Возможности радиомики в интерпретации ультразвуковых и КТ-данных у пациентов с хронической болезнью почек - Журнал Терапевтический архив №6 Вопросы нефрологии 2025

Возможности радиомики в интерпретации ультразвуковых и КТ-данных у пациентов с хронической болезнью почек

Проскура А.В., Исмаилов Х.М., Смолеевский А.Г., Салпагарова А.И., Бобкова И.Н., Шестюк А.М. Возможности радиомики в интерпретации ультразвуковых и КТ-данных у пациентов с хронической болезнью почек. Терапевтический архив. 2025;97(6):503–508. DOI: 10.26442/00403660.2025.06.203259

© ООО «КОНСИЛИУМ МЕДИКУМ», 2025 г.

________________________________________________

Proskura AV, Ismailov KhM, Smoleevskiy AG, Salpagarova AI, Bobkova IN, Shestiuk AM. Radiomics capabilities in the interpretation of ultrasound and CT data in patients with chronic kidney disease: A review. Terapevticheskii Arkhiv (Ter. Arkh.). 2025;97(6):503–508. DOI: 10.26442/00403660.2025.06.203259

Читать PDF

Аннотация

Цель настоящего обзора – изучение возможностей радиомики в интерпретации данных ультразвукового исследования и мультиспиральной компьютерной томографии у пациентов с хронической болезнью почек (ХБП). Радиомика представляет собой перспективное направление анализа медицинских изображений, основанное на извлечении количественных признаков, не доступных при стандартном визуальном анализе, и последующем применении методов искусственного интеллекта для их обработки и интерпретации. В статье рассмотрены основы радиомических методов, включая текстурный анализ изображений и создание диагностических моделей с использованием алгоритмов машинного обучения. Подробно обсуждаются преимущества радиомических характеристик, в частности статистических признаков II порядка и более высоких порядков, в оценке интерстициального фиброза и других патологических изменений паренхимы почек. Приведены результаты исследований, демонстрирующие высокую степень корреляции радиомических признаков с гистологическими изменениями, выявленными при биопсии почек. Подчеркивается перспективность радиомики как неинвазивного подхода для оценки степени поражения почек и мониторинга прогрессирования ХБП. В заключении указана необходимость дальнейших исследований для стандартизации и расширения применения радиомических методов в клинической практике с целью повышения точности диагностики и улучшения прогностической оценки пациентов с ХБП.

Ключевые слова: радиомика, хроническая почечная недостаточность, фиброз, искусственный интеллект, система поддержки принятия врачебных решений

________________________________________________

The purpose of this review is to explore the possibilities of radiomics in interpreting ultrasound and multislice spiral computed tomography data in patients with chronic kidney disease (CKD). Radiomics is a promising area of medical image analysis based on the extraction of quantitative features not available in standard visual analysis and the subsequent use of artificial intelligence methods for their processing and interpretation. The article discusses the basics of radiomic methods, including texture analysis of images and the creation of diagnostic models using machine learning algorithms. The advantages of radiomic characteristics, in particular statistical features of order II and higher orders, in assessing interstitial fibrosis and other abnormal changes in the renal parenchyma are discussed in detail. The results of studies demonstrating a strong correlation of radiomic signs with histological changes detected during kidney biopsy are presented. The prospects of radiomics as a non-invasive approach for assessing kidney damage and monitoring CKD progression are emphasized. The conclusion indicates the need for further research to standardize and expand the use of radiomic methods in clinical practice to improve the diagnosis accuracy and prognostic assessment of patients with CKD.

Keywords: radiomics, chronic renal failure, fibrosis, artificial intelligence, medical decision support system

Полный текст

Материалы доступны только для специалистов сферы здравоохранения.
Чтобы посмотреть материал полностью Авторизуйтесь или зарегистрируйтесь.

