasive breast cancer. Wld J. Surg. Oncol. 2021; 19 (1): 76. https://doi.org/10.1186/s12957-021-02189-3

44. Kang B.J., Lipson J.A., Planey K.R. et al. Rim sign in breast lesions on diffusion-weighted magnetic resonance imaging: diagnostic accuracy and clinical usefulness. J. Magn. Reson. Imaging. 2015; 41 (3): 616–623. https://doi.org/10.1002/jmri.24617

45. Choi Y., Kim S.H., Youn I.K. et al. Rim sign and histogram analysis of apparent diffusion coefficient values on diffusion-weighted MRI in triple-negative breast cancer: comparison with ER-positive subtype. Plos One. 2017; 12: e0177903. https://doi.org/10.1371/journal.pone.0177903