分享:
分享到微信朋友圈
X
综述
影像组学在多发性骨髓瘤中的临床研究进展
赵祥博 赵海峰 杜雯娟 张皓

Cite this article as: ZHAO X B, ZHAO H F, DU W J, et al. Recent advances in radiomics for multiple myeloma diagnosis and prognosis[J]. Chin J Magn Reson Imaging, 2024, 15(9): 230-234.本文引用格式:赵祥博, 赵海峰, 杜雯娟, 等. 影像组学在多发性骨髓瘤中的临床研究进展[J]. 磁共振成像, 2024, 15(9): 230-234. DOI:10.12015/issn.1674-8034.2024.09.040.


[摘要] 多发性骨髓瘤(multiple myeloma, MM)是一种恶性浆细胞肿瘤,影像学检查在其诊治中发挥重要作用。然而,传统影像学方法难以深入分析肿瘤内部信息。近年来,影像组学作为一门新兴学科,通过高通量提取和分析医学影像中的定量特征,为深入挖掘肿瘤内部信息、揭示肿瘤微环境异质性提供了新的途径。随着人工智能技术的快速发展和临床研究的深入,影像组学有望成为MM精准诊疗的重要工具,为改善患者预后提供新的策略。本综述系统回顾了近年来发表的相关文献,全面概述了影像组学在MM诊断及鉴别诊断、预后评估和治疗反应监测方面的研究进展,并分析了其临床应用前景和面临的挑战,旨在为未来影像组学在MM临床实践中的应用和研究方向提供参考。
[Abstract] Multiple myeloma (MM) is a malignant plasma cell neoplasm, and medical imaging plays a crucial role in its diagnosis and management. However, traditional imaging modalities struggle to provide in-depth analysis of intratumoral heterogeneity. Radiomics, an emerging field that employs high-throughput extraction and analysis of quantitative imaging features, offers a novel approach to unraveling the complexities within the tumor microenvironment. Driven by rapid advancements in artificial intelligence and ongoing clinical research, radiomics holds immense promise as a valuable tool for precision diagnosis and treatment of MM, potentially leading to improved patient outcomes. This review provides a comprehensive overview of recent advancements in radiomics research for MM. We delve into its applications in diagnosis and differential diagnosis, prognostication, and treatment response monitoring, highlighting key findings and potential clinical implications. Furthermore, we critically analyze the current challenges and future directions of radiomics in MM, aiming to guide its clinical translation and research endeavors. This review serves as a valuable resource for clinicians and researchers alike, offering insights into the evolving landscape of radiomics in MM management and its potential to enhance patient care.
[关键词] 影像组学;多发性骨髓瘤;预后预测;精准医疗;磁共振成像
[Keywords] radiomics;multiple myeloma;prognosis prediction;precision medicine;magnetic resonance imaging

赵祥博 1, 2   赵海峰 1, 2   杜雯娟 1, 2   张皓 2*  

1 兰州大学第一临床医学院,兰州 730000

2 兰州大学第一医院放射科 甘肃省智能影像医学工程研究中心,兰州 730000

通信作者:张皓,E-mail: zhanghao@lzu.edu.cn

作者贡献声明::赵祥博、张皓参与研究方案的设计和稿件撰写,参与了论文重要内容的修改;赵祥博、赵海峰、杜雯娟负责资料收集、整理、分析,均参与了论文重要内容的修改;全体作者都同意发表最后的修改稿,同意对本研究的所有方面负责,确保本研究的准确性和诚信。


收稿日期:2024-05-21
接受日期:2024-09-10
中图分类号:R445.2  R733.3 
文献标识码:A
DOI: 10.12015/issn.1674-8034.2024.09.040
本文引用格式:赵祥博, 赵海峰, 杜雯娟, 等. 影像组学在多发性骨髓瘤中的临床研究进展[J]. 磁共振成像, 2024, 15(9): 230-234. DOI:10.12015/issn.1674-8034.2024.09.040.

