ПРОГНОСТИЧЕСКАЯ МОДЕЛЬ ВЫЯВЛЕНИЯ РАКА ПРЕДСТАТЕЛЬНОЙ ЖЕЛЕЗЫ ВЫСОКОЙ СТЕПЕНИ ЗЛОКАЧЕСТВЕННОСТИ (GP=4+3) НА ОСНОВЕ МРТ-РАДИОМИКИ (ПАРАМЕТРИЧЕСКИХ КАРТ ИЗМЕРЯЕМОГО КОЭФФИЦИЕНТА ДИФФУЗИИ)

О. В. Крючкова; Е. В. Щепкина; А. И. Кузнецов; С. В. Епифанова; Е. В. Заря; А. Э. Талышинский

№ 3 (2025), Оригинальная статья

№ 3 (2025)

ПРОГНОСТИЧЕСКАЯ МОДЕЛЬ ВЫЯВЛЕНИЯ РАКА ПРЕДСТАТЕЛЬНОЙ ЖЕЛЕЗЫ ВЫСОКОЙ СТЕПЕНИ ЗЛОКАЧЕСТВЕННОСТИ (GP=4+3) НА ОСНОВЕ МРТ-РАДИОМИКИ (ПАРАМЕТРИЧЕСКИХ КАРТ ИЗМЕРЯЕМОГО КОЭФФИЦИЕНТА ДИФФУЗИИ)

Оригинальная статья

Дата публикации 19 сентября 2025

О. В. Крючкова⁺⁻
Е. В. Щепкина⁺⁻
А. И. Кузнецов⁺⁻
С. В. Епифанова⁺⁻
Е. В. Заря⁺⁻
А. Э. Талышинский⁺⁻

О. В. Крючкова

ФГБУ «Центральная клиническая больница с поликлиникой». УД Президента РФ, Москва, Россия

Е. В. Щепкина

Российская академия народного хозяйства и государственной службы при Президенте РФ (РАНХиГС), Москва, Россия

А. И. Кузнецов

Московский авиационный институт (национальный исследовательский университет)

С. В. Епифанова

ФГБУ «Центральная клиническая больница с поликлиникой». Управления делами президента РФ, Москва, Россия

Е. В. Заря

ФГБУ «Центральная клиническая больница с поликлиникой». Управления делами президента РФ, Москва, Россия

А. Э. Талышинский

ФГБОУ ВО «Санкт-Петербургский государственный университет», Санкт-Петербург

PDF

Ключевые слова

МРТ
рак
искусственный интеллект
машинное обучение

Как цитировать

Крючкова О. В., Щепкина Е. В., Кузнецов А. И., Епифанова С. В., Заря Е. В., Талышинский А. Э. ПРОГНОСТИЧЕСКАЯ МОДЕЛЬ ВЫЯВЛЕНИЯ РАКА ПРЕДСТАТЕЛЬНОЙ ЖЕЛЕЗЫ ВЫСОКОЙ СТЕПЕНИ ЗЛОКАЧЕСТВЕННОСТИ (GP=4+3) НА ОСНОВЕ МРТ-РАДИОМИКИ (ПАРАМЕТРИЧЕСКИХ КАРТ ИЗМЕРЯЕМОГО КОЭФФИЦИЕНТА ДИФФУЗИИ) // Кремлевская медицина. Клинический вестник. 2025. Т. № 3. С. 12-19.

