Использование интеллектуального анализа изображений для прогнозирования ответа на химиотерапию при раке кости: руководство для пациентов по радиомиксе при остеосаркоме

Оглавление

• Ключевые моменты
• Понимание остеосаркомы и методов ее лечения
• Сложность прогнозирования ответа на химиотерапию
• Что такое радиомикса и как она работает?
• Как проводился данный обзор исследований
• Основные выводы: что показывают исследования
• МРТ демонстрирует превосходные возможности
• Клинические последствия: что это означает для пациентов
• Ограничения исследования: чего этот обзор не смог доказать
• Рекомендации для пациентов и их семей
• Часто задаваемые вопросы
• Информация об источнике

Ключевые моменты

• Радиомикса на основе МРТ предсказывала ответ на неоадъювантную химиотерапию при остеосаркоме с точностью до 93,8% и AUC 0,961 в одном из исследований.
• Радиомикса извлекает паттерны, анализируемые компьютером, из КТ, МРТ или ПЭТ-сканов, которые могут предсказывать некроз опухоли ≥90% до операции.
• В настоящее время ответ на химиотерапию оценивается после операции; радиомикса направлена на более раннее прогнозирование ответа, что позволяет персонализировать лечение.
• Большинство исследований по радиомиксе имели небольшие выборки из одного центра, и этот подход еще не стандартизирован для рутинного клинического использования.
• Радиомика ПЭТ/КТ с применением машинного обучения улучшила прогноз, однако в одном исследовании сырые признаки ПЭТ сами по себе показали слабый ответ.

Понимание остеосаркомы и ее лечения

Остеосаркома является наиболее распространенной первичной злокачественной опухолью кости, на которую приходится около 20% всех первичных злокачественных опухолей костей. Она преимущественно поражает детей и подростков; типичным местом развития рака является метафиз (растущий конец) длинных костей, таких как бедренная или большеберцовая кость.

Современные стратегии лечения значительно улучшили результаты. Текущий 5-летний показатель выживаемости пациентов с остеосаркомой составляет теперь 60%–70%, что является значительным улучшением по сравнению с прошлыми десятилетиями. Этот прогресс во многом обусловлен стандартным подходом к лечению, который объединяет три компонента:

• Неоадъювантная химиотерапия (НХТ) — химиотерапия, проводимая до операции для уменьшения размера опухоли
• Хирургическое удаление — хирургическое иссечение опухоли
• Адъювантная химиотерапия после операции — дополнительная химиотерапия, проводимая после операции для устранения оставшихся раковых клеток

Текущий клинический стандарт использует многокомпонентные схемы химиотерапии, обычно включающие метотрексат в высокой дозе (HD-MTX), ифосфамид (IFO), доксорубицин (ADM) и цисплатин (DDP). Эти препараты действуют совместно, уничтожая раковые клетки, однако лечение является интенсивным и может вызывать значительные побочные эффекты.

Вот в чем заключается проблема: пациенты по-разному реагируют на одну и ту же схему химиотерапии. Частота ответа — определяемая как процент пациентов, достигших не менее 90% гибели опухолевых клеток (некроза) после химиотерапии — варьируется от всего 30% до 60%. Это означает, что значительное число пациентов переносят тяжелые побочные эффекты химиотерапии, не получая полной пользы.

Сложность прогнозирования ответа на химиотерапию

Чувствительность к химиотерапии является одним из наиболее важных прогностических факторов при остеосаркоме. В ключевом клиническом исследовании EURAMOS-1 было обнаружено, что только около 50% пациентов достигают хорошего гистологического ответа, определяемого как не менее 90% некроза опухоли после неоадъювантной химиотерапии. Эта частота ответа имеет важные последствия для прогноза, поскольку она определяла решения о лечении в исследовании.