0 引言

       多发性骨髓瘤(multiple myeloma, MM)是一种浆细胞恶性肿瘤,其特征是骨髓中克隆性浆细胞异常增殖,常伴有骨骼破坏、免疫功能异常和肾功能损害等多系统受累[1, 2, 3]。影像学检查在MM的诊断及预后预测等方面发挥了重要作用。传统影像学方法虽能快速评估患者病情,但主要依赖于对解剖结构和形态学变化的视觉评估,难以深入探究MM的内部病理特征、免疫微环境和生物学行为等深层次信息,从而限制了其在MM精准诊疗中的应用。近年来,影像组学作为一门新兴技术,通过高通量提取和分析医学影像中的定量特征,可识别视觉评估中难以识别的细微变化,为深入挖掘肿瘤内部信息、揭示MM生物学异质性提供了新的途径[4, 5, 6]

       国内外学者积极探索影像组学在MM中的应用价值,并在疾病诊断及治疗反应评估等方面取得了一系列重要进展[4, 7, 8]。然而,不同研究采用的影像数据获取、图像预处理、特征提取和模型构建方法尚未形成统一标准,且大多数研究集中于单一影像模态和特定临床问题,缺乏对多模态影像数据和多临床指标的整合分析,这在一定程度上限制了影像组学模型的泛化能力和临床应用价值,给其更广泛的临床应用带来了挑战。为此,本综述系统回顾了近年来影像组学在MM应用中的相关文献,重点阐述了其在诊断及鉴别诊断、治疗反应评估、预后预测等方面的研究现状和临床应用价值,并分析了当前研究存在的挑战和局限性,以期为未来影像组学在MM临床实践中的应用和研究方向提供参考。

1 影像组学概述

       影像组学概念由荷兰学者Lambin于2012年首次提出,它代表了一种从医学影像中获取深层次信息的新兴方法。通过高通量地提取大量的定量影像学特征,影像组学能够对医学影像进行更深入的挖掘和分析,超越传统影像学方法对解剖结构和形态学特征的表层评估,为临床医生全面了解疾病特征、制订精准诊疗方案提供了重要的参考依据。影像组学具有较为完整的流程:图像收集获取、图像分割、特征提取、特征选择、预测模型构建及评估[9, 10, 11]。图像收集获取因实际研究的临床问题而异,为获取高质量的图像,规范化扫描参数在图像采集过程中至关重要。图像分割指将图像分成若干特定具备独特属性的区域,并提取感兴趣目标的技术和过程。分割方式一般分为三类:手动分割、半自动分割以及全自动分割,不同的分割标准和算法会导致区域有差异。特征提取则是从分割后的影像中提取高通量的特征,以供算法和模型使用,是影像组学的核心步骤。影像组学特征分为两种即语义特征和非语义特征。语义特征指影像学征象:如凹陷征、中央坏死区等,也指影像描述中常用的特征:如位置、大小、形状等。非语义特征指用数学方法从图像中提取的特征,又可细分为形状特征、一阶、二阶和高阶特征等[12]。特征选择即特征降维,对于提取出的大量特征,通常需要降低和去除的是无关特征和冗余特征携带的信息,而尽可能保留相关的特征的信息。常用的特征筛选方法有最大相关最小冗余法、随机森林、最小绝对收缩和选择算子(least absolute shrinkage and selection operator, LASSO)回归等;模型构建是对选定的高度显著的特征输入分类器来进行进一步的分析和评估[13]

2 影像组学在MM领域的研究现状

2.1 MM诊断及鉴别诊断

       早期发现并评估骨髓浸润对诊断MM至关重要。传统影像学方法在评估MM骨髓浸润,常依赖于形态学改变的识别,难以精准量化,容易遗漏早期细微病灶[14]。影像组学可量化骨髓结构的复杂性和异质性,从而提供更深层次信息,提升MM早期诊断的敏感性。研究表明,CT纹理特征能够敏感地反映骨髓微结构的变化,能更敏感地捕捉到骨髓浸润的早期信号,并与MM患者的骨髓浸润程度、血清学指标以及疾病分期显著相关[7, 15]。此外,影像组学模型还可区分弥漫型和局灶型MM,帮助临床医生进行更精准的风险分层和治疗决策[16]

       影像组学在鉴别MM与其他具有相似影像学表现的疾病,例如溶骨性骨转移瘤方面也展现出巨大潜力。溶骨性骨转移瘤具有与MM相似的溶骨性改变,但它们具有不同的发病机制和治疗方案,误诊将显著影响患者的生存质量和生存率[17, 18]。传统的影像学诊断受主观因素影响,需要更稳定、准确的方法。多项研究表明影像组学方法可以有效区分MM与溶骨性骨转移瘤。XIONG等[19]提取了腰椎T1、T2矢状位图像的影像组学特征,并使用五种机器学习模型进行分类,发现基于T2序列的人工神经网络模型取得了最高的诊断效能。先前研究在类似的研究中进一步比较了不同特征数量对模型性能的影响,发现采用10EPV法则构建的逻辑回归模型能够在保证诊断性能的同时有效避免过拟合问题[20, 21]。除了MRI,CT影像组学在MM与骨转移瘤的鉴别诊断中也展现出良好应用前景。ÖZGÜL等[22]利用四肢平扫CT的影像组学特征构建了多种机器学习模型,其中K近邻模型表现最佳。LEE等[23]则发现,影像组学模型可以辅助放射科医师提高对MM溶骨性病变的诊断准确性。

