En el campo de la medicina, la radiómica es un método que extrae una gran cantidad de características de imágenes médicas radiográficas utilizando algoritmos de caracterización de datos. [1] [2] [3] [4] [5] Estas características, denominadas características radiómicas, tienen el potencial de descubrir características de la enfermedad que no se pueden apreciar a simple vista. [6] La hipótesis de la radiómica es que las características de imagen distintivas entre las formas de la enfermedad pueden ser útiles para predecir el pronóstico y la respuesta terapéutica para diversas afecciones, proporcionando así información valiosa para la terapia personalizada. [1] [7] [8] La radiómica surgió del campo médico deoncología [3] [9] [10] y es el más avanzado en aplicaciones dentro de ese campo. Sin embargo, la técnica se puede aplicar a cualquier estudio médico en el que se puedan obtener imágenes de una enfermedad o afección.
Proceso
Adquisición de imágen
Los datos de imagen subyacentes que se utilizan para caracterizar los tumores son proporcionados por la tecnología de escaneo médico. En lugar de tomar una fotografía como una cámara, los escaneos producen volúmenes sin procesar de datos que deben procesarse más para poder usarse en investigaciones médicas. Para obtener imágenes reales que sean interpretables, se debe utilizar una herramienta de reconstrucción. [2]
Existe una variedad de algoritmos de reconstrucción, por lo que se debe tener en cuenta para determinar el más adecuado para cada caso, ya que las imágenes resultantes serán diferentes. Esto influye en la calidad y usabilidad de las imágenes, lo que a su vez determina la facilidad con la que se puede detectar un hallazgo anormal y lo bien que se puede caracterizar.
Las imágenes reconstruidas se guardan en una gran base de datos. Una base de datos pública a la que tienen acceso todas las clínicas permite un trabajo ampliamente colaborativo y acumulativo en el que todos pueden beneficiarse de cantidades crecientes de datos, lo que idealmente permite un flujo de trabajo más preciso.
Segmentación de imagen
Una vez guardadas las imágenes en la base de datos, hay que reducirlas a las partes esenciales, en este caso los tumores, que se denominan “volúmenes de interés”. [2]
Debido a la gran cantidad de datos de imágenes que deben procesarse, sería demasiado trabajo realizar la segmentación manualmente para cada imagen si se crea una base de datos de radiomics con muchos datos. En lugar de la segmentación manual, se debe utilizar un proceso automatizado. Una posible solución son los algoritmos de segmentación automáticos y semiautomáticos. Antes de que pueda aplicarse a gran escala, un algoritmo debe puntuar lo más alto posible en las siguientes cuatro tareas:
- Primero, debe ser reproducible, lo que significa que cuando se usa con los mismos datos, el resultado no cambiará.
- Otro factor importante es la consistencia. El algoritmo resuelve el problema en cuestión y realiza la tarea en lugar de hacer algo que no es importante. En este caso, es necesario que el algoritmo pueda detectar la parte enferma en todos los escaneos diferentes.
- El algoritmo también debe ser preciso. Es muy importante que el algoritmo detecte la parte enferma de la forma más precisa posible. Solo con datos precisos, se pueden lograr resultados precisos.
- Un punto menor pero aún importante es la eficiencia del tiempo. Los resultados deben generarse lo más rápido posible para que todo el proceso de radiomics también pueda acelerarse. Un punto menor significa en este caso que, si está en un marco determinado, no es tan importante como los demás.
Extracción y calificación de características
Después de la segmentación, se pueden extraer muchas características y se puede calcular el cambio neto relativo de las imágenes longitudinales (delta-radiomics). Las características radiómicas se pueden dividir en cinco grupos: características basadas en el tamaño y la forma, descriptores del histograma de intensidad de la imagen, descriptores de las relaciones entre los vóxeles de imagen (por ejemplo, matriz de co-ocurrencia de niveles de gris (GLCM), matriz de longitud de ejecución (RLM), texturas derivadas de matriz de zona de tamaño (SZM) y matriz de diferencia de tono de gris vecino (NGTDM), texturas extraídas de imágenes filtradas y características fractales. Las definiciones matemáticas de estas características son independientes de la modalidad de imagen y se pueden encontrar en la literatura. [11 ] [12] [13] [14] Se puede encontrar una descripción detallada de las características de textura para radiomics en Parekh, et al., (2016) [4] y Depeursinge et al. (2017). [15]
Debido a su enorme variedad, es necesario implementar reducciones de funciones para eliminar la información redundante. Es necesario evaluar cientos de características diferentes con algoritmos de selección para acelerar este proceso. Además, las características que son inestables y no reproducibles deben eliminarse, ya que las características con baja fidelidad probablemente darán lugar a hallazgos falsos y modelos irrepetibles. [16] [17]
Análisis
Después de la selección de las características que son importantes para nuestra tarea, es crucial analizar los datos elegidos. Antes del análisis real, los datos clínicos y moleculares (a veces incluso los genéticos) deben integrarse porque tienen un gran impacto en lo que se puede deducir del análisis. Existen diferentes métodos para analizar finalmente los datos. Primero, las diferentes características se comparan entre sí para averiguar si tienen alguna información en común y para revelar qué significa cuando todas ocurren al mismo tiempo.