В настоящее время стандартный метод оценки ответа на химиотерапию основан на микроскопическом исследовании удаленной хирургическим путем опухоли. Этот подход, описанный Хувосом и коллегами, классифицирует пациентов на две группы:

• Хорошие патологические ответчики — пациенты с некрозом опухоли более 90%
• Слабые патологические ответчики — пациенты с некрозом опухоли менее 90%

Фундаментальное ограничение этого подхода заключается во времени. Ответ можно оценить только после операции, что означает, что он не может направлять решения о продолжении или изменении химиотерапии во время лечения. На сегодняшний день не существует окончательных клинических, биологических или визуализационных маркеров, позволяющих врачам надежно предсказывать ответ на химиотерапию достаточно рано для изменения стратегий лечения.

Также важно отметить, что «ответ на химиотерапию» включает в себя два различных понятия при остеосаркоме:

• Гистологический ответ — определяется гибелью опухолевых клеток, измеренной после операции
• Радиологический ответ — отражается изменениями на изображениях, такими как изменения размера или плотности опухоли на КТ или МРТ-сканах

Инструменты прогнозирования на основе радиомики в первую очередь направлены на предсказание гистологического ответа с использованием предлечебных изображений. Это устраняет разрыв между ранней радиологической оценкой и отложенными результатами хирургической патологии.

Существующие радиологические критерии, такие как RECIST (Response Evaluation Criteria in Solid Tumors), менее применимы к остеосаркоме, поскольку наличие костного матрикса усложняет оценку изменений размера опухоли. Это затрудняет определение того, реагирует ли опухоль на лечение, просто измеряя ее размеры на снимке.

Что такое радиомикс и как он работает?

Радиомикс представляет собой революционный сдвиг в анализе медицинских изображений. Вместо того чтобы полагаться исключительно на визуальную интерпретацию врача-радиолога, радиомикс использует продвинутые компьютерные алгоритмы для извлечения тысяч количественных показателей из медицинских изображений. Эти показатели подразделяются на несколько категорий:

• Морфологические признаки — характеристики формы опухоли
• Интенсивные признаки (статистика первого порядка) — статистические свойства значений пикселей внутри опухоли
• Текстурные признаки (признаки второго и более высоких порядков) — закономерности расположения пикселей, которые выявляют гетерогенность опухоли

Эти признаки могут быть извлечены из различных методов визуализации, включая компьютерную томографию (КТ), магнитно-резонансную томографию (МРТ) и позитронно-эмиссионную томографию с 18F-фтордезоксиглюкозой (18F-ФДГ ПЭТ/КТ). Эта технология позволяет точно характеризовать гетерогенность опухоли и микроокружение опухоли, преодолевая ограничения субъективности и воспроизводимости традиционной ручной интерпретации изображений.

Чтобы понять, как работает радиомикс, полезно знать об инструментах искусственного интеллекта (ИИ), лежащих в его основе:

• Машинное обучение (МО) — подраздел ИИ, который использует алгоритмы для выявления закономерностей в данных и построения прогнозов без явного программирования для каждой конкретной задачи
• Глубокое обучение (ГО) — специализированная ветвь МО, которая использует многослойные нейронные сети для автоматического извлечения иерархических признаков из сложных данных, таких как медицинские изображения
• Сверточные нейронные сети (CNN) — тип алгоритма глубокого обучения, который использует многослойные сверточные ядра для автоматического извлечения признаков изображений. Этот подход позволяет одновременно анализировать как микроскопические текстурные характеристики, так и макроскопические морфологические закономерности

Традиционные статистические методы имеют значительные ограничения при обработке высокоразмерных нелинейных данных, характерных для радиомикса. Их возможности по извлечению признаков ограничены, и им трудно распознавать сложные закономерности. В отличие от них, подходы глубокого обучения предлагают два явных преимущества:

1. Они устраняют предвзятость отбора, присущую ручной инженерии признаков
2. Благодаря оптимизации обратного распространения ошибки они могут напрямую выявлять потенциальные визуализационные биомаркеры из исходных данных пикселей

Клинические валидационные исследования установили, что модели прогнозирования на основе глубокого обучения демонстрируют превосходную эффективность при оценке ответа на неоадъювантную химиотерапию по сравнению с традиционными методами.

