CC BY
17
JOURNAL OF NEW MEDICAL TECHNOLOGIES - 2021 - V. 28, № 2 - P. 97-102
Раздел III
ФИЗИКО-ХИМИЧЕСКАЯ БИОЛОГИЯ (03.01.00)
Section III
PHYSICAL AND CHEMICAL BIOLOGY (03.01.00)
УДК: 616-006.487-037 DOI: 10.24412/1609-2163-2021-2-97-102
РАЗРАБОТКА АЛГОРИТМОВ ДЛЯ ДИФФЕРЕНЦИАЛЬНОЙ ДИАГНОСТИКИ ГИСТОЛОГИЧЕСКОГО ТИПА НЕЙРОБЛАСТОМЫ НА ОСНОВЕ КОМПЬЮТЕРНОГО АНАЛИЗА ПАРАМЕТРОВ ЛАБОРАТОРНЫХ И ИНСТРУМЕНТАЛЬНЫХ ИССЛЕДОВАНИЙ
М.Я. ЯДГАРОВ*, Т.В. ШАМАНСКАЯ*, Д.Ю. КАЧАНОВ*, Ч. КАЙЛАШ*, Ю.Н. ЛИКАРЬ*, Н.В. МАТВЕЕВ**,
С.П. ЩЕЛЫКАЛИНА**
*ФГБУ «Национальный медицинский исследовательский центр детской гематологии, онкологии и иммунологии им. Дмитрия Рогачева», ул. СаморыМашела, д. 1, г. Москва, 117198, Россия, e-mail: mikhail.yadgarov@mail.ru **ФГАОУ ВО «Российский национальный исследовательский медицинский университет имени Н.И. Пирогова» Министерства здравоохранения Российской Федерации, ул. Островитянова, д. 1, г. Москва, 117997, Россия,
e-mail: svetlanath@gmail.com
Аннотация. Цель исследования - разработка алгоритмов, позволяющих на основе анализа параметров однофотонной эмиссионной компьютерной томографии, совмещенной с компьютерной томографией, и данных лабораторного контроля делать вывод о возможном гистологическом типе нейробластомы. Материалы и методы исследования. В ходе ретроспективного исследования, включающего 96 пациентов с первичной нейробластомой, был проведен анализ количественных параметров оценки интенсивности накопления радиофармпрепарата метайодбензилгуанидина в опухоли, а также лабораторных параметров: нейроспецифиче-ской энолазы, лактатдегидрогеназы и ферритина. По результатам гистологического исследования сформировано 3 группы: 1) пациенты с недифференцированной нейробластомой (N=54), 2) пациенты с ганглионейробластомой (N=28) и 3) пациенты с высоко-дифференцированной ганглионейромой (N=14). Результаты и их обсуждение. Выявлены статистически значимые различия в значениях параметров накопления радиофармпрепарата и уровне нейроспецифической энолазы между всеми исследуемыми группами; в свою очередь, значения медиан параметров лактатдегидрогеназы и ферритина, по результатам анализа, значимо не отличаются. На основании результатов проведенного анализа сделан вывод о высоком качестве как параметров накопления радиофармпрепарата, так и нейроспецифической энолазы в качестве классификаторов для дифференциальной диагностики опухолевого типа. Для значений параметров у каждого опухолевого типа рассчитаны эмпирические плотности вероятности и подобраны уравнения, описывающие их. Кроме того, построены решающие правила с использованием логистической регрессии, и получены сходные высокие значения чувствительности (более 85%) и специфичности (более 75%) разработанных моделей. Заключение. Методика неинвазивного определения гистологического варианта совместно с дополнительными данными может иметь важное клиническое значение для выбора тактики ведения пациентов. Итогом исследования стала разработка и программная реализация алгоритмов неинвазивной дифференциальной диагностики опухолевого типа нейробластомы. Разработанное программное обеспечение зарегистрировано для использования в практической медицине.
Ключевые слова: нейробластома, SUVmax, I123MIBG, гистологический тип, решающие правила.