       灰度共生矩阵(gray-level co-occurrence matrix, GLCM)特征已被多项研究证实对MM的鉴别诊断具有重要价值。GLCM特征通过计算图像中灰度级组合的数量、距离和角度等信息,能够有效地反映病灶内部的局部异质性变化。理论上,MM和骨转移瘤由于肿瘤细胞形态和排列方式的差异,其异质性也存在差异,而GLCM特征能够捕捉到这些细微的组织结构变化,从而为MM的诊断及鉴别诊断提供有价值的信息。

       为了进一步提高诊断效能,研究者探索了多参数联合诊断的价值。ZHANG等[24]结合常规临床数据、MRI常规特征和影像组学特征构建了联合列线图模型,结果显示联合模型的鉴别效能优于单独使用临床因素或影像组学特征构建的模型,梁皓昱等[25]的研究也得到了类似的结论。

       影像组学在MM诊断及鉴别诊断中展现出良好的应用前景。其中GLCM影像组学特征能够有效地反映病灶内部的异质性变化,为MM的诊断及鉴别诊断提供了有价值的信息,这也提示我们在未来的研究中,应该更加关注肿瘤异质性的量化分析。然而,现有研究仍存在样本量小、缺乏多中心验证、特征提取和模型构建方法不统一等局限性。未来需要开展更大规模、多中心、前瞻性的研究,并制定影像组学分析的标准化流程,以推动影像组学在MM诊断及鉴别诊断中的临床应用。

2.2 MM治疗反应

       传统影像学方法在评估MM治疗反应方面存在局限性。CT扫描对骨髓内微小浸润的敏感性较低,难以准确评估化疗的疗效。MRI虽然能够提供更详细的骨髓病变信息,但在病灶变化不明显时,其评估效果也受到限制。影像组学技术通过提取大量的定量影像学特征,能够更精确地反映治疗前后肿瘤的细微变化,为更准确、更敏感地评估MM治疗反应提供了新的途径[7]。先前研究通过对MM患者化疗前后中轴骨去钙图像进行纹理分析,发现完全缓解患者纹理特征的变化与MM血液学参数密切相关。其中一阶特征显著降低,二阶特征GLCM显著增加,这表明了治疗后组织均匀性的降低,可能是脂肪组织取代肿瘤细胞的结果[26, 27]。EKERT等[28]对化疗前后接受全身MRI(whole-body MRI, WB-MRI)的MM患者进行了类似的研究,发现T1、脂肪抑制(fat saturation, FS)-T2和表观扩散系数(apparent diffusion coefficient, ADC)序列图像上的部分纹理特征变化与MM的临床和血液学反应密切相关,完全缓解患者的局灶性病灶中灰度游程矩阵(gray-level run-length matrix, GLRLM)大小区域不均匀性及弥漫性病灶中GLRLM短游程高灰度优势均显著变化,这两个纹理特征的变化也反映了治疗后组织均匀性的降低,进一步证明了影像组学在预测治疗反应方面的潜力。影像组学模型在对特定化疗方案的疗效预测中也具有应用潜力,LI等[29]构建了一个基于腰椎MRI的影像组学预测模型,可以有效预测MM患者对硼替佐米、环磷酰胺和地塞米松方案的治疗反应。

       影像组学可以通过与肿瘤生物学行为和治疗敏感性相关的影像学特征,来预测MM患者的治疗反应。但影像组学模型的预测能力还需要与临床指标等进行比较,才能全面评估其临床价值。此外,不同治疗方案可能对影像组学特征产生不同影响,未来需要针对不同方案进行细化研究,以建立更精准的预测模型。

