Anwendung von Radiomik in der Differenzialdiagnose von Ameloblastomen und dentigerösen Zysten

Zusammenfassung

Ameloblastome und dentigeröse Zysten haben ein identisches klinisches und radiografisches Erscheinungsbild. In unserer Studie demonstrieren wir die Bedeutung einer sorgfältigen Berücksichtigung radiologischer Merkmale, die bei der nicht-invasiven Differenzialdiagnose helfen und eine angemessene Behandlung dieser Läsionen sicherstellen können.

Methoden

Dies war eine retrospektive Studie, die 18 CT-Bilder von Patienten mit Kieferneoplasien umfasste (8 Ameloblastome und 10 dentigeröse Zysten mit histopathologischer Verifizierung). Jede Läsion wurde manuell mit der 3D Slicer-Software auf CT-Bildern segmentiert, und texturale Merkmale wurden mit der 3D Slicer Radiomics-Erweiterung extrahiert. Eine statistische Analyse wurde durchgeführt.

Ergebnisse

Nach der Texturanalyse fanden wir keine (statistisch signifikanten) Unterschiede in den formbasierten Merkmalen und den Werten der ersten Ordnung dieser Läsionen. Wir fanden statistisch signifikante Unterschiede in 13 Merkmalen zweiter Ordnung von dentigerösen Zysten und Ameloblastomen, die meisten von ihnen waren eng korreliert. Eine multiple logistische Regressionsanalyse wurde durchgeführt, um die Merkmale zu bewerten und die bedeutendsten Prädiktoren zu bestimmen. Das endgültige Modell umfasste 2 Merkmale (Cluster Shade und IMC 1) und bot einen hohen prädiktiven Wert (die Fläche unter einer ROC=0,93).

Schlussfolgerungen

Unsere Pilotstudie demonstriert eine neue Technik zur nicht-invasiven Differenzialdiagnose von Kieferneoplasien, die auf Texturmerkmalen basiert, die aus CT-Daten extrahiert wurden.

Einleitung

Ameloblastom (AB) und dentigerzyste (DC) sind beide klinisch häufige benigne odontogene Läsionen. Aufgrund der signifikanten Unterschiede im biologischen Verhalten haben diese beiden Erkrankungen unterschiedliche Behandlungsstrategien. Das chirurgische Management ist die einzige effektive Methode zur Behandlung von odontogenen Tumoren, aber die Wahl der effektiven chirurgischen Methode ist umstritten. Der Behandlungsplan für AB umfasst hauptsächlich die radikale Operation der partiellen Resektion des Kieferknochens, für DC – die Erhaltungsoperation der Dekompression kombiniert mit Kürettage. Aufgrund der unterschiedlichen Behandlungsprinzipien der beiden Läsionen ist es sehr wichtig, eine genauere präoperative Differenzialdiagnosemethode zu finden. Die Differenzialdiagnose dieser beiden Läsionen ist schwierig, da sie viele klinische und radiografische Merkmale teilen. Daher ist es schwierig, diese Läsionen radiografisch zu unterscheiden, und die definitive Diagnose basiert nur auf histopathologischen Untersuchungen. Somit können Unterschiede in den radiografischen Befunden dieser beiden Läsionen eine wichtige Rolle bei der Diagnosestellung spielen.

Die Umwandlung digitaler medizinischer Bilder in abbaubare hochdimensionale Daten wird durch das Konzept motiviert, dass biomedizinische Bilder Informationen enthalten, die die zugrunde liegende Pathophysiologie widerspiegeln, und dass diese Beziehungen durch quantitative Bildanalysen offengelegt werden können. Radiomics ist ein Prozess, der die Extraktion und Analyse quantitativer Daten aus medizinischen Bildern ermöglicht. Radiomics ist darauf ausgelegt, Entscheidungsunterstützungstools zu entwickeln; daher umfasst es die Kombination von radiomischen Daten mit anderen Patientenmerkmalen, soweit verfügbar, um die Leistungsfähigkeit der Entscheidungsunterstützungsmodelle zu erhöhen.

