Совместное применение глубокого обучения и радиомических признаков для классификации КТ-изображений легких

Введение. В сфере онкологии точная классификация мутаций рака легких играет ключевую роль для развития персонализированных стратегий лечения. Рак легких, отличающийся своей гетерогенностью, представляет значительные трудности в диагностике и лечении, что требует инновационных подходов для точной классификации мутаций.

Цель работы. Введение новой методологии, которая сочетает в себе глубокое обучение и радиомические признаки, извлеченные из изображений компьютерной томографии (КТ), для классификации мутаций рака легких.

Материалы и методы. Адаптирована архитектура ResNet18 для интеграции радиомических признаков непосредственно в рабочий процесс глубокого обучения. Использование сверточной нейронной сети позволило обрабатывать большие объемы данных, превосходя производительность традиционных методов. Анализ включал выявление таких значимых радиомических признаков, как текстура, форма и границы опухолей, которые были автоматически извлечены и использованы для обучения модели. Методика была опробована на обширном наборе данных, содержащем КТ-снимки с различными подтипами рака легких, включая аденокарциному и плоскоклеточный рак.

Результаты. Модель продемонстрировала общую точность классификации мутаций 98.6 %, значительно превысив результаты, достигнутые с использованием традиционных подходов. Высокая точность подтверждает эффективность сочетания радиомических признаков с глубоким обучением в идентификации различных генетических мутаций рака легких. Результаты также указывают на высокий потенциал метода в области разработки неинвазивных диагностических инструментов и улучшения персонализированных подходов к лечению.

Заключение. Подчеркнута важность интеграции высокоуровневых абстракций моделей глубокого обучения с детализированным анализом радиомических данных для повышения предсказательной точности неинвазивных диагностических инструментов, что может значительно усовершенствовать процессы диагностики и разработки лечебных стратегий в онкологии.

1. Применение модели внешнего вида текстуры для сегментации легочных узлов при компьютерной томографии грудной клетки / Фаридоддин Шариати, В. А. Павлов, С. В. Завьялов, Махди Оруджи, Т. М. Первунина // Изв. вузов России. Радиоэлектроника. 2022. Т. 25, № 3. С. 96–117. doi: 10.32603/1993-8985-2022-25-3-96-117

2. Predicting EGFR mutation status by a deep learning approach in patients with non-small cell lung cancer brain metastases / O. Haim, S. Abramov, B. Shofty, C. Fanizzi, F. DiMeco, N. Avisdris, Z. Ram, M. Artzi, R. Grossman // J. of Neuro-Oncology. 2022. Vol. 157, iss. 1. P. 63–69. doi: 10.21203/rs.3.rs-1020480/v1

3. Personalized Chemotherapy Selection for Lung Cancer Patients Using Machine Learning and Computed Tomography / M. Skalunova, Faridoddin Shariaty, S. Rozov, A. Reza Radmard // Intern. Conf. on Electrical Engineering and Photonics (EExPolytech), St Petersburg, Russia, 19–20 Oct. 2023. IEEE, 2023. doi: 10.1109/EExPolytech58658.2023.10318700

4. Classification and mutation prediction from nonsmall cell lung cancer histopathology images using deep learning / N. Coudray, P. S. Ocampo, T. Sakellaropoulos, N. Narula, M. Snuderl, D. Fenyö, A. L. Moreira, N. Razavian, A. Tsirigos // Nature medicine. 2018.Vol. 24, iss. 10. P. 1559–1567. doi: 10.1038/s41591-018-0177-5

5. Predicting oncogene mutations of lung cancer using deep learning and histopathologic features on wholeslide images / N. Tomita, L. J. Tafe, A. A. Suriawinata, G. J. Tsongalis, M. Nasir-Moin, K. Dragnev, S. Hassanpour // Translational Oncology. 2022. Vol. 24. P. 101494. doi: 10.1016/j.tranon.2022.101494