DEVELOPMENT OF ALGORITHMS FOR DIFFERENTIAL DIAGNOSTICS OF HISTOLOGICAL TYPE OF NEUROBLASTOMA BASED ON COMPUTER ANALYSIS OF PARAMETERS OF LABORATORY AND
INSTRUMENTAL STUDIES
M.Y. YADGAROV*, T.V. SHAMANSKAYA*, D.YU. KACHANOV*, CH. KAILASH*, YU.N. LIKAR*, N.V. MATVEEV**,
S.P. SHCHELYKALINA**
*Dmitry Rogachev National Medical Research Center of Pediatric, Hematology, Oncology and Immunology, 1, SamoryMashela Str., Moscow, 117198, Russia, e-mail: mikhail.yadgarov@mail.ru **Pirogov Russian National Research Medical University, Ministry of Health of the Russian Federation, 1, Ostrovityanova Str., Moscow, 117997, Russia, e-mail: svetlanath@gmail.com
Abstract. The research purpose is to develop algorithms for the analysis of the parameters of single-photon emission computed tomography combined with computed tomography and laboratory control data to determine a histological type of neuroblastoma. Materials and methods. In the course of a retrospective study, which included 96 patients with primary neuroblastoma, the quantitative parameters were analyzed to assess the intensity of the accumulation of radiopharmaceutical M-iodbenzylguanidin in the tumor, as well
JOURNAL OF NEW MEDICAL TECHNOLOGIES - 2021 - V. 28, № 2 - P. 97-102
as laboratory parameters: neurospecific enolase, lactate dehydrogenase and ferritin. Based on the results of histological examination, 3 groups were formed: 1) patients with undifferentiated neuroblastoma (N=54), 2) patients with ganglioneuroblastoma (N=28) and 3) patients with highly differentiated ganglioneuroma (N=14). Results. There were revealed statistically significant differences in the values of the parameters of the accumulation of radiopharmaceutical and neurospecific enolase between all the studied groups; in turn, the values of the median parameters of lactate dehydrogenase and ferritin, according to the results of the analysis, do not differ significantly. Based on the results of the performed analysis, it was concluded that the parameters of accumulation of radiopharmaceutical and neurospecific enolase are of high quality as classifiers for differential diagnosis of tumor type. For the values of those parameters for each tumor type empirical probability densities were calculated and equations were selected that describe them. In addition, decision rules were constructed using logistic regression, and similar high values of sensitivity (over 85%) and specificity (over 75%) of the developed models were obtained. Conclusions. The technique of non-invasive determination of the histological type, together with additional data may be of great clinical importance for the choice of the tactics of patient management. The result of the study is the development and software implementation of algorithms for non-invasive differential diagnosis of the tumor type of neuroblastoma. The developed software is registered for use in practical medicine.
Keywords: neuroblastoma, SUVmax, I123MIBG, histological type, decision rules.
Введение. На сегодняшний день разработана классификация нейробластомы по гистологическому типу с учетом степени дифференцировки, согласно которой выделяют недифференцированную нейробла-стому, ганглионейробластому и высокодифференциро-ванную ганглионейрому [10]. Показано наличие прогностической значимости данной классификации, что обусловливает важность определения гистологического типа нейробластомы [7,9,11]. В соответствии с классификацией пациентов с нейробластомой по группам риска, согласно критериям Международной классификации нейробластомы по группам риска (International Neuroblastoma Risk Group, INRG), на отнесение пациента к определенной группе риска (и, соответственно, на прогноз нейробластомы), помимо гистологического типа влияют и другие факторы: возраст, наличие амплификации N-MYC онкогена, делеция 1-p хромосомы, а также плоидность клеток опухоли [3]. Все перечисленные факторы (за исключением возраста) могут быть оценены лишь по результатам биопсии. В отечественных и зарубежных исследованиях показана взаимосвязь между уменьшением степени дифференцировки нейробластомы (ухудшением прогноза) и увеличением уровней некоторых параметров, которые можно измерять неинвазивно: количественного показателя интенсивности накопления метайодбензилгуанидина (I123MBG) в опухоли по отношению к печени, определяемого по результатам однофотонной эмиссионной компьютерной томографии, совмещенной с компьютерной томографией (ОФЭКТ/КТ) - TLCRR (tumor to liver count rate ratio), а также параметров лабораторного контроля - нейроспецифической энолазы (НСЭ), лактатдегидроге-назы (ЛДГ), ферритина [1,5,6,8]. Таким образом, клинически значимой задачей, с точки зрения прогнозирования риска, является возможность определения гистологического типа нейробластомы с использованием параметров, измеряемых неинвазивно. В настоящее время появилась принципиальная возможность использования для анализа полуколичественного параметра SUVmax (максимальный стандартизированный уровень накопления радиофармпрепарата в опухоли, standardized uptake value), получаемого по результатам ОФЭКТ с I123MIBG с учетом концентрации радиофармпрепарата, введенной
активности и веса пациента, и не зависящего от индивидуальных особенностей накопления радиофармпрепарата в печени (в отличие от TLCRR); в настоящее время данный параметр нашел широкое применение в позитрон-эмиссионной томографии (ПЭТ) [4].