In den letzten Jahren wurde Radiomics zur Diagnose von Nasopharynxkarzinomen; zur Vorhersage der Therapieansprache bei nicht-kleinzelligem Lungenkrebs; zur präoperativen Vorhersage von Mikrovaskulärinvasionen bei hepatozellulärem Karzinom; zur nicht-invasiven Bewertung von koronaren Entzündungen; in der präzisen Diagnose, Prognose und Behandlungsplanung von Plattenepithelkarzinomen im Kopf- und Halsbereich eingesetzt. Die texturale Analyse von Bildern in den Studien zielte darauf ab, prognostische Biomarker der Krankheitsbildgebung zu identifizieren. Solche objektiven Biomarker sind leicht verfügbar und haben das Potenzial, die personalisierte Behandlung und die Präzisionsmedizin zu verbessern.

Wir haben die Hypothese aufgestellt, dass die CT-Texturanalyse subtile Unterschiede des Kieferneoplasmas erkennen kann. Diese Informationen sind erforderlich, um die richtigen Behandlungstaktiken zu bestimmen.

Das Ziel dieser Studie war es, den Nutzen von CT-Texturmerkmalen bei der Unterscheidung häufiger Kieferneoplasmen, d.h. Ameloblastom (AB) von dentigerösen Zysten (DC), zu bewerten.

Materialien und Methoden

Patientenauswahl

Insgesamt wurden 35 Aufzeichnungen von Patienten mit Kieferneoplasmen, die in der Abteilung für maxillofaziale Chirurgie der Ersten Pavlov-Staatlichen Medizinischen Universität St. Petersburg behandelt wurden, analysiert. Die Einschlusskriterien für die Auswahl der medizinischen Aufzeichnungen waren:

• Die Fälle sollten einen Bericht über die histopathologische Untersuchung von AB oder DC enthalten. Die Proben wurden in 10% gepuffertem Formalin fixiert, anschließend in Paraffin gebadet und histologische Schnitte von X Mikrometern wurden durchgeführt, nach der Färbung mit Hämatoxylin und Eosin wurden die Schnitte unter einem Lichtmikroskop von Leica untersucht.
• Es sollte ein CBCT des Kiefers vor der chirurgischen Behandlung vorliegen.

Die Ausschlusskriterien waren:

• keine histologische Schlussfolgerung,
• Vorhandensein von rezidivierenden Läsionen und mit odontogenem Keratokyst,
• Bildgebungsschnitte mit schweren Artefakten.

Wir schlossen 17 Fälle gemäß den Ausschlusskriterien aus. Die verbleibenden 18 Patienten: 10 Patienten mit DC (9 Männer, 1 Frau; Medianalter 45 Jahre) und 8 Patienten mit AB (2 Männer, 6 Frauen; Medianalter 58 Jahre) wurden in diese Studie aufgenommen.

CT-Bildgebungsprotokoll

CT-Untersuchungen wurden an 64-Schicht-CT-Scannern (Toshiba Aquilion 64) mit 120 kV, 225 mA und 1 s/Umdrehung durchgeführt, und 0,5 mm dicke Bilder wurden gemäß unserem institutionellen klinischen Protokoll rekonstruiert. Axiale 0,5-mm-Bilder in der Rekonstruktion wurden für diese Analyse verwendet.

Bildinterpretation

Die Eigenschaften der Läsionen wurden qualitativ von einem Radiologen mit 7 Jahren Erfahrung in der oralen und maxillofazialen Radiologie bewertet.