Otra forma es el análisis supervisado o no supervisado. El análisis supervisado utiliza una variable de resultado para poder crear modelos de predicción. El análisis no supervisado resume la información que tenemos y se puede representar gráficamente. Para que la conclusión de nuestros resultados sea claramente visible.
Bases de datos
Creación
Son necesarios varios pasos para crear una base de datos radiómica integrada. Los datos de imágenes deben exportarse desde las clínicas. Este ya es un paso muy desafiante porque la información del paciente es muy sensible y se rige por las leyes de privacidad, como HIPAA . Al mismo tiempo, los datos exportados no deben perder nada de su integridad cuando se comprimen para que la base de datos solo incorpore datos de la misma calidad. La integración de datos clínicos y moleculares también es importante y se necesita una gran ubicación de almacenamiento de imágenes.
Usar
El objetivo de la radiómica es poder utilizar esta base de datos para nuevos pacientes. Esto significa que necesitamos algoritmos que ejecuten nuevos datos de entrada a través de la base de datos que devuelvan un resultado con información sobre cómo podría ser el curso de la enfermedad de los pacientes. Por ejemplo, qué tan rápido crecerá el tumor o qué tan altas son las posibilidades de que el paciente sobreviva durante cierto tiempo, si es posible que se produzcan metástasis a distancia y dónde. Esto determina cómo se selecciona el tratamiento adicional (como cirugía, quimioterapia, radioterapia o medicamentos dirigidos, etc.) y la mejor solución que maximiza la supervivencia o la mejora. El algoritmo tiene que reconocer las correlaciones entre las imágenes y las características, de modo que sea posible extrapolar del material de la base de datos a los datos de entrada.
Aplicaciones
Predicción de resultados clínicos
Aerts y col. (2014) [18] realizaron el primer estudio radiómico a gran escala que incluyó tres cohortes de cáncer de pulmón y dos de cáncer de cabeza y cuello, con más de 1000 pacientes. Evaluaron los valores pronósticos de más de 400 características basadas en la textura y la forma e intensidad extraídas de las imágenes de tomografía computarizada (TC) adquiridas antes de cualquier tratamiento. Los volúmenes tumorales fueron definidos por oncólogos radioterapeutas expertos o utilizando métodos de segmentación semiautomáticos. [19] [20] Sus resultados identificaron un subconjunto de características radiómicas que pueden ser útiles para predecir la supervivencia del paciente y describir la heterogeneidad intratumoral. También confirmaron que la capacidad de pronóstico de estas características radiómicas puede transferirse del cáncer de pulmón al cáncer de cabeza y cuello. Sin embargo, Parmar et al. (2015) [21] demostraron que el valor pronóstico de algunas características radiómicas puede depender del tipo de cáncer. En particular, observaron que no todas las características radiómicas que predecían significativamente la supervivencia de los pacientes con cáncer de pulmón también podían predecir la supervivencia de los pacientes con cáncer de cabeza y cuello y viceversa.