Единственным способом достоверно определять гистологический тип опухоли является биопсия с последующим стадированием согласно критериям международной классификации INPC (International Neuroblastoma Pathology Committee) [10]. Тем не менее, биопсия проводится под анестезией и является инва-зивной процедурой, которая может сопровождаться развитием нежелательных последствий, а получение результатов гистологического исследования занимает определенное время. Методика неинвазивного определения гистологического варианта совместно с дополнительными клиническими и визуализацион-ными данными компьютерной томографии (КТ) и магнитно-резонансной томографии (МРТ) при нейро-генных опухолях у детей может иметь важное клиническое значение для выбора тактики ведения пациентов (биопсия, расширенная операция, полихимиотерапия) [1]. Поэтому разработка алгоритмов, в том числе на основе решающих правил, для неинвазив-ной дифференциальной диагностики гистологического типа нейробластомы на основе анализа параметров лабораторного контроля и параметров количественной оценки накопления I123MIBG в ОФЭКТ/КТ может иметь определенное клиническое значение.
Цель исследования - разработать алгоритмы, позволяющие на основании анализа параметров ОФЭКТ/КТ и лабораторного контроля делать вывод о возможном гистологическом типе нейробластомы.
Задачи: 1) Оценить связь между гистологическим типом опухоли и изменением параметров интенсивности накопления радиофармпрепарата (TLCRR, SUVmax) и уровня лабораторных показателей (НСЭ, ЛДГ, ферритина) и исследовать диагностическую значимость изменений параметров ОФЭКТ/КТ и лабораторного контроля с целью уменьшения признакового пространства, используемого при разработке алгоритмов; 2) Разработать алгоритмы, в т.ч. с построением решающих правил, позволяющие на основании данных
JOURNAL OF NEW MEDICAL TECHNOLOGIES - 2021 - V. 28, № 2 - P. 97-102
ОФЭКТ/КТ и лабораторного контроля оценивать гистологический тип нейробластомы; 3) Разработать программное обеспечение для автоматизации процесса оценки гистологического типа нейробластомы.
Материалы и методы исследования. Исследование носило ретроспективный характер, использованы данные ОФЭКТ/КТ и лабораторного контроля пациентов, проходивших лечение нейробластомы в ФГБУ «НМИЦ ДГОИ им. Д. Рогачева» МЗ РФ в период 2013-2019 гг.: всего 96 пациентов в возрасте 0,518 лет, среди которых 59 мальчиков и 37 девочек: пациенты с недифференцированной нейробластомой (НБ, N=54), с ганглионейробластомой (ГНБ, N=28) и с высо-кодифференцированной ганглионейромой (ГН, N=14). Медиана возраста в группе НБ составила 40 месяцев [01=28, 03=54], в группе ГНБ: 92 месяца [73; 116], в группе ГН: 106 месяцев [98; 123].
Всем пациентам спустя 24 часа после введения радиофармпрепарата выполнялась однофотонная эмиссионная компьютерная томография, совмещенная с компьютерной томографией с 123I-MIBG на двух-детекторной гамма-камере Discovery 670 (GE Healthcare, USA) с использованием стандартных протоколов. Кроме того, всем пациентам проведена биопсия опухоли с целью определения ее гистологического варианта согласно критериям международной классификации INPC [10], а также определены уровни нейроспецифической энолазы, лактатдегид-рогеназы и ферритина по результатам лабораторного исследования венозной крови.
Статистические методы. Для оценки характера распределения данных использовался критерий Ша-пиро-Уилка, описание количественных признаков проводилось с помощью медианы и квартилей в виде Me [01; 03]. Сравнение трех групп пациентов по количественным параметрам проводилось с использованием непараметрического критерия Краскела-Уол-лиса с критическим значением p равным 0,05. Попарное множественное сравнение по количественным параметрам проводилось с помощью U-критерия Манна-Уитни с учетом поправки Бонферрони на множественные сравнения с критическим значением p равным 0,017. Для оценки информативности исследуемых параметров и диагностической значимости их изменений для дифференциальной диагностики опухолевого типа использовалась оценка параметра AUC (площадь под ROC-кривой) в ROC-анализе. Для оценки информативности исследуемых параметров и диагностической значимости их изменений для дифференциальной диагностики гистологического типа опухоли использовался ROC-анализ. С помощью регрессионного анализа были подобраны уравнения кривых эмпирических плотностей вероятностей. Для построения решающего правила, определяющего наиболее благоприятный с точки зрения прогноза гистологический тип (ГН), использовали логистическую регрессию с пошаговом включением параметров.