Bildsegmentierung und Texturanalyse

Die Segmentierung ist ein wesentlicher Schritt im Radiomics-Workflow, da hochgradig unterscheidbare Merkmale aus dem segmentierten Interessensbereich gewonnen werden, der in einem Volumen verfolgt werden kann. Die Genauigkeit der Segmentierung bestimmt die Radiomics-Merkmale, die extrahiert werden. Die Läsion wurde manuell von einem oralen und maxillofazialen Radiologen mit 7 Jahren Berufserfahrung konturiert. Die Segmentierung der Läsion wurde mit 3D Slicer auf jedem axialen Bild durchgeführt, das die Läsion, das Septum und den peripheren Knochen bis zu 2 mm vom sichtbaren Rand der Formation umfasst.

Die Merkmalsextraktion ist der nächste Schritt, nachdem der Interessensbereich segmentiert wurde. Es handelt sich um die Auswahl nützlicher Informationen zur Unterstützung der Charakterisierung normaler und abnormaler radiologischer Bilder. Dieser Schritt ist das Herzstück der Radiomik. Um Radiomikmerkmale aus den manuell segmentierten Volumina zu extrahieren, wurde die Radiomics-Erweiterung von 3D Slicer verwendet.

Die extrahierten Merkmale waren formbasierte Merkmale (z.B. maximaler Durchmesser, Oberfläche, Volumen), Merkmale erster Ordnung (basierend auf Histogrammstatistiken), sowie Statistiken zweiter und höherer Ordnung (basierend auf Matrizen der räumlichen Abhängigkeit).

Statistische Analyse

Aufgrund der relativ geringen Fallzahl wählten wir nichtparametrische Methoden für die statistische Analyse: Die Beschreibung quantitativer Variablen erfolgte mit Median und Interquartilsbereich, der Mann-Whitney-U-Test wurde verwendet, um sie zu vergleichen. Der exakte Test von Fisher mit der Freeman-Halton-Erweiterung wurde in der Analyse von Kontingenztabellen verwendet.

Ergebnisse

Merkmale der Läsionen

Die Eigenschaften der Läsionen und der segmentierten Volumina, die in der Studie enthalten sind, sind in Tabelle 1 dargestellt.

Der vordere maxilläre Bereich war der am häufigsten vorkommende Standort bei dentigerösen Zysten, während der hintere mandibuläre Bereich am häufigsten bei Ameloblastomen beobachtet wurde.

Texturmerkmale und statistische Analyse

Die Beispiele der segmentierten Volumina sind in Abb. 1 dargestellt.

Die formbasierten Merkmale sind Beschreibungen der 3D-Größe und -Form des Interessengebiets. Sie sind unabhängig von der Intensitätsverteilung des Grauwerts im Interessengebiet und geben eine quantitative Beschreibung der geometrischen Eigenschaften des Interessengebiets.

Die Merkmale der ersten Ordnung berücksichtigen die Verteilung der Werte einzelner Voxel, ohne die räumlichen Beziehungen zu berücksichtigen. Merkmale der zweiten Ordnung basieren auf der gemeinsamen Wahrscheinlichkeitsverteilung von Paaren von Voxel und beschreiben die räumliche Anordnung von Mustern, die manchmal für das menschliche Auge nicht wahrnehmbar sind. Wir verwendeten die Grauwert-Kooccurenzmatrix (GLCM), die Grauwert-Längenmatrix (GLRLM), die Grauwert-Größen-Zonenmatrix (GLSZM), die Matrix der benachbarten Grautonunterschiede (NGTDM) und die Grauwert-Abhängigkeitsmatrix (GLDM).

In unserer Studie haben wir die CT-Bildtexturmerkmale von DC und AB bewertet. Nach der Texturanalyse fanden wir keinen Unterschied in den formbasierten Merkmalen und den Werten der ersten Ordnung in den beiden Gruppen. Unserer Meinung nach war dies zu erwarten, da beide Formationen ähnliche radiografische Merkmale aufweisen, die während der routinemäßigen Bildanalyse oberflächlich beurteilt werden können.

Wir fanden statistisch signifikante Unterschiede in 13 sekundären Merkmalen von DC und AB (Abb. 2).