Nasief y col. (2019) [17] mostró que los cambios de las características radiómicas a lo largo del tiempo en las imágenes longitudinales (características radiómicas delta, DRF) se pueden usar potencialmente como un biomarcador para predecir la respuesta al tratamiento para el cáncer de páncreas. Sus resultados mostraron que se puede utilizar una red neuronal de regularización bayesiana para identificar un subconjunto de DRF que demostraron cambios significativos entre los respondedores buenos y malos después de 2-4 semanas de tratamiento con un AUC = 0,94. También demostraron (Nasief et al., 2020) que los DRF son un predictor independiente de supervivencia y, si se combinan con el biomarcador clínico CA19-9, pueden mejorar la predicción de la respuesta al tratamiento y aumentar la posibilidad de adaptación del tratamiento basada en la respuesta. [22]
Varios estudios también han demostrado que las características radiómicas son mejores para predecir la respuesta al tratamiento que las medidas convencionales, como el volumen y el diámetro del tumor, y la captación máxima del radiotrazador en las imágenes de tomografía por emisión de positrones (PET). [23] [24] [25] [26] [27] [28] [29] Con esta técnica se desarrolló un algoritmo, después del entrenamiento inicial basado en la densidad de linfocitos intra tumorales, para predecir la probabilidad de respuesta tumoral a la inmunoterapia, proporcionando una demostración del potencial clínico de la radiómica como una herramienta poderosa para la terapia personalizada en el campo emergente de la inmunooncología. [30] Otros estudios también han demostrado la utilidad de la radiómica para predecir la respuesta a la inmunoterapia de los pacientes con CPCNP utilizando imágenes de TC [31] e imágenes de PET / TC antes del tratamiento . [32]
Radiomics sigue siendo inferior a las técnicas convencionales en algunas aplicaciones, lo que sugiere la necesidad de una mejora continua y la manipulación de las características de Radiomics en diferentes escenarios clínicos. Por ejemplo, Ludwig et. al (2020) [33] demostró que las características morfológicas de la radiómica eran inferiores a las características previamente establecidas en la discriminación del estado de ruptura del aneurisma intracraneal de la angiografía rotacional tridimensional .
Pronóstico
Los estudios radiómicos han demostrado que los marcadores basados en imágenes tienen el potencial de proporcionar información ortogonal a la estadificación y los biomarcadores y mejorar el pronóstico. [34] [35] [36]
Riesgo de predicción de metástasis a distancia
El potencial metastásico de los tumores también puede predecirse mediante características radiómicas. [37] [38] Por ejemplo, en un estudio de Coroller et al., Se identificaron treinta y cinco características radiómicas basadas en TC para predecir metástasis a distancia de cáncer de pulmón. en 2015. [37] Por lo tanto, concluyeron que las características radiómicas pueden ser útiles para identificar a los pacientes con alto riesgo de desarrollar metástasis a distancia, guiando a los médicos a seleccionar el tratamiento efectivo para pacientes individuales.
Evaluación de la genética del cáncer
Los mecanismos biológicos de los tumores de pulmón pueden demostrar patrones de imagen distintos y complejos. [39] [40] [1] En particular, Aerts et al. (2014) [1] mostró que las características radiómicas estaban asociadas con conjuntos de genes biológicos, como la fase del ciclo celular, la recombinación del ADN, la regulación del proceso del sistema inmunológico, etc. Además, varias mutaciones del glioblastoma (GBM), como la deleción 1p / 19q , Metilación de MGMT, TP53, EGFR y NF1, se ha demostrado que se pueden predecir significativamente mediante medidas volumétricas de resonancia magnética (MRI), incluido el volumen del tumor, el volumen de necrosis y el volumen de realce de contraste. [41] [42] [43]
Radioterapia guiada por imágenes
La radiómica ofrece la ventaja de no ser invasiva y, por lo tanto, puede repetirse de forma prospectiva para un paciente determinado más fácilmente que las biopsias de tumores invasivos. Se ha sugerido que la radiómica podría ser un medio para monitorear los cambios dinámicos del tumor a lo largo del curso de la radioterapia y para definir subvolúmenes en riesgo para los cuales el aumento de dosis podría ser beneficioso. [44] [45]
Distinguir la verdadera progresión de la radionecrosis
El efecto del tratamiento o la necrosis por radiación después de la radiocirugía estereotáxica (SRS) para metástasis cerebrales es un fenómeno común a menudo indistinguible de la progresión real. La radiómica demostró diferencias significativas en un conjunto de 82 lesiones tratadas en 66 pacientes con resultados patológicos. Las características de Radiomic mejor clasificadas se incorporan a un clasificador IsoSVM optimizado que dio como resultado una sensibilidad y especificidad de 65,38% y 86,67%, respectivamente, con un área bajo la curva de 0,81 en la validación cruzada de dejar uno fuera. Solo el 73% de los casos fueron clasificables por el neurorradiólogo, con una sensibilidad del 97% y una especificidad del 19%. Estos resultados muestran que la radiómica es prometedora para diferenciar entre el efecto del tratamiento y la verdadera progresión en las metástasis cerebrales tratadas con SRS. [46]
Predicción de eventos fisiológicos.