Программные средства. Реконструкцию и анализ полученных совмещенных ОФЭКТ/КТ изображений с целью расчета параметров TLCRR и SUVmax, Выполняли на рабочей станции HERMES Medical Imaging suite (Hermes Medical Solutions, Stockholm, Sweden). Для накопления данных, а также проведения предварительных расчетов использовалась программа MS EXCEL 2016. Статистическая обработка полученных данных выполнялась с помощью скриптов на языке программирования «R». Программное средство «Система неинвазивной диагностики опухолевого типа нейробластомы» реализовано на языке C# в программной среде Microsoft Visual Studio 2019.
Результаты и их обсуждение. Для оценки связи между гистологическим типом опухоли и изменением параметров TLCRR, SUVmax, НСЭ, ЛДГ и концентрации ферритина проведено сравнение трех групп пациентов по перечисленным количественным параметрам. По результатам анализа выделено 3 параметра, по которым статистически значимые различия обнаружены во всех трех парах сравнений: TLCRR, SUVmax и НСЭ (табл. 1). Для параметра ЛДГ и концентрации ферритина не выявлено статистически значимых различий в исследуемых группах, в связи с чем их использование для построения алгоритмов дифференциальной диагностики опухолевого типа нейробластомы признано нецелесообразным.
Таблица 1
Сравнение значений параметров TLCRR, SUVmax, НСЭ, ЛДГ и концентрации ферритина в трёх группах пациентов с различным гистологическим типом нейробластомы
Примечание: 1 - Использовался критерий Краскела-Уоллиса, различия считались статистически значимыми при р<0,05. Указана статистика критерия (Н), уровень значимости (р) и число степеней свободы 2 - Использовался критерий Манна-Уитни с поправкой Бонферрони, различия считались статистически значимыми при р<0,017. Указана статистика критерия (V) и уровень значимости. * - есть статистически значимые различия, НБ - нейробластома, ГНБ - ганглионейробластома, ГН - ганглионейрома. Описание данных приводится в форме Ме [10; 30]
При формировании алгоритмов дифференциальной диагностики гистологического типа нейробластомы, с точки зрения дальнейшей оценки рисков
Группа TLCRR SUVmax НСЭ, нг/мл ЛДГ, ед/л Ферри-тин, мкг/л
НБ 5,1 [4,0; 6,9] 6,8 [5,3; 9,2] 42,0 [27,5; 93,6] 336 [261; 456] 130 [34; 222]
ГНБ 2,4 [1,3; 3,5] 2,8 [1,8; 3,8] 23,0 [20,24; 28,7] 259 [223; 368] 29 [17; 50]
ГН 1,1 [0,8; 1,8] 1,6 [0,8; 2,2] 18,6 [18,0; 25,0] 279 [220; 490] 35 [18; 101]
Межгрупповое сравнение 1 H: 41,62 df 2 p: 0,000* H: 54,45 df: 2 p: 0,000* H: 18,52 df: 2 p: 0,000* H: 2,34 df: 2 p: 0,310 H: 2,75 df: 2 p: 0,253
Попарные сравнения 2 НБ, ГНБ U: 188,5 p: 0,000* U: 103,5 p: 0,000* U: 117,0 p: 0,002* U: 218,5 p: 0,160 U: 160,0 p: 0,155
НБ, ГН U: 96,5 p: 0,000* U: 45,0 p: 0,000* U: 69,5 p: 0,001* U: 86,5 p: 0,359 U: 37,0 p: 0,270
ГНБ, ГН U: 99,0 p: 0,009* U: 106,5 p: 0,016* U: 82,0 p: 0,015* U: 61,0 p: 0,929 U: 28,0 p: 0,885
ВЕСТНИК НОВЫХ МЕДИЦИНСКИХ ТЕХНОЛОГИЙ - 2021 - Т. 28, № 2 - С. 97-102 JOURNAL OF NEW MEDICAL TECHNOLOGIES - 2021 - V. 28, № 2 - P. 97-102
для пациента, наибольший интерес представляет отделение группы пациентов с дифференцированными опухолями (ГН) от двух других групп пациентов, для которых характерно наличие опухолей с недифференцированными клетками (НБ, ГНБ).