Cluster-Schattierung ist ein Maß für die Schiefe und Uniformität der GLCM. Cluster-Hervorhebung ist ein Maß für die Schiefe und Asymmetrie der GLCM. Kontrast ist ein Maß für die lokale Intensitätsvariation, das Werte abseits der Diagonalen begünstigt. Differenzvarianz ist ein Maß für Heterogenität, das höheren Gewichtungen auf unterschiedliche Intensitätslevel-Paare legt, die mehr Abweichung vom Mittelwert zeigen. Informationsmaß der Korrelation ist eine Quantifizierung der Komplexität der Textur. Abhängigkeitsvarianz ist die Varianz in der Abhängigkeitsgröße im Bild. Große Abhängigkeitsbetonung ist die gemeinsame Verteilung großer Abhängigkeiten mit niedrigeren Grauwertwerten. Lange Laufbetonung – ein Maß für die Verteilung von langen Lauf-Längen, wobei ein größerer Wert auf längere Lauf-Längen und gröbere strukturelle Texturen hinweist.

Laufprozentsatz ist ein Maß für die Grobheit der Textur, indem das Verhältnis der Anzahl der Läufe zur Anzahl der Voxel im Interessengebiet genommen wird. Laufvarianz ist die Varianz in den Läufen für die Lauf-Längen. Grauwertvarianz (GLSZM) ist die Varianz der Grauwertintensitäten für die Zonen. Zonenprozentsatz ist ein Maß für die Grobheit der Textur, indem das Verhältnis der Anzahl der Zonen zur Anzahl der Voxel im Interessengebiet genommen wird. Komplexität ist ein Maß für die Nicht-Uniformität und schnellen Änderungen der Grauwerte.

Diskussion

Die Kiefer sind der einzige Ort im Körper, an dem Epithel normalerweise innerhalb des Knochens gefunden werden kann. Das Epithel der Zahnlamina ist an der Bildung von Zahnschmelz beteiligt und legt die Form des Zahns fest. Nach Abschluss der Zahnformation bleiben epitheliale Reste in den Kiefern zurück. Diese führen zu einer Reihe von Läsionen, einschließlich Neoplasien, die bei der Diagnose, wenn sie mit Zähnen assoziiert sind, kein Problem darstellen sollten, jedoch in anderen Situationen Schwierigkeiten verursachen können.

Die beiden verschiedenen Arten von Läsionen waren die Stichprobe dieser Studie: Ameloblastom und dentigeröse Zyste. Diese Auswahl basierte auf 2 Faktoren: der Häufigkeit und der Ähnlichkeit des radiografischen Bildes unter diesen Läsionen.

Da die Komponenten der verschiedenen Läsionen pathologisch unterschiedlich sind, sollten auch die Texturmerkmale unterschiedlich sein.

Ameloblastome bestehen aus Epithel und zeigen keine Induktion von dentalen Hartgeweben. Im konventionellen Typ kann das Epithel ein follikuläres oder ein plexiformes Muster zeigen, aber oft wird innerhalb eines einzelnen Tumors eine Mischung von Mustern gesehen. Das häufigste Muster ist follikulär, gekennzeichnet durch Inseln von Epithel mit peripherer Palisadierung von verlängerten säulenförmigen Zellen mit umgekehrter Polarität, da die Zellkerne von der Basalmembran weg orientiert sind. Diese Zellen ähneln den Preameloblasten der normalen Zahnentwicklung. Zentral enthalten die Follikel lose angeordnete sternförmige Zellen, die eine Ähnlichkeit mit dem sternförmigen Retikulum des Zahngerms zeigen.