La radiómica también se puede utilizar para identificar eventos fisiológicos desafiantes, como la actividad cerebral, que generalmente se estudia con técnicas de imagen como la resonancia magnética funcional "fMRI". Las imágenes sin procesar de FMRI pueden someterse a un análisis radiómico para generar características de imágenes que luego pueden correlacionarse con una actividad cerebral significativa. [47]
Radiomics multiparamétricos
Las imágenes radiológicas multiparamétricas son vitales para la detección, caracterización y diagnóstico de muchas enfermedades diferentes. Sin embargo, los métodos actuales en radiómica se limitan al uso de imágenes únicas para la extracción de estas características de textura y pueden limitar el alcance aplicable de la radiómica en diferentes entornos clínicos. Por tanto, en la forma actual, no son capaces de capturar las verdaderas características del tejido subyacente en un espacio de formación de imágenes multiparamétricas de alta dimensión.
Recientemente, se desarrolló un marco radiómico de imágenes multiparamétricas denominado MPRAD para la extracción de características radiómicas de conjuntos de datos de alta dimensión. [48] La radiómica multiparamétrica se probó en dos órganos y enfermedades diferentes; cáncer de mama y accidentes cerebrovasculares en el cerebro, comúnmente conocido como accidente cerebrovascular.
Cáncer de mama
En el cáncer de mama, el marco MPRAD clasificó las lesiones mamarias malignas de las benignas con una sensibilidad y especificidad excelentes del 87% y 80,5% respectivamente con un AUC de 0,88. MPRAD proporcionó un aumento del 9% -28% en el AUC sobre los parámetros radiómicos individuales. Más importante aún, en la mama, la MPRAD de tejido glandular normal fue similar entre cada grupo sin diferencias significativas. [48]
Carrera
De manera similar, las características de MPRAD en el accidente cerebrovascular demostraron un mayor rendimiento para distinguir el desajuste de la perfusión-difusión en comparación con la radiómica de un solo parámetro y no hubo diferencias dentro del tejido de materia blanca y gris. [48] La mayoría de las características radiómicas únicas de segundo orden (GLCM) no mostraron ninguna diferencia de textura significativa entre el tejido infartado y el tejido en riesgo en el mapa ADC. Mientras que las mismas características radiómicas multiparamétricas de segundo orden (TSPM) fueron significativamente diferentes para el conjunto de datos DWI. De manera similar, los valores radiómicos multiparamétricos para el conjunto de datos de TTP y PWI demostraron excelentes resultados para la MPRAD. La entropía MPRAD TSPM mostró una diferencia significativa entre el tejido infartado y el tejido potencial en riesgo: (6,6 ± 0,5 frente a 8,4 ± 0,3, p = 0,01).
Ver también
- Computación de imágenes médicas
- Anatomía computacional
- ómicas
Referencias
- ^ a b c d Lambin P, Rios-Velazquez E, Leijenaar R, Carvalho S, van Stiphout RG, Granton P, et al. (Marzo de 2012). "Radiomics: extraer más información de imágenes médicas mediante el análisis de características avanzadas" . Revista europea del cáncer . 48 (4): 441–6. doi : 10.1016 / j.ejca.2011.11.036 . PMC 4533986 . PMID 22257792 .
- ^ a b c Kumar V, Gu Y, Basu S, Berglund A, Eschrich SA, Schabath MB y col. (Noviembre 2012). "Radiomica: el proceso y los retos" . Imágenes de resonancia magnética . 30 (9): 1234–48. doi : 10.1016 / j.mri.2012.06.010 . PMC 3563280 . PMID 22898692 .
- ^ a b Gillies RJ, Kinahan PE, Hricak H (febrero de 2016). "Radiomics: las imágenes son más que imágenes, son datos" . Radiología . 278 (2): 563–77. doi : 10.1148 / radiol.2015151169 . PMC 4734157 . PMID 26579733 .
- ^ a b Parekh V, Jacobs MA (2016). "Radiomics: una nueva aplicación a partir de técnicas establecidas" . Revisión de expertos sobre medicina de precisión y desarrollo de fármacos . 1 (2): 207–226. doi : 10.1080 / 23808993.2016.1164013 . PMC 5193485 . PMID 28042608 .
- ^ Yip SS, Aerts HJ (julio de 2016). "Aplicaciones y limitaciones de la radiómica" . Física en Medicina y Biología . 61 (13): R150-66. Código bibliográfico : 2016PMB .... 61R.150Y . doi : 10.1088 / 0031-9155 / 61/13 / R150 . PMC 4927328 . PMID 27269645 .
- ^ Yip SS, Liu Y, Parmar C, Li Q, Liu S, Qu F, et al. (Junio de 2017). "Asociaciones entre la semántica definida por el radiólogo y las características radiómicas computadas automáticamente en el cáncer de pulmón de células no pequeñas" . Informes científicos . 7 (1): 3519. Bibcode : 2017NatSR ... 7.3519Y . doi : 10.1038 / s41598-017-02425-5 . PMC 5471260 . PMID 28615677 .