Наличие у пациента недифференцированного варианта опухоли может повлиять на принятие решения врачами в сторону раннего выполнения биопсии опухоли и проведения неоадъювантной терапии, а указание на наличие ГН может склонить врачей к выполнению резекции [1]. Для дальнейшего отбора параметров и построения алгоритмов разделения двух групп пациентов была проведена оценка информативности исследуемых параметров по результатам анализа площадей под ^ОС-кривыми. Было обнаружено, что все три параметра обладают сравнимой информативностью: Аис SUVmax = 0,926 (95% ДИ 0,822; 1,000), АиС ПСШ = 0,898 (95% ДИ 0,780; 1,000), АиС НСЭ = 0,824 (95% ДИ 0,717; 1,000).
Для построения алгоритмов с целью разделения пациентов на две группы рассчитаны эмпирические уравнения плотности вероятности (плотности распределения) для 3 выбранных параметров, а также рассчитаны параметры чувствительности и специфичности (табл. 2).
Таблица 2
Уравнения плотности вероятности выбранных переменных для моделей, разделяющих пациентов с дифференцированными опухолями (ГН) от двух других групп (НБ, ГНБ), и их чувствительность и специфичность
Независимые переменные Уравнение плотности распределения1 Чувствительность2 (95% ДИ*) Специфичность2 (95% ДИ*)
SUVmax Y = 0,206+34,494/Х; Xе [0; 6] = 0 при X > 6 85% (72%; 94%) 86% (69%; 92%)
TLCRR Y = -3,280+36,619/Х; Xе [0; 6] = 0 при X > 6 80% (67%; 92%) 85% (67%; 96%)
НСЭ Y = -6,427+580,43/Х; Xе [5; 20] ( = 100 при X < 5 ( У(Х) = 0 при X > 20 75% (62%; 87%) 68% (58%; 91%)
Примечание: 1 -Y: вероятность, что у данного пациента ганглионейрома (благоприятный прогноз); X: значения параметра. 2 - Чувствительность и специфичность рассчитаны для критерия диагностики ГН "Y>50%". * - доверительный интервал
Значения скорректированного коэффициента детерминации (R square) для построенных уравнений плотностей вероятности переменных SUVmax, TLCRR и НСЭ составили 0,832, 0,942 и 0,966 соответственно. Выбранная точка отсечения (cut-off value) составляет 50% (в случае, если рассчитанное значение Y составляет более 50%, формируется заключение о наличии у пациента дифференцированной ганглионейромы).
В результате проверки оказалось, что значение чувствительности и специфичности модели на основе параметра SUVmax несколько выше, чем у моделей других параметров; тем не менее, значения чувствительности и специфичности для построенных моделей статистически значимо не различаются, в связи с чем возможно использование всех трех моделей для формирования дифференциального заключения. Однако на наш взгляд, применение параметра SUVmax является предпочтительным, так как помимо простоты оценки накопления радиофармпрепарата в опухолевой ткани расчет этого параметра не зависит от накопления в печени, что может быть важно для пациентов с метастатическим поражением печени.
Для построения другого алгоритма разделения пациентов на две группы сформированы решающие правила на основе бинарной логистической регрессии. В результате разработки решающего правила построена логистическая модель с включением всех трех параметров (формула 1):
F (z) = Т+Т-г, 2 = 1,541 - 0,31 * SUVmax -
0,269 * TLCRR - 0,063 * NSE, (
где: F(z) - вероятность наличия у пациента ГН (благоприятный прогноз).
Построенная модель оценивается как обладающая отличной дискриминационной способностью: AUC=0,825 (95% ДИ 0,769; 0,975). Точка отсечения (cutoff value) выбрана равной 29% основе поиска оптимального баланса показателей чувствительности и специфичности - путем нахождения максимума суммы показателей чувствительности и специфичности в ROC-анализе (в случае, если рассчитанная величина F (z) превышает 0,29, делается вывод о вероятном наличии у пациента ГН). Чувствительность и специфичность решающего правила для разделения пациентов на две группы составляют 89% (95% ДИ 76%; 94%) и 77% (95% ДИ 63%; 92%) соответственно.
Тем не менее, с учетом количества пациентов в группе ГН, не рекомендуется использовать логистическую модель с включением всех трех параметров. В качестве основы для другого решающего правила была выбрана логистическая модель с условным пошаговым включением параметров (формула 2):
F (z) = I+1-z,Z = -0,871 * SUVmax + 1,081, (2) где: F (z) - вероятность наличия у пациента ГН (благоприятный прогноз).