Как проводился данный обзор исследований

Исследователи следовали рекомендациям PRISMA (Preferred Reporting Items for Systematic Reviews and Meta-Analyses), чтобы обеспечить тщательность и беспристрастность своего обзора. Вот как они проводили поиск:

• Искать базы данных: Три основные медицинские базы данных
• Охват временного периода: Статьи, опубликованные в период с 1 января 2014 года по 31 декабря 2024 года
• Использованные поисковые запросы: "остеосаркома И химиотерапия И ответ И предсказание"
• Ограничение по языку: Только оригинальные исследовательские статьи на английском языке; обзорные статьи были исключены

Два независимых исследователя провели первичный скрининг на основе названий и аннотаций. Потенциально подходящие исследования затем были рассмотрены в полном объеме. Любые расхождения между рецензентами разрешались путем консенсусного обсуждения.

Исследования включались, если они соответствовали всем трем критериям:

1. Гистологически подтвержденная первичная остеосаркома
2. Оценка предикции ответа на неоадъювантную химиотерапию
3. Сообщение о патологическом ответе (например, ≥90% некроз опухоли)

Исследования исключались, если они:

• Не сообщали о релевантных исходах
• Специфически не включали термин "osteosarcoma"
• Ограничивали оценку только послехимиотерапевтической визуализацией
• Были прогностическими, а не предиктивными исследованиями
• Использовали подходы, не основанные на визуализации

Для извлечения данных два исследователя независимо собирали информацию с использованием стандартизированной формы. Это включало год публикации, дизайн исследования, демографические данные пациентов, параметры визуализации, методологию извлечения радиомики, построение предиктивной модели и основные исходы. Когда данные отсутствовали или были неоднозначными, они пытались связаться с оригинальными авторами для уточнения.

Исследователи также использовали инструмент Radiomics Quality Score (RQS) для оценки качества исследований. Оценка фокусировалась на нескольких критических компонентах, включая протоколы получения изображений (параметры оборудования и стандартизация сканирования), методы сегментации опухоли, техники извлечения признаков и подходы к построению моделей.

Наконец, авторы провели количественный метаанализ с использованием моделей со случайными эффектами для сравнения предиктивной производительности различных методов визуализации (МРТ и ПЭТ-КТ). Они рассчитали объединенную чувствительность, специфичность и площадь под кривой рабочего характеристики приемника (AUC) — меру того, насколько хорошо тест различает пациентов с хорошим и слабым ответом. Гетерогенность исследований (несогласованность между исследованиями) оценивалась с помощью статистики I².

Ключевые выводы: что показывают исследования

Обзор выявил 24 подходящих исследования, оценивающих радиомику для предикции ответа на неоадъювантную химиотерапию при остеосаркоме. В исследованиях использовались различные методы визуализации, включая рентгенографию, КТ, МРТ, сцинтиграфию и ПЭТ/КТ. Ниже приведены ключевые выводы, сгруппированные по типу визуализации.

Комбинация рентгенографии и МРТ

В исследовании 2023 года Z. Luo и коллеги, включавшем 102 пациента, объединили радиомику рентгенографии и МРТ с клиническими данными. Модель, использующая все данные в комбинации, достигла AUC 0.828. Индивидуальные модели показали следующие результаты: клинические данные плюс радиомика рентгенографии достигли AUC 0.760, только радиомика рентгенографии 0.751, только радиомика МРТ 0.706, а комбинация радиомики рентгенографии и МРТ — 0.796.

Радиомика на основе КТ

F. Yang и коллеги (2024) провели двухцентровое исследование с участием 225 пациентов, использующее радиомику КТ. Модели, сочетающие радиомику и клинические признаки, достигли значений AUC 0.78 в обучающей выборке и 0.75 в независимой проверочной выборке.