6. Predicting EGFR mutation status in lung adenocarcinoma on computed tomography image using deep learning / S. Wang, J. Shi, Z. Ye, Di Dong, D. Yu, M. Zhou, Y. Liu, O. Gevaert, K. Wang, Y. Zhu, H. Zhou, Z. Liu, J. Tian // European Respiratory J. 2019. Vol. 53, iss. 3. P. 1800986. doi: 10.1183/13993003.00986-2018

7. Integrating Deep Learning and Explainable AI for Non-Invasive Prediction of EGFR and KRAS Mutations in NSCLC: A Novel Radiogenomic Approach / Faridoddin Shariaty, V. A. Pavlov, S. V. Fedyashina, N. A. Serebrennikov // V Intern. Conf. on Neural Networks and Neurotechnologies (NeuroNT), St Petersburg, Russia, 20 June 2024. IEEE, 2024. doi: 10.1109/NeuroNT62606.2024.10585441

8. A radiogenomic dataset of non-small cell lung cancer / S. Bakr, O. Gevaert, S. Echegaray, K. Ayers, M. Zhou, M. Shafiq, H. Zheng, J. A. Benson, W. Zhang, A. N. C. Leung, M. Kadoch, C. D. Hoang, J. Shrager, A. Quon, D. L. Rubin, S. K. Plevritis, S. Napel // Scientific data. 2018. Vol. 5, iss. 1. P. 1–9. doi: 10.1038/sdata.2018.202

9. Data for NSCLC Radiogenomics. URL: https://www.cancerimagingarchive.net/collection/nsclcradiogenomics/ (дата обращения 15.04.2024)

10. Radiomics analysis on CT images for prediction of radiation-induced kidney damage by machine learning models / S. Amiri, M. Akbarabadi, F. Abdolali, A. Nikoofar, A. J. Esfahani, S. Cheraghi // Computers in Biology and Medicine. 2021. Vol. 133. P. 104409. doi: 10.1016/j.compbiomed.2021.104409

11. The impact of the variation of imaging parameters on the robustness of Computed Tomography radiomic features: A review / R. Reiazi, E. Abbas, P. Famiyeh, A. Rezaie, J. Y. Y. Kwan, T. Patel, S. V. Bratman, T. Tadic, F.-F. Liu, B. Haibe-Kains // Computers in Biology and Medicine. 2021. Vol. 133. P. 104400. doi: 10.1016/j.compbiomed.2021.104400

12. Machine learning-based prognostic modeling using clinical data and quantitative radiomic features from chest CT images in COVID-19 patients / I. Shiri, M. Sorouri, P. Geramifar, M. Nazari, M. Abdollahi, Y. Salimi, B. Khosravi, D. Askari, L. Aghaghazvini, G. Hajianfar, A. Kasaeian, H. Abdollahi, H. Arabi, A. Rahmim, A. R. Radmard, H. Zaidi // Computers in biology and medicine. 2021. Vol. 132. P. 104304. doi: 10.1016/j.compbiomed.2021.104304

13. Comparative analysis of machine learning approaches to classify tumor mutation burden in lung adenocarcinoma using histopathology images / A. Sadhwani, H.-W. Chang, A. Behrooz, T. Brown, I. AuvigneFlament, H. Patel, R. Findlater, V. Velez, F. Tan, K. Tekiela, E. Wulczyn, E. S. Yi, C. H. Mermel, D. Hanks, P.-H. Cameron Chen, K. Kulig, C. Batenchuk, D. F. Steiner, P. Cimermancic // Scientific reports. 2021. Vol. 11, iss. 1. P. 16605. doi: 10.1038/s41598-021-95747-4

14. Taranova D., Shariaty F. Radiomic analysis for prediction of T stage parameter (T1-T2) in lung cancer patients // Неделя науки ИЭиТ, Санкт-Петербург, 14–18 нояб. 2022. С. 77–80.

15. A Novel Gene Assay Combined with Medical Imaging for Accurate Prognosis and Prediction of Cancer Type / F. Shariaty, L. Duan, V. Pavlov, M. Mousavi, T. Pervunina // Intern. Conf. on Electrical Engineering and Photonics (EExPolytech), SPb., 20–21 Oct. 2022. IEEE, 2022. P. 118–121. doi: 10.1109/EExPolytech56308.2022.9950997