В результате модель включала один параметр -SUVmax. Построенная модель оценивается как обладающая отличной дискриминационной способностью: AUC=0,889 (95% ДИ 0,805; 0,973). Точка отсечения также выбрана равной 29%. Чувствительность и специфичность решающего правила составляют 85% (95% ДИ 71%; 98%) и 84% (95% ДИ 69%; 95%) соответственно.
Построенные решающие правила, как с включением трех параметров, так и с включением только параметра SUVmax, с той же эффективностью позволяют
JOURNAL OF NEW MEDICAL TECHNOLOGIES - 2021 - V. 28, № 2 - P. 97-102
разделять пациентов на две группы (пациенты с дифференцированными опухолями (ГН) и пациенты с опухолями с недифференцированными клетками (НБ, ГНБ)), что и построенные модели на основе уравнений плотностей вероятности для каждого параметра.
Для прикладной реализации разработанных алгоритмов дифференциального заключения о гистологическом типе нейробластомы разработано и зарегистрировано программное средство для ЭВМ «Система неинвазивной диагностики опухолевого типа нейробластомы» [2]. Программа позволяет вводить информацию о пациенте, необходимую для его идентификации и применения разработанных алгоритмов. По результатам расчета эмпирических уравнений плотностей вероятности, а также логистической функции, на основании введенных данных программа формирует и обосновывает заключение о наиболее вероятном гистологическом типе опухоли.
Идея неинвазивного определения гистологического варианта нейробластомы не нова, однако главной проблемой ее реализации является сложность объективной интерпретации накопления радиофармпрепарата (РФП) в опухоли [8]. В отдельных исследованиях была показана взаимосвязь гистологического типа нейробластомы и уровня накопления РФП, а также возможная связь параметра НСЭ со степенью дифференцировки опухоли [1,5,6,8]. Однако впервые совместный анализ параметров инструментальной и лабораторной диагностики нейробластомы с позиции прогнозирования гистологического типа нейро-бластомы был проведен именно в настоящем исследовании. Проблема объективизации оценки накопления РФП была решена нами с использованием параметра SUVmax, уровень которого не зависит от наличия патологических образований в печени, в отличие от параметра TLCRR. Возможность использования параметра SUVmax в ОФЭКТ/КТ появилась совсем недавно с появлением более совершенного программного обеспечения для анализа. Еще одной особенностью настоящего исследования является относительно большой объем выборки, с учетом низкой распространенности нейробластомы в популяции, что повышает качество статистического анализа, и, соответственно, прогностических моделей. Ретроспективный анализ, однако, имеет и недостатки - в частности, возможность возникновения «смещения выборки, selection bias».
Сама возможность прогнозирования гистологического типа важна с клинической точки зрения, так как может повлиять на принятие решения врачами-онкологами. Преимуществом в сравнении с биопсией является отсутствие необходимости в проведении анестезиологического пособия, а также возможность оценки гистологического типа на основании анализа всей опухоли, в то время как биопсия, выполненная из одного-нескольких участков, не всегда способна
предоставить объективную и полноценную информацию о всей структуре опухоли. Предложенное программное обеспечение и алгоритмы неинвазивного определения гистологического типа нейробластомы, совместно с данными инструментальных и лабораторных исследований, может иметь клиническое значение для оптимизации тактики ведения пациентов с нейрогенными опухолями.
Заключение. Показана принципиальная возможность использования количественных параметров накопления I123MIBG (SUVmax, TLCRR) и показателя НСЭ для неинвазивного определения опухолевого типа нейробластомы. По результатам оценки ROC-кривых определена высокая дискриминационная способность параметров SUVmax, TLCRR и НСЭ, и, следовательно, их высокая диагностическая значимость. Разработаны три алгоритма на основе анализа эмпирических кривых плотностей вероятности выбранных параметров и два алгоритма на основе логистической модели с использованием бинарной логистической регрессии. Все алгоритмы показали высокие значения чувствительности (более 85%) и специфичности (более 75%). Разработано программное средство «Система неинвазивной диагностики опухолевого типа нейробластомы», которое может быть использовано для формирования дифференциального заключения об опухолевом типе нейробластомы у детей, что может иметь большое клиническое значение.