D. Fu и коллеги (2023 г.) изучили 18 пациентов и исследовали характеристики периостеосаркоматозного жира на КТ. Индекс плотности периостеосаркоматозного жира (FAI) достиг значения AUC 0,950, в то время как концентрация метотрексата через 6 часов имела AUC 0,963 — оба показателя свидетельствуют об отличной предиктивной способности для ответа на химиотерапию.

L. Xu и коллеги (2021 г.) изучили 157 пациентов и повысили точность прогнозирования за счет объединения радиомических признаков КТ как из области опухоли, так и из окружающих нетузорозных участков кости, используя несколько методов машинного обучения.

Визуализация в ядерной медицине (Tc-MIBI)

C. Wu и коллеги (2019 г.) изучили 30 пациентов с помощью сканирования Tc-MIBI. Они обнаружили, что скорость вымывания из опухоли (как быстро радиоактивный индикатор покидает опухоль) отрицательно коррелирует со скоростью некроза опухоли (r = −0,510, P = 0,004). При использовании порога скорости вымывания 25% или менее для прогнозирования хорошего ответа на химиотерапию чувствительность составила 100%, специфичность — 91,7%, а точность — 95,8%.

Радиомика на основе МРТ

Несколько исследований на основе МРТ продемонстрировали сильную предиктивную способность:

• F. Zheng (2024 г.), 106 пациентов: Модель радиомики на основе глубокого обучения достигла наилучших показателей прогнозирования с точностью 93,8% и AUC 0,961 в тестовой выборке.
• Y. Zhang (2024 г.), 109 пациентов: Комбинированная модель, использующая данные МРТ до и после химиотерапии, достигла значений AUC 0,999 в обучающей выборке и 0,915 в тестовой выборке. Примечательно, что модели после химиотерапии показали лучшие результаты, чем модели до химиотерапии.
• Kanthawang Thanat (2024 г.), 95 пациентов: Объем опухоли более 150 мл и максимальный аксиальный диаметр более 7,0 см были выявлены как независимые предикторы слабого ответа (P = 0,025 и P = 0,045 соответственно).
• J. Zhong (2022 г.), 144 пациента: Модели радиомики достигли значений AUC 0,699, 0,759 и 0,784 при различных конфигурациях моделей.
• K.Y. Teo (2022 г.), 15 пациентов: Машинное обучение в сочетании с мультимодальной МРТ показало отличные результаты в прогнозировании некроза опухоли, с AUC 0,999 в обучающей выборке и 0,915 в тестовой выборке.
• Esha Baidya Kayal (2022 г.), 35 пациентов (IVIM-MRI): Базовые параметры показали AUC 0,87, чувствительность 86% и специфичность 77%. После первого цикла химиотерапии AUC увеличилась до 0,96, с чувствительностью 86% и специфичностью 100%.
• J. Dufau (2019 г.), 69 пациентов: Из этих пациентов 55,1% (38 из 69) были хорошими гистологическими ответчиками. Модель опорных векторов, основанная на начальных радиомических данных МРТ, достигла AUROC 0,98, чувствительности 100% (95% ДИ [100%–100%]) и специфичности 86% (95% ДИ [59,7%–111%]).
• G.J. Djuričić (2017 г.), 22 пациента: Вычислительный морфологический анализ с использованием алгоритмов фрактального анализа и матрицы совместной встречаемости уровней серости предсказал ответ на химиотерапию с AUC 0,82 и точностью 82%.

Передовые методы МРТ (DCE-MRI и IVIM-DWI)