- ^ Chicklore S, Goh V, Siddique M, Roy A, Marsden PK, Cook GJ (enero de 2013). "Cuantificación de la heterogeneidad tumoral en imágenes de PET / CT 18F-FDG por análisis de textura". Revista Europea de Medicina Nuclear e Imágenes Moleculares . 40 (1): 133–40. doi : 10.1007 / s00259-012-2247-0 . PMID 23064544 . S2CID 24695383 .
- ^ Cook GJ, Siddique M, Taylor BP, Yip C, Chicklore S, Goh V (2014). "Radiómica en PET: Principios y aplicaciones" . Imagen clínica y traslacional . 2 (3): 269–276. doi : 10.1007 / s40336-014-0064-0 .
- ^ Parekh VS, Jacobs MA (14 de noviembre de 2017). "Marco radiómico integrado para cáncer de mama y biología tumoral mediante aprendizaje automático avanzado y resonancia magnética multiparamétrica" . NPJ Breast Cancer . 3 (1): 43. doi : 10.1038 / s41523-017-0045-3 . PMC 5686135 . PMID 29152563 .
- ^ Parekh VS, Jacobs MA (4 de marzo de 2019). "Deep learning y radiomics en medicina de precisión" . Revisión de expertos sobre medicina de precisión y desarrollo de fármacos . 4 (2): 59–72. doi : 10.1080 / 23808993.2019.1585805 . PMC 6508888 . PMID 31080889 .
- ^ Galloway, Mary M (1975). "Análisis de textura utilizando longitudes de ejecución de nivel de gris". Procesamiento de imágenes y gráficos por computadora . 4 (2): 172-179. doi : 10.1016 / S0146-664X (75) 80008-6 .
- ^ Pentland AP (junio de 1984). "Descripción basada en fractales de escenas naturales". Transacciones IEEE sobre análisis de patrones e inteligencia de máquinas . 6 (6): 661–74. doi : 10.1109 / TPAMI.1984.4767591 . PMID 22499648 . S2CID 17415943 .
- ^ Amadasun M, King R (1989). "Características texturales correspondientes a propiedades texturales". Transacciones IEEE sobre sistemas, hombre y cibernética . 19 (5): 1264-1274. doi : 10.1109 / 21.44046 .
- ^ Thibault G, Angulo J, Meyer F (marzo de 2014). "Matrices estadísticas avanzadas para caracterización de texturas: aplicación a la clasificación celular". Transacciones IEEE sobre ingeniería biomédica . 61 (3): 630–7. doi : 10.1109 / TBME.2013.2284600 . PMID 24108747 . S2CID 11319154 .
- ^ Ranjbar S, Mitchell JR (2017). "Una introducción a la radiómica: una piedra angular en evolución de la medicina de precisión". Análisis biomédico de texturas . págs. 223–245. doi : 10.1016 / B978-0-12-812133-7.00008-9 . ISBN 9780128121337.
- ^ Tunali, Ilke; Hall, Lawrence O .; Napel, Sandy; Cherezov, Dmitry; Guvenis, Albert; Gillies, Robert J .; Schabath, Matthew B. (23 de septiembre de 2019). "Estabilidad y reproducibilidad de características radiómicas de tomografía computarizada extraídas de regiones peritumorales de lesiones de cáncer de pulmón" . Física Médica . 46 (11): 5075–5085. doi : 10.1002 / mp.13808 . PMC 6842054 . PMID 31494946 .
- ^ a b Nasief, Haidy; Zheng, Cheng; Schott, Diane; Hall, William; Tsai, Susan; Erickson, Beth; Allen Li, X. (4 de octubre de 2019). "Un proceso delta-radiomics basado en aprendizaje automático para la predicción temprana de la respuesta al tratamiento del cáncer de páncreas" . Oncología de precisión NPJ . 3 (1): 25. doi : 10.1038 / s41698-019-0096-z . PMC 6778189 . PMID 31602401 .
- ^ Aerts HJ, Velázquez ER, Leijenaar RT, Parmar C, Grossmann P, Carvalho S, Bussink J, Monshouwer R, Haibe-Kains B, Rietveld D, et al. (Junio de 2014). "Decodificación del fenotipo tumoral por imágenes no invasivas utilizando un enfoque de radiómica cuantitativa" . Nat Commun . 5 : 4006. Código bibliográfico : 2014NatCo ... 5.4006A . doi : 10.1038 / ncomms5006 . PMC 4059926 . PMID 24892406 .