Dentigeröse Zysten bestehen aus einer epithelialen Auskleidung und einer Wand. Epitheliale Auskleidung – typischerweise 2-4 Zellen dick. Abgeflachte, nicht verhorntende Zellen mit einer regelmäßigen flachen Schnittstelle zur darunterliegenden Wand. Entzündungen führen zu Merkmalen, die identisch mit radikulären Zysten sind. Metaplastische Veränderungen mit Schleimzellen und Zilien treten bei dentigerösen Zysten häufiger auf als bei anderen Typen. Entzündete Proben können auch eine Hyperplasie zeigen, gelegentlich mit Verhornung. Hyaline Körper und sogar Talgdrüsenzellen können enthalten sein. Wand – typischerweise nicht entzündetes fibromyxoides Bindegewebe (ähnlich dem Zahnsäckchen) mit reichlich glycosaminoglykanreicher Grundsubstanz. Odontogene epitheliale Reste sind in variabler Anzahl vorhanden und können verkalken. Erhöhte Fibrose zusammen mit Cholesterin-Spalten und Hämosiderinablagerungen sind bei langanhaltenden und entzündeten Zysten zu sehen.

Wir nehmen an, dass die Unterschiede zwischen den radiomischen Merkmalen die Unterschiede in der Röntgendichte der Komponenten der Läsionen widerspiegeln.

Fazit

Unsere Pilotstudie demonstriert eine neue Technik für die nicht-invasive Differenzialdiagnose von Kieferneoplasmen basierend auf Texturmerkmalen. Diese Forschung könnte zur tatsächlichen Umsetzung dieser radiomikabasierten Techniken in die klinische Praxis beitragen, was die effektive Unterstützung der klinischen Entscheidungsfindung und die Förderung der Präzisionsmedizin unterstützt.

Anna V. Lysenko, Andrey I. Yaremenko, Anna A. Zubareva, Alexander V. Shirshin, Aleksandr I. Lуubimov, Elizaveta A. Ivanova

Literaturverzeichnis

1. Fedorov A, Beichel R, Kalpathy-Cramer J, Finet J, Fillion-Robin JC, Pujol S, et al. 3D Slicer als Bildverarbeitungsplattform für das quantitative Bildgebungsnetzwerk. Magn Reson Imaging. 2012;30(9):1323-1341. doi: 10.1016/j. mri.2012.05.001
2. van Griethuysen JJM, Fedorov A, Parmar C, Hosny A, Aucoin N, Narayan V, et al. Computergestütztes Radiomik-System zur Dekodierung des radiografischen Phänotyps. Cancer Res. 2017; 77(21):e104-e107. doi: 10.1158/0008-5472.CAN-17-0339
3. Duan W, Xiong B, Tian T, Zou X, He Z, Zhang L. Radiomik in Nasopharynxkarzinom. Clin Med Insights Oncol. 2022; 16:11795549221079186. doi: 10.1177/11795549221079186
4. Chetan MR, Gleeson FV. Radiomik zur Vorhersage des Ansprechens auf die Behandlung bei nicht-kleinzelligem Lungenkrebs: aktueller Stand, Herausforderungen und zukünftige Perspektiven. Eur Radiol. 2021;31(2):1049-1058. doi: 10.1007/s00330-020-07141-9
5. Yang L, Gu D, Wei J, Yang C, Rao S, Wang W, et al. Ein Radiomik-Nomogramm zur präoperativen Vorhersage der Mikrovaskulären Invasion bei hepatozellulärem Karzinom. Liver Cancer. 2019;8(5):373-386. doi: 10.1159/000494099
6. Cheng K, Lin A, Yuvaraj J, Nicholls SJ, Wong DTL. Kardiologische Computertomographie-Radiomik zur nicht-invasiven Beurteilung der koronaren Entzündung. Cells. 2021; 10(4):879. doi: 10.3390/cells10040879
7. Haider SP, Burtness B, Yarbrough WG, Payabvash S. Anwendungen der Radiomik in der präzisen Diagnose, Prognose und Behandlungsplanung von Plattenepithelkarzinomen im Kopf-Hals-Bereich. Cancers Head Neck. 2020; 5:6. doi: 10.1186/ s41199-020-00053-7