• Zeng Yan-Ni (2022 г.), 25 пациентов (DCE-MRI): При использовании пороговых значений 3,2%/с (наклон), 175 секунд (TTP) и 5,4% (ER) чувствительность и специфичность для прогнозирования хорошего ответа на химиотерапию составили 83,3% и 92,3%, 91,7% и 69,2%, а также 84,6% и 75,0% соответственно.
• Xibin Xia (2022 г.), 163 пациента (DCE-MRI + IVIM-DWI): После двух циклов лечения значения Ktrans, Kep и Ve были значительно ниже в группе полного ответа/частичного ответа по сравнению с группой стабилизации заболевания/прогрессирования заболевания. В то же время значения D, ADC и f были значительно выше у хороших ответчиков. Лабораторные показатели щелочной фосфатазы (ALP) и лактатдегидрогеназы (LDH) положительно коррелировали со значениями Ktrans, Kep и Ve, но отрицательно коррелировали со значениями D, ADC и f.
• A. Bouhamama (2022 г.), 176 пациентов из 3 центров: Комбинированная модель DCE-MRI и IVIM-DWI достигла значений AUC 0,95 и 0,97, с чувствительностью 91% и специфичностью 92%.
• L. Zhang (2021 г.), 102 пациента (DCE-MRI): Модели, объединяющие клинические факторы риска (такие как стадия хирургического вмешательства) с радиомическими признаками, превзошли по эффективности только радиомику. Комбинированная модель достигла точности прогнозирования 0,91 в обучающей выборке и 0,90 в тестовой выборке, с значениями AUC 0,94 и 0,95 соответственно.
• M.M. Saleh (2020 г.), 53 пациента (многопараметрическая МРТ с DWI): Это исследование подчеркнуло важность использования многопараметрической МРТ, особенно диффузионно-взвешенной визуализации (DWI) и карт коэффициента кажущейся диффузии (ADC), для прогнозирования чувствительности к химиотерапии. Оно также указало на ограничения традиционных методов оценки, основанных исключительно на изменении объема опухоли.

Радиомика на основе ПЭТ/КТ

• B.C. Kim (2021), 52 пациента: Точность теста ответа на химиотерапию с использованием текстурных признаков изображений составила 0,83, а точность теста метастазирования — 0,76. Комбинирование данных визуализации с геномными данными (радиогеномика) улучшило результаты: максимальная точность теста ответа на химиотерапию с AUC_max, KI67 и EZRIN составила 0,85 при площади под кривой (AUC) 0,89. Точность предсказания метастазирования увеличилась на 10% при использовании данных радиогеномики.
• Kim J (2021), 105 пациентов: Хотя модель прогнозирования, основанная на базовых текстурных признаках ПЭТ с использованием традиционного машинного обучения, оценивала неблагоприятные исходы, сеть 2D CNN, использующая исходные изображения FDG ПЭТ, могла предсказать ответ на лечение до начала химиотерапии. Это свидетельствует о том, что глубокое обучение на изображениях ПЭТ может помочь в принятии решения о проведении неоадъювантной химиотерапии.
• H. Song (2019), 35 пациентов: Метаболический объем опухоли (MTV) был определен как лучший параметр для прогнозирования ответа на химиотерапию, с площадью под кривой (AUC) 0,918 и p-значением менее 0,0001, что указывает на очень высокую прогностическую точность.
• S.Y. Jeong (2019), 70 пациентов: Только базовые признаки ПЭТ (SUVmax, TLG, MTV, энтропия первого порядка и энтропия матрицы совместной встречаемости уровней серого) имели низкие значения AUC в диапазоне от 0,536 до 0,553. Однако признаки машинного обучения с использованием линейного SVM, случайного леса и градиентного бустинга достигли значений AUC 0,72, 0,78 и 0,82 соответственно, что показывает, как машинное обучение значительно улучшило прогностическую способность.
• I. Lee B (2018), 62 пациента: В этом исследовании сравнивались сцинтиграфия костей с Tc-MDP и FDG ПЭТ/КТ, показав, что каждый метод визуализации (с такими признаками, как отношение T/N и SUVmax) предлагал различные преимущества в прогнозировании ответа.
• J.C. Davis (2018), 34 пациента: SUVmax на рутинных изображениях через 5 или 10 недель, а также процентное изменение SUVmax от базового уровня до 10-й недели были определены как метаболические предикторы гистологического ответа.
• B.H. Byun (2015), 34 пациента (двухфазная FDG ПЭТ/КТ): При использовании комбинированных критериев процентного изменения SUV и значений индекса удержания (RI) точность прогнозирования составила 81%, 77% и 77% для различных комбинаций. Гистологический ответ после неоадъювантной химиотерапии можно было предсказать с помощью RImean до начала лечения, а совместное использование значений SUV и RI обеспечивало лучшее прогнозирование.