Аннотация

Повышение эффективности лечения РПЖ является приоритетной задачей современной онкологии. Наряду с этим существует потребность в создании инновационных, неинвазивных и более точных диагностических методик, позволяющих дифференцировать РПЖ по степени злокачественности и прогнозу течения. Особую актуальность это приобретает для самой неоднозначной, гетерогенной группы с суммой баллов по шкале Глисона 7 - GS7 (GP 3+4 и GP 4+3). От точности диагностики варианта опухолевого процесса у этих пациентов зависит стратификация на группы риска и выбор индивидуального подхода к лечению, а также возможность повысить выживаемость и качество жизни. Целью работы я вляется разработка прогностической модели, построенной с использованием машинного обучения для выявления рака предстательной железы высокой степени злокачественности GP 4+3 в группе GS7 с применением МРТ-радиомики, на основе только данных бпМРТ с использованием параметрических карт измеряемого коэффициента диффузии (ИКД). Материалы и методы. Поведено одноцентровое ретроспективное когортное исследование. В работу включены данные 71 мужчины. Выбор переменных основывался на использовании сравнительной статистики, корреляционного анализа и метода RFE (Recursive Feature Elimination). Для построения модели прогнозирования использовались множественная логистическая регрессия, дерево решений и смешанное моделирование. Результаты. Скрининг 96 потенциальных факторов риска выявил 13 наиболее значимых показателей, которые были включены в данную прогностическую модель на основе данных МРТ-радиомики: DISCRETIZED_AUC_CSH; GLCM_Energy[=AngularSecondMoment]; GLCM_Correlation; GLRLM_LRE; GLRLM_LGRE; GLRLM_SRHGE; GLZLM_LZE; GLZLM_LZLGE; GLZLM_LZHGE; GLZLM_ZLNU; SHAPE_Compacity[onlyFor3DROI]; INFO_ActualFrameDuration и PARAMS_BoundsRangeOfValueAfterDiscretisation_1. В ходе исследования была разработана прогностическая модель отличного качества, которая показала точность 91.5% [86.8; 95.3]%, чувствительность — 90.6% [83.6; 96.6]%, специфичность — 92.5% [85.5; 98.0]%, ROC-AUC — 95.6% [91.5; 98.9]%. Модель описывает 66.0% [46.2; 81.1]% дисперсии. Кроме того, на основе модели была создана программа-калькулятор (номер свидетельства 2024691778 от 22.11.2024). Заключение. Разработана прогностическая модель на основе МРТ-радиомики, основанная только на данных бпМРТ с использованием параметрических карт ИКД, которая с высокой точностью выявляет РПЖ высокой степени злокачественности GP 4+3 в группе GS7.

PDF

Литература

Bergengren O. et al. 2022 Update on Prostate Cancer Epidemiology and Risk Factors—A Systematic Review // Eur Urol. – 2023. – V. 84. – No 2. – P. 191–206. doi: 10.1016/j.eururo.2023.04.021.

Каприн А.Д., Старинский В.В., Шахзадова А.О. Злокачественные новообразования в России в 2022 году (заболеваемость и смертность) // М.: МНИОИ им. П. А. Герцена – филиал ФГБУ «НМИЦ радиологии» Минздрава России. – 2023. – C. 275. [Kaprin A.D., Starinsky V.V., Shakhzadova A.O. Malignant neoplasms in Russia in 2022 (incidence and mortality) // Moscow: P.A. Herzen Moscow Oncology Research Institute - branch of the Federal State Budgetary Institution "NMITsology" of the Ministry of Health of Russia. – 2023. – P. 275. In Russian].

SiegelR.L. et al. Cancerstatistics, 2017 // CACancerJClin. – 2017. – V. 67. – No 1. – P. 7–30. doi: 10.3322/caac.21387

Andrén O. et al. How Well Does the Gleason Score Predict Prostate Cancer Death? A 20-Year Followup of a Population Based Cohort in Sweden // Journal of Urology. – 2006. – V. 175. – No 4. – P. 1337–1340. doi: 10.1016/S0022-5347(05)00734-2.

Gleason D.F., Mellinger G.T. Prediction of Prognosis for Prostatic Adenocarcinoma by Combined Histological Grading and Clinical Staging // Journal of Urology. – 1974. – V. 111. – No 1. – P. 58–64. doi: 10.1016/s0022-5347(17)59889-4.

Quinn D.I. et al. Prognostic Significance of Pathologic Features in Localized Prostate Cancer Treated With Radical Prostatectomy: Implications for Staging Systems and Predictive Models // Journal of Clinical Oncology. – 2001. – V. 19. – No 16. – P. 3692–3705. doi: 10.1200/JCO.2001.19.16.3692.

Epstein J.I. Prostate cancer grading: a decade after the 2005 modified system // Modern Pathology. – 2018. – V. 31. – P. 47–63. doi: 10.1038/modpathol.2017.133.

Kweldam C.F., van Leenders G.J., van der Kwast T. Grading of prostate cancer: a work in progress // Histopathology. – 2019. – V. 74. – No 1. – P. 146–160. doi: 10.1111/his.13767.

Stark J.R. et al. Gleason Score and Lethal Prostate Cancer: Does 3 + 4 = 4 + 3? // Journal of Clinical Oncology. – 2009. – V. 27. – No 21. – P. 3459–3464. doi: 10.1200/JCO.2008.20.4669.