- ^ Gu Y, Kumar V, Hall LO, Goldgof DB, Li CY, Korn R, et al. (Marzo de 2013). "Delineación automatizada de tumores pulmonares a partir de imágenes de TC mediante un enfoque de segmentación de conjunto de un solo clic" . Reconocimiento de patrones . 46 (3): 692–702. doi : 10.1016 / j.patcog.2012.10.005 . PMC 3580869 . PMID 23459617 .
- ^ Velázquez ER, Parmar C, Jermoumi M, Mak RH, van Baardwijk A, Fennessy FM, et al. (Diciembre 2013). "Segmentación volumétrica basada en TC de NSCLC usando 3D-Slicer" . Informes científicos . 3 : 3529. Código Bibliográfico : 2013NatSR ... 3E3529V . doi : 10.1038 / srep03529 . PMC 3866632 . PMID 24346241 .
- ^ Parmar C, Leijenaar RT, Grossmann P, Rios Velazquez E, Bussink J, Rietveld D, et al. (Junio de 2015). "Grupos de características radiómicas y firmas de pronóstico específicas para el cáncer de pulmón y cabeza y cuello" . Informes científicos . 5 : 11044. Código Bibliográfico : 2015NatSR ... 511044P . doi : 10.1038 / srep11044 . PMC 4937496 . PMID 26251068 .
- ^ Nasief, Haidy; Hall, William; Zheng, Cheng; Tsai, Susan; Wang, Liang; Erickson, Beth; Li, X. Allen (8 de enero de 2020). "Mejora de la predicción de la respuesta al tratamiento para la quimiorradioterapia del cáncer de páncreas utilizando una combinación de Delta-Radiomics y el biomarcador clínico CA19-9" . Fronteras en Oncología . 9 : 1464. doi : 10.3389 / fonc.2019.01464 . PMC 6960122 . PMID 31970088 .
- ^ Tixier F, Le Rest CC, Hatt M, Albarghach N, Pradier O, Metges JP, et al. (Marzo de 2011). "La heterogeneidad intratumoral caracterizada por características de textura en las imágenes de PET de 18F-FDG basales predice la respuesta a la radioquimioterapia concomitante en el cáncer de esófago" . Revista de Medicina Nuclear . 52 (3): 369–78. doi : 10.2967 / jnumed.110.082404 . PMC 3789272 . PMID 21321270 .
- ^ Hatt M, Majdoub M, Vallières M, Tixier F, Le Rest CC, Groheux D, et al. (Enero de 2015). "Caracterización de la captación de PET con 18F-FDG a través del análisis de textura: investigando la naturaleza complementaria de la heterogeneidad y el volumen funcional del tumor en una cohorte de pacientes con múltiples sitios de cáncer" . Revista de Medicina Nuclear . 56 (1): 38–44. doi : 10.2967 / jnumed.114.144055 . PMID 25500829 .
- ^ van Rossum PS, Fried DV, Zhang L, Hofstetter WL, van Vulpen M, Meijer GJ, et al. (Mayo de 2016). "El valor incremental de la evaluación subjetiva y cuantitativa de 18F-FDG PET para la predicción de la respuesta patológica completa a la quimiorradioterapia preoperatoria en el cáncer de esófago" . Revista de Medicina Nuclear . 57 (5): 691–700. doi : 10.2967 / jnumed.115.163766 . PMID 26795288 .
- ^ Yip SS, Coroller TP, Sanford NN, Mamon H, Aerts HJ, Berbeco RI (2016). "Relación entre los cambios temporales en las características texturales basadas en imágenes de tomografía por emisión de positrones y la respuesta patológica y la supervivencia en pacientes con cáncer de esófago" . Fronteras en Oncología . 6 : 72. doi : 10.3389 / fonc.2016.00072 . PMC 4810033 . PMID 27066454 .
- ^ Zhang H, Tan S, Chen W, Kligerman S, Kim G, D'Souza WD, et al. (Enero 2014). "Modelado de la respuesta patológica del cáncer de esófago a la quimiorradioterapia utilizando características de PET 18F-FDG espacial-temporal, parámetros clínicos y datos demográficos" . Revista Internacional de Oncología Radioterápica, Biología, Física . 88 (1): 195-203. doi : 10.1016 / j.ijrobp.2013.09.037 . PMC 3875172 . PMID 24189128 .
- ^ Cheng NM, Fang YH, Lee LY, Chang JT, Tsan DL, Ng SH, et al. (Marzo de 2015). "La no uniformidad del tamaño de la zona de las características texturales regionales de 18F-FDG PET predice la supervivencia en pacientes con cáncer de orofaringe". Revista Europea de Medicina Nuclear e Imágenes Moleculares . 42 (3): 419-28. doi : 10.1007 / s00259-014-2933-1 . PMID 25339524 . S2CID 6167165 .