МРТ демонстрирует превосходные возможности

Ключевым выводом данного обзора является то, что МРТ демонстрирует превосходные возможности в интеграции мультимодальных данных и извлечении признаков с высокой пропускной способностью. Это объясняется тем, что МРТ обеспечивает отличное контрастирование мягких тканей, позволяя детально визуализировать опухоль внутри кости и окружающих тканей.

Наиболее эффективные модели во всем обзоре были преимущественно основаны на данных МРТ. Например, модель радиомики глубокого обучения от F. Zheng достигла точности 93,8% и площади под кривой (AUC) 0,961, в то время как комбинированная модель МРТ до и после химиотерапии Y. Zhang достигла AUC 0,999 при обучении и 0,915 при тестировании. Исследование ДК-МРТ (DCE-MRI) от A. Bouhamama в трех центрах достигло значений AUC 0,95 и 0,97.

Радиомика на основе ПЭТ/КТ также показала перспективность, особенно при сочетании с подходами машинного или глубокого обучения. Исследование S.Y. Jeong продемонстрировало, что хотя сырые признаки ПЭТ работали плохо (AUC 0,536–0,553), применение алгоритмов машинного обучения резко повысило производительность (AUC 0,72–0,82). Это подчеркивает важный принцип: важна не только модальность визуализации — аналитический подход имеет не меньшее значение.

Клинические последствия: что это означает для пациентов

Клиническая ценность прогнозирования ответа на химиотерапию охватывает три ключевых аспекта:

1. Оптимизация лечения. Точные прогностические модели позволят по-настоящему персонализировать терапевтические стратегии. Для пациентов, у которых прогнозируется хороший ответ на химиотерапию, лечение можно оптимизировать — например, поддерживая эффективные схемы, чтобы избежать ненужного усиления терапии. Для пациентов с прогнозируемым слабым ответом их можно своевременно перевести на альтернативные виды терапии, такие как таргетные препараты или иммунотерапия, которые в настоящее время изучаются в клинических испытаниях.

2. Прогностическое управление. Надежные инструменты прогнозирования облегчат раннее выявление групп пациентов с высоким риском, что позволит проводить более интенсивный мониторинг и своевременные клинические вмешательства. Например, в исследовании SARC024 прогностические инструменты использовались для стратификации пациентов по новым терапевтическим ветвям на основе прогнозируемой резистентности, ускоряя процесс разработки препаратов.

3. Трансляция исследований. Надежные системы прогнозирования предоставляют ценные критерии стратификации для дизайна клинических испытаний. Это означает, что будущие клинические испытания можно будет проектировать более эффективно, с самого начала направляя правильных пациентов в соответствующие ветви лечения.

Неинвазивный характер радиомики является еще одним большим преимуществом. В отличие от биопсии, требующей инвазивной процедуры, медицинская визуализация может повторяться на протяжении всей терапии без дополнительного риска для пациента. Это позволяет динамически контролировать ответ опухоли и корректировать планы лечения в реальном времени.

Ограничения исследования: что этот обзор не смог доказать

Хотя результаты обнадеживают, обзор выделяет несколько важных ограничений, которые пациенты должны понимать:

• Малые размеры выборки: Во многих включенных исследованиях участвовали небольшие группы пациентов. Например, в ряде исследований было менее 35 пациентов, что ограничивает статистическую мощность и обобщаемость их результатов.
• Одноцентровый дизайн: Большинство исследований проводилось в одном учреждении, что вызывает вопросы о том, будут ли результаты одинаковыми в разных больницах с различным оборудованием для визуализации и протоколами.
• Гетерогенность между исследованиями: Исследования значительно различались по параметрам визуализации, методам сегментации, техникам извлечения признаков и алгоритмам машинного обучения. Эта гетерогенность затрудняет прямое сравнение и метаанализ.
• Отсутствие стандартизации: В настоящее время не существует единого стандарта того, как должны извлекаться и анализироваться радиomic-признаки, что может приводить к проблемам с воспроизводимостью.
• Разнообразие методов отбора признаков: В обзоре отмечено, что методы отбора признаков и стратегии валидации значительно различались между исследованиями, что влияло на точность предсказаний.
• Различие между прогностическими и предиктивными: В обзоре тщательно проводилась граница между предиктивными исследованиями (которые прогнозируют ответ на лечение) и прогностическими исследованиями (которые прогнозируют общие исходы). Были включены только предиктивные исследования, однако на практике поддерживать это различие бывает сложно.

Также важно отметить, что, несмотря на большой потенциал радиомикс, эти инструменты еще не готовы для рутинного клинического применения. Их следует рассматривать как экспериментальные подходы, которые могут дополнять — но пока не заменять — стандартную гистопатологическую оценку после операции.

Рекомендации для пациентов и их семей

Если вы или ваш близкий сталкиваетесь с лечением остеосаркомы, вот некоторые практические выводы из этого исследования:

1. Спросите об оценке ответа на основе визуализации. Хотя стандартом лечения остается гистопатологическая оценка после операции, некоторые онкологические центры начинают использовать продвинутый анализ изображений для мониторинга ответа во время неоадъювантной химиотерапии.
2. Участвуйте в клинических испытаниях, когда это возможно. Многие подходы машинного обучения и радиомикс, обсуждаемые в этом обзоре, совершенствуются в рамках клинических испытаний. Участие в исследованиях может дать вам доступ к передовым предиктивным инструментам, одновременно способствуя научному прогрессу.
3. Поймите критерии ответа. Когда ваша медицинская команда обсуждает «хороший ответ» на химиотерапию, обычно имеется в виду некроз опухоли 90% или более, видимый под микроскопом после операции. Это ключевой прогностический индикатор.
4. Спросите о МРТ против ПЭТ/КТ. На основе этого обзора радиомикс на базе МРТ, кажется, обладает наибольшей предиктивной силой, но ПЭТ/КТ с анализом машинного обучения также показывает перспективность. Оборудование и экспертиза вашего центра будут влиять на то, какой подход наиболее осуществим.
5. Обсудите ограничения честно. Ни один метод визуализации или модель радиомикс не может идеально предсказать ответ на химиотерапию. Цель этих инструментов — предоставить дополнительную информацию для принятия решений о лечении, а не заменить клиническое суждение.
6. Рассмотрите возможность обращения в специализированный центр по лечению сарком. Остеосаркома является редким заболеванием, и центры с высокой нагрузкой пациентов с большей вероятностью имеют доступ к возможностям продвинутого анализа изображений и клиническим испытаниям.

Главный вывод: Радиомикс представляет собой захватывающую новую область в лечении остеосаркомы. Возможность предсказать ответ на химиотерапию по простому МРТ или ПЭТ-скану — до начала любого лечения — может избавить пациентов от неэффективной терапии, направить более персонализированные планы лечения и в конечном итоге улучшить показатели выживаемости. Хотя для стандартизации этих подходов и их валидации на больших многоцентровых популяциях необходимы дополнительные исследования, имеющиеся на сегодняшний день данные весьма обнадеживают.

Часто задаваемые вопросы

Что такое радиомикс и как она может помочь при остеосаркоме?

Радиомикс использует компьютерные алгоритмы для извлечения подробной информации из медицинских изображений, которую не видит глаз, например, паттернов текстуры. При остеосаркоме радиомикс направлена на прогнозирование того, достигнет ли химиотерапия, проведенная до операции, хорошего ответа, означающего гибель как минимум 90% опухолевых клеток. Это может помочь персонализировать лечение и избежать неэффективной терапии.