Литература / References
1. Кайлаш A., Киреева Е.Д., Вдовина И.С., Ядгаров М.Я., Шаманская Т.В., Рощин В.Ю., Ликарь Ю.Н. Неинвазивное определение неблагоприятного гистологического варианта у детей с нейроген-ными опухолями по накоплению 1231-МЙБГ с использованием полуколичественной и количественной оценок // Вопросы гематологии/онкологии и иммунопатологии в педиатрии. 2020. Т. 19, № 1. С. 68-78 / Kaylash A, Kireeva ED, Vdovina IS, Yadgarov MYa, Sham-anskaya TV, Roshchin VYu, Likar' YuN. Neinvazivnoe opredelenie neblagopri-yatnogo gistologicheskogo varianta u detey s neyrogennymi opu-kholyami po nakopleniyu "3I-MYBG s ispol'zovaniem polukoliche-stvennoy i kolichestvennoy otsenok [Noninvasive determination of an unfavorable histological variant in children with neurogenic tu-mors based on the accumulation of 123I-MIBG using semi-quantitative and quantitative assessments]. Voprosy gematologii/onkologii i immunopatologii v pediatrii. 2020;19(1):68-78. Russian.
2. Ядгаров М.Я., Качанов Д.Ю., Киреева Е.Д., Шаманская Т.В., Щелыкалина С.П., Ликарь Ю.Н. Система неинвазивной диагностики опухолевого типа нейробластомы. Свидетельство о государственной регистрации программы для ЭВМ, рег. №2020610382 от 13.01.2020. М.: Роспатент, 2020 / Yadgarov MYa, Kachanov DYu, Kireeva ED, Shamanskaya TV, Shchelykalina SP, Likar' YuN. Sistema neinvazivnoy di-agnostiki opukholevogo tipa neyroblastomy. Svide-tel'stvo o gosudar-stvennoy registratsii programmy dlya EVM, reg. №2020610382 ot 13.01.2020 [The system of non-invasive diagnosis of neuroblastoma tumor type. Cer-tificate of state registration of the computer program, reg. no. 2020610382 of 13.01.2020]. Moscow: Rospatent; 2020. Russian.
3. Cohn S.L., Pearson A.D., London W.B., Monclair T., Ambros P.F., Brodeur G.M., Mosseri V. The International Neuroblastoma Risk Group (INRG) classification system: an INRG task force report // Journal of clinical oncology. 2009. Vol. 27, № 2. P. 289 / Cohn SL, Pearson AD, London WB, Monclair T, Ambros PF, Brodeur GM, Mosseri V. The International Neuroblastoma Risk Group (INRG) classification system: an INRG task force report. Journal of clinical oncology. 2009;27(2):289.
4. Dhull V.S., Sharma P., Patel C., Kundu P., Agarwala S., Bakh-shi S., Kumar R. Diagnostic value of 18F-FDG PET/CT in paediatric neu-
JOURNAL OF NEW MEDICAL TECHNOLOGIES - 2021 - V. 28, № 2 - P. 97-102
roblastoma: comparison with 131I-MIBG scintigraphy // Nuclear medicine communications. 2015. Vol. 36, № 10. P. 1007-1013 / Dhull VS, Sharma P, Patel C, Kundu P, Agarwala S, Bakhshi S, Kumar R. Diagnostic value of 18F-FDG PET/CT in paediatric neuroblastoma: comparison with 131I-MIBG scintigraphy. Nuclear medicine communications. 2015;36(10):1007-13.
5. Fendler W.P., Melzer H.I., Walz C., von Schweinitz D., Cop-penrath E., Schmid I. Pfluger, High 123 I-MIBG uptake in neuroblastic tumours indicates unfavourable histopathology // European journal of nuclear medicine and molecular imaging. 2013. Vol. 40, № 11. P. 1701-1710 / Fendler WP, Melzer HI, Walz C, von Schweinitz D, Coppenrath E, Schmid I. Pfluger, High 123 I-MIBG uptake in neuroblastic tumours indicates unfavourable histopathology. European journal of nuclear medicine and molecular imaging. 2013 ;40(11): 1701-10.
6. Fendler W.P., Wenter V., Thornton H.I., Ilhan H., von Schweinitz D., Coppenrath E., Pfluger T. Combined scintigraphy and tumor marker analysis predicts unfavorable histopathology of neuroblastic tumors with high accuracy // PloS one. 2015. Vol. 10, № 7. P. e0132809 / Fendler WP, Wenter V, Thornton HI, Ilhan H, von Schweinitz D, Coppenrath E, Pfluger T. Combined scintigraphy and tumor marker analysis predicts unfavorable histopathology of neuroblastic tumors with high accuracy. PloS one. 2015;10(7):e0132809.