Kane C.J. et al. Variability in Outcomes for Patients with Intermediate-risk Prostate Cancer (Gleason Score 7, International Society of Urological Pathology Gleason Group 2–3) and Implications for Risk Stratification: A Systematic Review // EurUrol Focus. – 2017. – V. 3. – No 4–5. – P. 487–497. doi: 10.1016/j.euf.2016.10.010.

Epstein J.I. et al. A Contemporary Prostate Cancer Grading System: A Validated Alternative to the Gleason Score // Eur Urol. – 2016. – V. 69. – No 3. – P. 428–435. doi: 10.1016/j.eururo.2015.06.046.

Клинические рекомендации – Рак предстательной железы – 2021-2022-2023 (20.01.2023) – Утверждены Минздравом РФ; 2023. [Clinical guidelines – Prostate cancer – 2021-2022-2023 (01/20/2023) – Approved by the Ministry of Health of the Russian Federation; 2023. In Russian]. URL: https:// http://disuria.ru/_ld/12/1277_kr21C61MZ.pdf.

Epstein J.I. Urology journals recommend new prostate cancer grade groups // Nat Rev Urol. – 2016. – V. 13. – No 7. – P. 374–375. doi: 10.1038/nrurol.2016.96.

Epstein J.I. et al. The 2014 International Society of Urological Pathology (ISUP) Consensus Conference on Gleason Grading of Prostatic Carcinoma // American Journal of Surgical Pathology. – 2016. – V. 40. – No 2. – P. 244–252. doi: 10.1097/PAS.0000000000000530.

Chan T.Y. et al. Prognostic significance of Gleason score 3+4 versus Gleason score 4+3 tumor at radical prostatectomy // Urology. – 2000. – V. 56. – No 5. – P. 823–827. doi: 10.1016/s0090-4295(00)00753-6.

Wright J.L. et al. Prostate Cancer Specific Mortality and Gleason 7 Disease Differences in Prostate Cancer Outcomes Between Cases With Gleason 4 + 3 and Gleason 3 + 4 Tumors in a Population Based Cohort // Journal of Urology. – 2009. – V. 182. – No 6. – P. 2702–2707. doi: 10.1016/j.juro.2009.08.026.

Ahmed H.U. et al. Diagnostic accuracy of multi-parametric MRI and TRUS biopsy in prostate cancer (PROMIS): a paired validating confirmatory study // The Lancet. – 2017. – V. 389. – No 10071. – P. 815–822. doi: 10.1016/S0140-6736(16)32401-1.

Richenberg J. et al. The primacy of multiparametric MRI in men with suspected prostate cancer // EurRadiol. – 2019. – V. 29. – No 12. – P. 6940–6952. doi: 10.1007/s00330-019-06166-z.

Turkbey B. et al. Prostate Imaging Reporting and Data System Version 2.1: 2019 Update of Prostate Imaging Reporting and Data System Version 2 // Eur Urol. – 2019. – V. 76. – No 3. – P. 340–351. doi: 10.1016/j.eururo.2019.02.033.

Jambor I. et al. Novel biparametric MRI and targeted biopsy improves risk stratification in men with a clinical suspicion of prostate cancer (IMPROD Trial) // Journal of Magnetic Resonance Imaging. – 2017. – V. 46. – No 4. – P. 1089–1095. doi: 10.1002/jmri.25641.

Hoeks C.M.A. et al. Prostate Cancer: Multiparametric MR Imaging for Detection, Localization, and Staging // Radiology. – 2011. – V. 261. – No 1. – P. 46–66. doi: 10.1148/radiol.11091822.

Weinreb J.C. et al. PI-RADS Prostate Imaging – Reporting and Data System: 2015, Version 2 // Eur Urol. – 2016. – V. 69. – No 1. – P. 16–40. doi: 10.1016/j.eururo.2015.08.052.

Wu L.-M. et al. The Clinical Value of Diffusion-Weighted Imaging in Combination With T2-Weighted Imaging in Diagnosing Prostate Carcinoma: A Systematic Review and Meta-Analysis // American Journal of Roentgenology. – 2012. – V. 199. – No 1. – P. 103–110. doi: 10.2214/AJR.11.7634.

Itou Y. et al. Clinical utility of apparent diffusion coefficient (ADC) values in patients with prostate cancer: Can ADC values contribute to assess the aggressiveness of prostate cancer? // Journal of Magnetic Resonance Imaging. – 2011. – V. 33. – No 1. – P. 167–172. doi: 10.1002/jmri.22317.