- ^ Cook GJ, Yip C, Siddique M, Goh V, Chicklore S, Roy A, et al. (Enero 2013). "¿Las características de textura del tumor de PET con 18F-FDG antes del tratamiento en el cáncer de pulmón de células no pequeñas están asociadas con la respuesta y la supervivencia después de la quimiorradioterapia?" . Revista de Medicina Nuclear . 54 (1): 19-26. doi : 10.2967 / jnumed.112.107375 . PMID 23204495 .
- ^ Sun R, Limkin EJ, Vakalopoulou M, Dercle L, Champiat S, Han SR, et al. (Septiembre de 2018). "Un enfoque radiómico para evaluar las células CD8 infiltrantes de tumores y la respuesta a la inmunoterapia anti-PD-1 o anti-PD-L1: un biomarcador de imágenes, estudio retrospectivo de múltiples cohortes". La lanceta. Oncología . 19 (9): 1180-1191. doi : 10.1016 / S1470-2045 (18) 30413-3 . PMID 30120041 .
- ^ Tunali I, Gray JE, Qi J, Abdallah M, Jeong DK, Guvenis A, Gillies RJ, Gillies RJ (enero de 2019). "Nuevos predictores clínicos y radiómicos de fenotipos de progresión rápida de la enfermedad entre pacientes con cáncer de pulmón tratados con inmunoterapia: un informe inicial" . Cáncer de pulmón . 129 : 75–79. doi : 10.1016 / j.lungcan.2019.01.010 . PMC 6450086 . PMID 30797495 .
- ^ Mu W, Tunali I, Grey JE, Qi J, Gillies RJ, Gillies RJ (diciembre de 2019). "Radiomics de imágenes de 18F-FDG PET / CT predice el beneficio clínico de los pacientes con NSCLC avanzado a la inmunoterapia de bloqueo del punto de control". Eur J Nucl Med Mol Imaging . 47 (5): 1168-1182. doi : 10.1007 / s00259-019-04625-9 . PMID 31807885 . S2CID 208650067 .
- ^ Ludwig, CG; Láurico, A; Malek, JA; Mulligan, R; Malek, AM (2020). "Rendimiento de características morfológicas derivadas de Radiomics para la predicción del estado de ruptura del aneurisma". Revista de Cirugía Neurointervencionista . doi : 10.1136 / neurintsurg-2020-016808 . PMID 33158993 . S2CID 226274492 .
- ^ Aerts HJ, Velázquez ER, Leijenaar RT, Parmar C, Grossmann P, Carvalho S, Bussink J, Monshouwer R, Haibe-Kains B, Rietveld D, et al. (Junio de 2014). "Decodificación del fenotipo tumoral por imágenes no invasivas utilizando un enfoque de radiómica cuantitativa" . Nat Commun . 5 : 4006. Código bibliográfico : 2014NatCo ... 5.4006A . doi : 10.1038 / ncomms5006 . PMC 4059926 . PMID 24892406 .
- ^ Tunali I, Stringfield O, Guvenis A, Wang H, Liu Y, et al. (Agosto de 2017). "Las características radiómicas de gradiente radial y desviación radial de las tomografías computarizadas prequirúrgicas están asociadas con la supervivencia entre los pacientes con adenocarcinoma de pulmón" . Oncotarget . 8 (56): 96013–96026. doi : 10.18632 / oncotarget.21629 . PMC 5707077 . PMID 29221183 .
- ^ Huang P, Park S, Yan R, Lee J, Chu LC, Lin CT, Hussien A, Rathmell J, Thomas B, Chen C, et al. (Septiembre de 2018). "Valor agregado de las características de imágenes de TC asistidas por computadora para el diagnóstico temprano del cáncer de pulmón con nódulos pulmonares pequeños: un estudio de casos y controles emparejados" . Radiología . 286 (1): 286–295. doi : 10.1148 / radiol.2017162725 . PMC 5779085 . PMID 28872442 .
- ^ a b Coroller TP, Grossmann P, Hou Y, Rios Velazquez E, Leijenaar RT, Hermann G, et al. (Marzo de 2015). "Firma radiómica basada en TC predice metástasis a distancia en adenocarcinoma de pulmón" . Radioterapia y Oncología . 114 (3): 345–50. doi : 10.1016 / j.radonc.2015.02.015 . PMC 4400248 . PMID 25746350 .