Может ли радиомикс предсказать ответ до операции, пока химиотерапия все еще продолжается?

Да. Цель заключается в прогнозировании отложенных результатов патогистологического исследования с помощью визуализации, полученной до или во время химиотерапии. Одно исследование показало, что МРТ после первого цикла химиотерапии улучшает прогноз по сравнению с оценкой до лечения. Это позволяет раньше корректировать лечение, в отличие от стандартного метода, который оценивает опухоль только после ее хирургического удаления.

Готова ли радиомикс для рутинного клинического применения при остеосаркоме?

Нет, еще нет. В обзоре указано, что эти инструменты следует считать экспериментальными. Они могут дополнять, но не заменять стандартную гистопатологическую оценку после операции. Ограничения включают малый размер выборки, одноцентровой дизайн и отсутствие стандартизации. Важно обсудить с вашей медицинской командой, доступен ли анализ расширенной визуализации и подходит ли он для вашего случая.

Каковы основные ограничения исследований радиомикс при остеосаркоме?

Многие исследования имели малое количество пациентов, например, менее 35 человек в нескольких из них. Большинство работ было выполнено в одном центре, поэтому результаты могут не применяться в других учреждениях. Не существовало единого стандарта для извлечения и анализа радиомиксных признаков, что вызывает опасения относительно воспроизводимости. В обзоре рекомендуется, что ни один инструмент визуализации пока не заменяет клиническое суждение.

Должен ли я спрашивать своего врача о радиомиксе или расширенном анализе визуализации во время лечения?

Вы можете спросить, использует ли ваш центр оценку ответа на основе визуализации во время неоадъювантной химиотерапии. Некоторые онкологические центры начинают использовать расширенный анализ визуализации для мониторинга ответа. Однако стандартом лечения остается исследование удаленной хирургическим путем опухоли после операции. При возможности участвуйте в клинических испытаниях, поскольку эти инструменты совершенствуются в исследовательских условиях.

Должен ли я получить второе мнение о плане лечения моей остеосаркомы перед началом неоадъювантной химиотерапии?

При остеосаркоме ответ на химиотерапию в настоящее время известен только после операции, когда гибель опухолевых клеток проверяется под микроскопом. Поскольку примерно у 30–60% пациентов не достигается хороший ответ (некроз опухоли 90% или более), второе мнение перед началом неоадъювантной химиотерапии может быть ценным. Эксперт может просмотреть ваши изображения и обсудить, могут ли экспериментальные инструменты на основе радиомикс, которые еще не являются стандартом, предложить альтернативные подходы, такие как таргетная терапия или клинические испытания. Анализ на основе МРТ демонстрирует сильный прогностический потенциал в исследованиях. Diagnostic Detectives Network предоставляет независимые экспертные вторые мнения.

Информация об источнике

Original article title: Radiomics for predicting sensitivity to neoadjuvant chemotherapy in osteosarcoma: current status and advances.

Authors: Zhang P, Yao W, Li Z, Fan Y, Du X, Wang B, Zhang F, Hou J, Su Q.

Affiliations: Henan Cancer Hospital / Affiliated Cancer Hospital of Zhengzhou University, Zhengzhou, China; Zhengzhou University, Zhengzhou, China; Zhoukou Central Hospital, Zhoukou, China

Journal: Oncology Reviews, Volume 19, Article 1633211

Publication date: October 17, 2025

DOI: 10.3389/or.2025.1633211

Study type: Systematic review with meta-analysis

Эта статья для пациентов основана на рецензируемых исследованиях. Оригинальная статья была опубликована по лицензии Creative Commons Attribution (CC BY), которая разрешает распространение и адаптацию при надлежащем указании авторства оригинальным авторам и источнику. Эта краткая информация для пациентов создана, чтобы сделать результаты исследований более доступными для пациентов, их семей и опекунов. Она не предназначена в качестве медицинских рекомендаций — пожалуйста, проконсультируйтесь с вашей онкологической командой для получения советов, специфичных для вашей ситуации.