Rosenkrantz A.B. et al. Whole‐lesion apparent diffusion coefficient metrics as a marker of percentage Gleason 4 component within Gleason 7 prostate cancer at radical prostatectomy // Journal of Magnetic Resonance Imaging. – 2015. – V. 41. – No 3. – P. 708–714. doi: 10.1002/jmri.24598.

Barentsz J.O. et al. ESUR prostate MR guidelines 2012 // EurRadiol. 2012. – V. 22. – No 4. – P. 746–757. doi: 10.1007/s00330-011-2377-y.

Park S.Y. et al. Prostate Cancer: PI-RADS Version 2 Helps Preoperatively Predict Clinically Significant Cancers // Radiology. – 2016. – V. 280. – No 1. – P. 108–116. doi: 10.1148/radiol.16151133.

Alessandrino F. et al. Predictive role of PI-RADSv2 and ADC parameters in differentiating Gleason pattern 3 + 4 and 4 + 3 prostate cancer // Abdominal Radiology. – 2019. – V. 44. – No 1. – P. 279–285. doi: 10.1007/s00261-018-1718-6.

Kocak B. et al. Radiomics with artificial intelligence: a practical guide for beginners // Diagnostic and Interventional Radiology. – 2019. – V. 25. – No 6. – P. 485–495. doi: 10.5152/dir.2019.19321.

Gillies R.J., Kinahan P.E., Hricak H. Radiomics: Images Are More than Pictures, They Are Data // Radiology. – 2016. – V. 278. – No 2. – P. 563–577. doi: 10.1148/radiol.2015151169.

Wibmer A. et al. Haralick texture analysis of prostate MRI: utility for differentiating non-cancerous prostate from prostate cancer and differentiating prostate cancers with different Gleason scores // EurRadiol. – 2015. – V. 25. – No 10. – P. 2840–2850. doi: 10.1007/s00330-015-3701-8.

Zhang G. et al. Radiomics Based on MRI as a Biomarker to Guide Therapy by Predicting Upgrading of Prostate Cancer From Biopsy to Radical Prostatectomy // Journal of Magnetic Resonance Imaging. – 2020. – V. 52. – No 4. – P. 1239–1248. doi: 10.1002/jmri.27138.

Liu B. et al. Prediction of prostate cancer aggressiveness with a combination of radiomics and machine learning-based analysis of dynamic contrast-enhanced MRI // Clin Radiol. – 2019. – V. 74. – No 11. – P. 896.e1-896.e8. doi: 10.1016/j.crad.2019.07.011.

Chen T. et al. Prostate Cancer Differentiation and Aggressiveness: Assessment With a Radiomic‐Based Model vs. PI‐RADS v2 // Journal of Magnetic Resonance Imaging. – 2019. – V. 49. – No 3. – P. 875–884. doi: 10.1002/jmri.26243.

Щепкина Е.В., Епифанова С.В., Кузнецов А.И. STARD и TRIPOD: рекомендации по предоставлению результатов диагностических и прогностических исследований. Практические советы для оформления статей в журналы // Педиатрия им. Г.Н. Сперанского. – 2022. – T. 101. – №.1. – С. 236–249. [Schepkina E.V., Epifanova S.V., Kuznetsov A.I. STARD and TRIPOD: recommendations for the provision of diagnostic and prognostic research results. practical advice for submitting articles to journals // Pediatria. Journal named after G.N. Speransky. – 2022. – V. 101. – No 1. – P. 236–249. In Russian] doi: 10.24110/0031-403X-2022-101-1-236-249.

Moons K.G.M. et al. Transparent Reporting of a multivariable prediction model for Individual Prognosis Or Diagnosis (TRIPOD): Explanation and Elaboration // Ann Intern Med. – 2015. – V. 162. – No 1. – P. W1–W73. doi: 10.7326/M14-0698.

Senan E.M. et al. Diagnosis of Chronic Kidney Disease Using Effective Classification Algorithms and Recursive Feature Elimination Techniques // J Healthc Eng. – 2021. – V. 2021. – P. 1–10. doi: 10.1155/2021/1004767.

Swana E.F., Doorsamy W., Bokoro P. Tomek Link and SMOTE Approaches for Machine Fault Classification with an Imbalanced Dataset // Sensors. – 2022. – V. 22. – No 9. – P. 3246. doi: 10.3390/s22093246.