7. Peuchmaur M., d'Amore E.S., Joshi V.V., Hata J.I., Roald B., Dehner L.P., Shimada H. Revision of the International Neuroblastoma Pathology Classification: confirmation of favorable and unfavorable prognostic subsets in ganglioneuroblastoma, nodular // Cancer: Interdisciplinary International Journal of the American Cancer Society. 2003. Vol. 98, № 10. P. 2274-2281 / Peuchmaur M, d'Amore ES, Joshi VV, Hata JI, Roald B, Dehner LP, Shimada H. Revision of the International Neuroblastoma Pathology Classification: confirmation of favorable and unfavorable prognostic subsets in ganglioneuroblastoma, nodular. Cancer: Interdisciplinary International Journal of the American Cancer Society. 2003;98(10):2274-81.
8. Rogasch J.M., Hundsdoerfer P., Furth C., Wedel F., Hofheinz F., Krüger P.C., Schatka I. Individualized risk assessment in neuroblastoma:
does the tumoral metabolic activity on 123 I-MIBG SPECT predict the outcome? // European journal of nuclear medicine and molecular imaging. 2017. Vol. 44, № 13. P. 2203-2212 / Rogasch JM, Hundsdoerfer P, Furth C, Wedel F, Hofheinz F, Krüger PC, Schatka I. Individualized risk assessment in neuroblastoma: does the tumoral metabolic activity on 123 I-MIBG SPECT predict the outcome?. European journal of nuclear medicine and molecular imaging. 2017;44(13):2203-12.
9. Sano H., Bonadio J., Gerbing R.B., London W.B., Matthay K.K., Lukens J.N., Shimada H. International neuroblastoma pathology classification adds independent prognostic information beyond the prognostic contribution of age // European journal of cancer. 2006. Vol. 42, № 8. P. 1113-1119 / Sano H, Bonadio J, Gerbing RB, London WB, Matthay KK, Lukens JN, Shimada H. International neuroblastoma pathology classification adds independent prognostic information beyond the prognostic contribution of age. European journal of cancer. 2006;42(8):1113-9.
10. Shimada H., Ambros I.M., Dehner L.P., Hata J.I., Joshi V.V., Roald B. Terminology and morphologic criteria of neuroblastic tumors: recommendations by the International Neuroblastoma Pathology Committee // Cancer: Interdisciplinary International Journal of the American Cancer Society. 1999. Vol. 86, № 2. P. 349-363 / Shimada H, Ambros IM, Dehner LP, Hata JI, Joshi VV, Roald B. Terminology and morphologic criteria of neuroblastic tumors: recommendations by the International Neu-roblastoma Pathology Committee. Cancer: Interdisciplinary International Journal of the American Cancer Society. 1999;86(2):349-63.
11. Shimada H., Umehara S., Monobe Y., Hachitanda Y., Nak-agawa A., Goto S., Matthay K.K. International neuroblastoma pathology classification for prognostic evaluation of patients with peripheral neuroblastic tumors: a report from the Children's Cancer Group // Cancer. 2001. Vol. 92, № 9. P. 2451-2461 / Shimada H, Umehara S, Monobe Y, Hachitanda Y, Nakagawa A, Goto S, Matthay KK. International neuroblas-toma pathology classification for prognostic evaluation of patients with peripheral neuroblastic tumors: a report from the Children's Cancer Group. Cancer. 2001;92(9):2451-61.
Библиографическая ссылка:
Ядгаров М.Я., Шаманская Т.В., Качанов Д.Ю., Кайлаш Ч., Ликарь Ю.Н., Матвеев Н.В., Щелыкалина С.П. Разработка алгоритмов для дифференциальной диагностики гистологического типа нейробластомы на основе компьютерного анализа параметров лабораторных и инструментальных исследований // Вестник новых медицинских технологий. 2021. №2. С. 97-102. БОТ: 10.24412/1609-2163-2021-2-97-102.
Bibliographic reference:
Yadgarov MY, Shamanskaya TV, Kachanov DYu, Kailash Ch, Likar YuN, Matveev NV, Shchelykalina SP. Razrabotka algoritmov dlya dif-ferentsial'noy diagnostiki gistologicheskogo tipa neyroblastomy na osnove komp'yuternogo analiza parametrov laboratornykh i instru-mental'nykh issledovaniy [Development of algorithms for differential diagnostics of histological type of neuroblastoma based on computer analysis of parameters of laboratory and instrumental studies]. Journal of New Medical Technologies. 2021;2:97-102. DOI: 10.24412/1609-2163-2021-2-97-102. Russian.