- ^ Vallières M, Freeman CR, Skamene SR, El Naqa I (julio de 2015). "Un modelo radiómico de características de textura conjunta FDG-PET y MRI para la predicción de metástasis pulmonares en sarcomas de tejidos blandos de las extremidades". Física en Medicina y Biología . 60 (14): 5471–96. Código bibliográfico : 2015PMB .... 60.5471V . doi : 10.1088 / 0031-9155 / 60/14/5471 . PMID 26119045 .
- ^ Rios Velazquez E, Parmar C, Liu Y, Coroller TP, Cruz G, Stringfield O, et al. (Julio de 2017). "Las mutaciones somáticas impulsan distintos fenotipos de imágenes en el cáncer de pulmón" . Investigación del cáncer . 77 (14): 3922–3930. doi : 10.1158 / 0008-5472.CAN-17-0122 . PMC 5528160 . PMID 28566328 .
- ^ Yip SS, Kim J, Coroller TP, Parmar C, Velázquez ER, Huynh E, et al. (Abril de 2017). "Asociaciones entre mutaciones somáticas y fenotipos de imagen metabólica en cáncer de pulmón de células no pequeñas" . Revista de Medicina Nuclear . 58 (4): 569–576. doi : 10.2967 / jnumed.116.181826 . PMC 5373502 . PMID 27688480 .
- ^ Brown R, Zlatescu M, Sijben A, Roldan G, Easaw J, Forsyth P, et al. (Abril de 2008). "El uso de imágenes por resonancia magnética para detectar de forma no invasiva firmas genéticas en oligodendroglioma" . Investigación clínica del cáncer . 14 (8): 2357–62. doi : 10.1158 / 1078-0432.CCR-07-1964 . PMID 18413825 .
- ^ Drabycz S, Roldán G, de Robles P, Adler D, McIntyre JB, Magliocco AM, et al. (Enero de 2010). "Un análisis de la textura de la imagen, la ubicación del tumor y la metilación del promotor MGMT en el glioblastoma mediante resonancia magnética". NeuroImage . 49 (2): 1398–405. doi : 10.1016 / j.neuroimage.2009.09.049 . PMID 19796694 . S2CID 18857965 .
- ^ Gutman DA, Dunn WD, Grossmann P, Cooper LA, Holder CA, Ligon KL, et al. (Diciembre de 2015). "Mutaciones somáticas asociadas con características volumétricas derivadas de resonancia magnética en glioblastoma" . Neurorradiología . 57 (12): 1227–37. doi : 10.1007 / s00234-015-1576-7 . PMC 4648958 . PMID 26337765 .
- ^ Sun R, Orlhac F, Robert C, Reuzé S, Schernberg A, Buvat I, et al. (Agosto de 2016). "Con respecto a Mattonen et al". Revista Internacional de Oncología Radioterápica, Biología, Física . 95 (5): 1544-1545. doi : 10.1016 / j.ijrobp.2016.03.038 . PMID 27479727 .
- ^ Yip SS, Coroller TP, Sanford NN, Huynh E, Mamon H, Aerts HJ, Berbeco RI (enero de 2016). "Uso de la propagación de contorno basada en registro en el análisis de textura para la predicción de la respuesta patológica del cáncer de esófago". Física en Medicina y Biología . 61 (2): 906–22. Código bibliográfico : 2016PMB .... 61..906Y . doi : 10.1088 / 0031-9155 / 61/2/906 . PMID 26738433 .
- ^ Peng L, Parekh V, Huang P, Lin DD, Sheikh K, Baker B, et al. (Noviembre de 2018). "Distinguir la verdadera progresión de la radionecrosis después de la radioterapia estereotáctica para metástasis cerebrales con aprendizaje automático y radiómica" . Revista Internacional de Oncología Radioterápica, Biología, Física . 102 (4): 1236-1243. doi : 10.1016 / j.ijrobp.2018.05.041 . PMC 6746307 . PMID 30353872 .
- ^ Hassan I, Kotrotsou A, Bakhtiari AS, Thomas GA, Weinberg JS, Kumar AJ, et al. (Mayo de 2016). "El mapeo del análisis de textura radiómica predice áreas de actividad de resonancia magnética funcional verdadera" . Informes científicos . 6 : 25295. Bibcode : 2016NatSR ... 625295H . doi : 10.1038 / srep25295 . PMC 4858648 . PMID 27151623 .
- ^ a b c Parekh VS, Jacobs MA (25 de septiembre de 2018). "MPRAD: un marco radiómico multiparamétrico" . Investigación y tratamiento del cáncer de mama . 180 (2): 407–421. arXiv : 1809.09973 . Código bibliográfico : 2018arXiv180909973P . doi : 10.1007 / s10549-020-05533-5 . PMC 7066290 . PMID 32020435 .