cecha radiomiczna
Cecha radiomiczna (ang. radiomic feature) to parametr ilościowy ekstrahowany z obrazów medycznych za pomocą zaawansowanych algorytmów obliczeniowych. Cechy radiomiczne stanowią podstawę radiomiki – dziedziny łączącej obrazowanie medyczne z analizą danych w celu uzyskania dodatkowych informacji diagnostycznych i prognostycznych.
Cechy radiomiczne można podzielić na kilka kategorii: cechy morfologiczne (opisujące kształt i wielkość zmiany), cechy statystyczne pierwszego rzędu (analizujące rozkład wartości pikseli/wokseli), cechy statystyczne wyższego rzędu (opisujące teksturę i heterogenność zmiany) oraz cechy funkcjonalne (w przypadku obrazowania dynamicznego). Ekstrahowane są z różnych modalności obrazowania, jak tomografia komputerowa, rezonans magnetyczny, PET czy USG.
Wykorzystanie cech radiomicznych w połączeniu z algorytmami uczenia maszynowego pozwala na tworzenie modeli predykcyjnych pomocnych w diagnozowaniu, określaniu stopnia zaawansowania choroby, przewidywaniu odpowiedzi na leczenie i ocenie rokowania. Radiomika znajduje zastosowanie szczególnie w onkologii, gdzie heterogenność guza widoczna w cechach radiomicznych może odzwierciedlać jego profil molekularny i biologiczne zachowanie.
Powiązane wpisy
- Leksykon chorób i schorzeń
Rak płuca – Rokowania, prognozy i postęp choroby
Rak płuca, szczególnie niedrobnokomórkowy rak płuca (NDRP), stanowi istotne wyzwanie kliniczne ze względu na niskie 5-letnie przeżycie na poziomie 18,6%. Standardowe metody oceny ryzyka oparte na stadium zaawansowania nie są wystarczająco precyzyjne, co potwierdza fakt, że nawet w stadium I umiera do 30% pacjentów w ciągu 5 lat. Modele prognostyczne, takie jak Lung Cancer Prognostic Index (LCPI), integrujące czynniki kliniczne, genetyczne i demograficzne, wykazują lepszą zdolność do stratyfikacji pacjentów i przewidywania przeżycia dwuletniego (od 84% do 5% w zależności od grupy LCPI). Genomika, w tym analiza mutacji somatycznych, obciążenia mutacjami nowotworowymi (TMB) oraz sygnatur genowych (np. 12-genowa sygnatura prognostyczna), odgrywa kluczową rolę w personalizacji terapii i prognozowaniu odpowiedzi na leczenie, zwłaszcza immunoterapię. Zaawansowane metody uczenia maszynowego, takie jak model kinetics-machine learning (kML) z indeksem c=0,79 oraz uczenie półnadzorowane (SSL) z dokładnością do 85%, poprawiają precyzję przewidywania przeżycia, wykorzystując dane kliniczne i radiomiczne z PET/CT.
biomarker molekularny, cecha radiomiczna, chemioterapia, chemioterapia adjuwantowa, dehydrogenaza mleczanowa, gruczolakorak płuca, immunoterapia, inhibitor kinazy tyrozynowej, mutacja somatyczna, niedrobnokomórkowy rak płuca, obciążenie mutacjami nowotworowymi, przeciwciało monoklonalne, radiomika, rak płaskonabłonkowy, stadium zaawansowania nowotworu, sygnatura genowa, terapia adjuwantowa, terapia celowana, wydolność krążeniowo-oddechowa - Leksykon chorób i schorzeń
Mięśniaki macicy – Rokowania, prognozy i postęp choroby
Precyzyjne prognozowanie skuteczności leczenia mięśniaków macicy metodą ablacji zogniskowaną wiązką ultradźwięków o wysokiej intensywności (HIFU) jest kluczowe dla optymalizacji terapii. Wykorzystanie zaawansowanych modeli radiomicznych opartych na algorytmie LightGBM pozwoliło na uzyskanie wysokich wartości AUC: 87,2 (95% CI=87,1-87,5) dla sekwencji T2WI oraz 84,8 (95% CI=84,6-85,7) dla CE-T1WI, co stanowi istotną poprawę w stosunku do wcześniejszych modeli z AUC na poziomie 82,2. Modele te analizują heterogeniczność strukturalną mięśniaków, wykorzystując cechy radiomiczne odzwierciedlające intensywność sygnału, które są silnie skorelowane z wynikami terapii HIFU.