Blagus R., Lusa L. SMOTE for high-dimensional class-imbalanced data // BMC Bioinformatics. – 2013. – V. 14. – No 1. – P. 106. doi: 10.1186/1471-2105-14-106.

Barnholtz-Sloan J.S. et al. Decision Tree–Based Modeling of Androgen Pathway Genes and Prostate Cancer Risk // Cancer Epidemiology, Biomarkers & Prevention. – 2011. – V. 20. – No 6. – P. 1146–1155. doi: 10.1158/1055-9965.EPI-10-0996.

Smyth P., Wolpert D. H. Linearly Combining Density Estimators via Stacking // Machine Learning Journal. – 1999. – V. 36. – No 1. – P. 59-83. doi: 10.1023/A:1007511322260.

Van Calster B. et al. Reporting and Interpreting Decision Curve Analysis: A Guide for Investigators // Eur Urol. – 2018. – V. 74. – No 6. – P. 796–804. doi: 10.1016/j.eururo.2018.08.038.

Nowak J. et al. The value of ADC, T2 signal intensity, and a combination of both parameters to assess Gleason score and primary Gleason grades in patients with known prostate cancer // Acta radiol. – 2016. – V. 57. – No 1. – P. 107–114. doi: 10.1177/0284185114561915.

Nketiah G. et al. T2-weighted MRI-derived textural features reflect prostate cancer aggressiveness: preliminary results // EurRadiol. – 2017. – V. 27. – No 7. – P. 3050–3059. doi: 10.1007/s00330-016-4663-1.

Gugliandolo S.G. et al. MRI-based radiomics signature for localized prostate cancer: a new clinical tool for cancer aggressiveness prediction? Sub-study of prospective phase II trial on ultra-hypofractionated radiotherapy (AIRC IG-13218) // EurRadiol. – 2021. – V. 31. – No 2. – P. 716–728. doi: 10.1007/s00330-020-07105-z.

Han C. et al. Radiomics Models Based on Apparent Diffusion Coefficient Maps for the Prediction of High‐Grade Prostate Cancer at Radical Prostatectomy: Comparison With Preoperative Biopsy // Journal of Magnetic Resonance Imaging. – 2021. – V. 54. – No 6. – P. 1892–1901. doi: 10.1002/jmri.27565.

Свидетельство о регистрации программы для ЭВМ 2024691778 от 22.11.2024. Крючкова О.В., Щепкина Е.В., Кузнецов А.И. Программное обеспечение для прогнозирования вероятности степени злокачественности ацинарной аденокарциномы предстательной железы у мужчин по шкале Глисона 7=3+4 и 7=4+3 на основе бпМРТ-радиомики, 2024. [Certificate of registration of computer program 2024691778 dated 11/22/2024. Kryuchkova O.V., Schepkina E.V., Kuznetsov A.I. Software for predicting the probability of the degree of malignancy of acinar adenocarcinoma of the prostate gland in men according to the Gleason scale 7=3+4 and 7=4+3 based on bpMRI radiomics, 2024. In Russian] URL: https://www.elibrary.ru/item.asp?id=80276166.

Патент на изобретение 2825524, 26.08.2024. Заявка от 02.10.2023. Крючкова О.В., Щепкина Е.В., Кузнецов А.И. Способ прогнозирования вероятности степени злокачественности ацинарной аденокарциномы предстательной железы у мужчин по шкале Глисона 7=3+4 и 7=4+3 на основе бпМРТ-радиомики; 2024. [Patent for invention 2825524, 26.08.2024. Application dated 02.10.2023. Kryuchkova O.V., Schepkina E.V., Kuznetsov A.I. Method for predicting the probability of the degree of malignancy of acinar adenocarcinoma of the prostate gland in men according to the Gleason scale 7=3+4 and 7=4+3 based on bpMRI radiomics; 2024. In Russian]. URL: https://elibrary.ru/item.asp?id=69725278.

Ma X.Z. et al. Application evaluation of DCE-MRI combined with quantitative analysis of DWI for the diagnosis of prostate cancer // Oncol Lett. – 2019. – V. 17. – No 3. – P. 3077-3084. doi: 10.3892/ol.2019.9988

Ключевые слова

Как цитировать

Скачать ссылку

Аннотация

Литература