Список литературы

1. Pirrone G, Matrone F, Chiovati P, et al. Predicting local failure after partial prostate re-irradiation using a dosiomic-based machine learning model. J Pers Med. 2022;12(9):1491. DOI:10.3390/jpm12091491
2. Miranda Magalhaes Santos JM, Clemente Oliveira B, Araujo-Filho JAB, et al. State-of-the-art in radiomics of hepatocellular carcinoma: A review of basic principles, applications, and limitations. Abdominal Radiology (NY). 2020;45(2):342-53. DOI:10.1007/s00261-019-02299-3
3. Shin J, Seo N, Baek SE, et al. MRI radiomics model predicts pathologic complete response of rectal cancer following chemoradiotherapy. Radiology. 2022;303(2):351-8. DOI:10.1148/radiol.211986
4. Vicini S, Bortolotto C, Rengo M, et al. A narrative review on current imaging applications of artificial intelligence and radiomics in oncology: Focus on the three most common cancers. Radiol Med. 2022;127(8):819-36. DOI:10.1007/s11547-022-01512-6
5. Wu L, Lou X, Kong N, et al. Can quantitative peritumoral CT radiomics features predict the prognosis of patients with non-small cell lung cancer? A systematic review. Eur Radiol. 2023;33(3):2105-17. DOI:10.1007/s00330-022-09174-8
6. Tomaszewski MR, Gillies RJ. The biological meaning of radiomic features. Radiology. 2021;298(3):505-16. DOI:10.1148/radiol.2021202553
7. 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. DOI:10.3389/fonc.2021.658887
8. Mukherjee P, Cintra M, Huang C, et al. CT-based radiomic signatures for predicting histopathologic features in head and neck squamous cell carcinoma. Radiol Imaging Cancer. 2020;2(3):e190039. DOI:10.1148/rycan.2020190039
9. Wang M, Perucho JAU, Hu Y, et al. Computed Tomographic Radiomics in differentiating histologic subtypes of epithelial ovarian carcinoma. JAMA Netw Open. 2022;5(12):e2245141. DOI:10.1001/jamanetworkopen.2022.45141
10. Park HJ, Lee SS, Park B, et al. Radiomics analysis of gadoxetic acid-enhanced MRI for staging liver fibrosis. Radiology. 2019;290(2):380-7. DOI:10.1148/radiol.2018181197
11. Meng J, Luo Z, Chen Z, et al. Intestinal fibrosis classification in patients with Crohn’s disease using CT enterography-based deep learning: Comparisons with radiomics and radiologists. Eur Radiol. 2022;32(12):8692-705. DOI:10.1007/s00330-022-08842-z
12. Refaee T, Salahuddin Z, Frix AN, et al. Diagnosis of idiopathic pulmonary fibrosis in high-resolution computed tomography scans using a combination of handcrafted radiomics and deep learning. Front Med (Lausanne). 2022;9:915243. DOI:10.3389/fmed.2022.915243
13. Herzenberg AM, Fogo AB, Reich HN, et al. Validation of the Oxford classification of IgA nephropathy. Kidney Int. 2011;80(3):310-7. DOI:10.1038/ki.2011.126
14. Tervaert TW, Mooyaart AL, Amann K, et al. Pathologic classification of diabetic nephropathy. J Am Soc Nephrol. 2010;21(4):556-63. DOI:10.1681/ASN.2010010010
15. Srivastava A, Palsson R, Kaze AD, et al. The prognostic value of histopathologic lesions in native kidney biopsy specimens: results from the Boston kidney biopsy cohort study. J Am Soc Nephrol. 2018;29(8):2213-24. DOI:10.1681/ASN.2017121260
16. Canetta PA, Khairallah P, Kiryluk K, et al. Systematic review and meta-analysis of native kidney biopsy complications. Clin J Am Soc Nephrol. 2020;15(11):1595-602. DOI:10.2215/CJN.04710420
17. Barinotti A, Radin M, Cecchi I, et al. Serum biomarkers of renal fibrosis: A systematic review. Int J Mol Sci. 2022;23(22):14139. DOI:10.3390/ijms232214139
18. Huang E, Mengel M, Clahsen-van Groningen MC, Jackson AM. Diagnostic potential of minimally invasive biomarkers: A biopsy-centered viewpoint from the Banff Minimally Invasive Diagnostics Working Group. Transplantation. 2023;107(1):45-52. DOI:10.1097/TP.0000000000004339
19. Ce M, Felisaz PF, Ali M, et al. Ultrasound elastography in chronic kidney disease: A systematic review and meta-analysis. J Med Ultrason (2001). 2023;50(3):381-415. DOI:10.1007/s10396-023-01304-z
20. Buchanan CE, Mahmoud H, Cox EF, et al. Quantitative assessment of renal structural and functional changes in chronic kidney disease using multi-parametric magnetic resonance imaging. Nephrol Dial Transpl. 2020;35(6):955-64. DOI:10.1093/ndt/gfz129
21. Bandara MS, Gurunayaka B, Lakraj G, et al. Ultrasound based radiomics features of chronic kidney disease. Acad Radiol. 2022;29(2):229-35. DOI:10.1016/j.acra.2021.01.006
22. Choi YH, Kim JE, Lee RW, et al. Histopathological correlations of CT-based radiomics imaging biomarkers in native kidney biopsy. BMC Medical Imaging. 2024;24(1):256. DOI:10.1186/s12880-024-01434-x
23. Beck-Tölly A, Eder M, Beitzke D, et al. Magnetic resonance imaging for evaluation of interstitial fibrosis in kidney allografts. Transplant Direct. 2020;6(8):e577. DOI:10.1097/TXD.0000000000001009
24. Berchtold L, Crowe LA, Combescure C, et al. Diffusion-magnetic resonance imaging predicts decline of kidney function in chronic kidney disease and in patients with a kidney allograft. Kidney Int. 2022;101(4):804-13. DOI:10.1016/j.kint.2021.12.014

________________________________________________

Авторы

А.В. Проскура*¹, Х.М. Исмаилов¹, А.Г. Смолеевский¹, А.И. Салпагарова¹, И.Н. Бобкова¹, А.М. Шестюк²

¹ФГАОУ ВО «Первый Московский государственный медицинский университет им. И.М. Сеченова» Минздрава России (Сеченовский Университет), Москва, Россия;
²УЗ «Брестская областная клиническая больница», Брест, Беларусь
*proskura_a_v_1@staff.sechenov.ru

________________________________________________

Alexandra V. Proskura*¹, Khalil M. Ismailov¹, Alexander G. Smoleevskiy¹, Amina I. Salpagarova¹, Irina N. Bobkova¹, Andrei M. Shestiuk²

¹Sechenov First Moscow State Medical University (Sechenov University), Moscow, Russia;
²Brest Regional Clinical Hospital, Brest, Belarus
*proskura_a_v_1@staff.sechenov.ru

Назад к списку

Цель портала OmniDoctor – предоставление профессиональной информации врачам, провизорам и фармацевтам.