2.3 MM预后

       MM患者的疾病特征和预后存在显著差异,其中细胞遗传学异常(cytogenetic abnormalities, CA)是重要的影响因素之一。最新指南将伴有p53突变,del(17 p)、t(4; 14)、t(14; 16)、t(14; 20)和gain(1 p)的MM患者定义为高风险细胞遗传学异常(high risk cytogenetic abnormalities, HRCA)[30, 31]。HRCA患者的生存期较短,但通过适当的治疗,HRCA患者生存期可显著提升,故及时发现MM患者是否存在HRCA非常重要[1, 32, 33]。荧光原位杂交(fluorescence in situ hybridization, FISH)作为检测MM患者HRCA的金标准,有创性、肿瘤内异质性和样本质量等因素对其临床应用存在一定限制。因此,开发无创、全面的检测方法对于HRCA的及时诊断至关重要,影像组学为HRCA的无创诊断提供了新的可能性。LIU等利用脊柱矢状位MRI的T1、T2/FS-T2序列影像组学特征构建逻辑回归模型,并成功区分了HRCA和非HRCA患者。结果中结合T1和FS-T2序列的双序列模型表现最佳,GLSZM、GLRLM和一阶特征被证实为预测HRCA的关键特征[34, 35]。XIONG等[36]采用不同图像分割策略,基于L1-S2整体逐层勾画感兴趣区域,进一步证实了影像组学模型的预测价值。在二者研究中,相较于T1序列,FS-T2序列因其较长回波时间可提供更丰富的组织对比度信息,从而更敏感地反映MM病灶异质性,更有利于HRCA的预测。此外,基于FS-T2序列的影像组学模型选择的特征包括多种二阶特征和一阶特征,这些特征从不同的角度描述了MM的特征,这意味着每种类型的特征都可以作出贡献。影像组学模型为HRCA诊断提供了一种无创、高效的辅助手段。基于MRI影像组学的HRCA预测模型仍处于起步阶段,病灶分割方法待优化,未来需开发更加客观、自动化的分割算法以提高模型的鲁棒性。现有研究大多聚焦于影像组学特征,而较少纳入临床病理信息等多维度数据,未来需进一步优化模型构建策略,并结合临床、基因等多维度信息,以期建立更加精准、可靠的评估体系,从而指导临床个体化治疗决策。

       微小残留病(minimal residual disease, MRD)是MM患者治疗后体内残存的癌细胞数量,其反映了MM治疗缓解的深度,是强有力预后因素[1, 32, 37]。MRD的检测通常采用高敏感度技术,如多参数流式细胞术(multiparameter flow cytometry, MFC)和二代测序(next generation sequencing, NGS),由于MM细胞具有高度的空间特异性,仅使用基于骨髓的检测方法可能会低估患者体内的肿瘤负荷[38]。传统影像学方法在评估MM全身病灶方面具有优势,但其局限性也十分明显。由于无法检测骨髓微环境中的微小病变,且对某些类型病变的敏感性有限,传统影像学方法在MRD评估中的应用价值受到限制。基于MRI的结构性MRD评估无法区分活动性病变与非活动性病变,从而导致评估结果的准确性下降[39, 40, 41]。近年来,有研究证明影像组学用于评估MRD状态具有一定的潜力。影像组学可以从大规模图像中提取细微的异常来区分治疗后残留瘢痕或坏死组织引起的MRI假阳性病变与MRD病变[40, 42]。WU等[40]探究了基于MRI影像组学模型预测MM患者MRD情况,发现与单独使用影像组学模型或临床模型相比,综合模型预测MM患者化疗后MRD的效能较高。XIONG等[42]使用脊柱矢状位T1和FS-T2图像提取放射组学特征构建的支持向量机分类模型评估MRD状态,同样取得了较好的效能。影像组学可以提取大量的影像特征,包括形状、信号强度分布、纹理等,增加了发现与MRD相关特征的可能性。未来的研究可以结合基因组学、蛋白质组学等多组学数据,对影像特征进行更深入的生物学分析,以揭示MRD的潜在机制,并为开发新的治疗靶点提供线索。目前大多数MRD影像组学研究仅关注腰椎区域的骨髓病变,未考虑MM病灶的空间异质性,未来的研究可以考虑采用多区域ROI分析策略,以更全面地反映骨髓病变情况,提高模型的准确性。

       MM尽管引入了有效的疗法,但由于患者特征和MM固有的特征,其临床结局仍然具有高度异质性。患者应接受个性化干预,以获得足够的生活质量和延长生存期。因此,需要准确的预后预测标志物来辅助MM治疗[32, 37, 43]。目前临床实践中常用的危险分层模型有Durie-Salmon分期系统(D-S)、修订的国际分期系统(revised inter-national staging system, R-ISS)以及骨髓瘤和风险适应性治疗的马约分层(mSMART)[44]。许多研究报告了MRI和MM预后之间的相关性,表明MRI具有更准确的风险分层的潜在能力[45, 46]。近年来,许多研究探索了影像组学在不同类型癌症(如肝癌、乳腺癌等)中的预后预测能力[47, 48],故LI等[49]推测影像组学也可为MM患者的预测预后提供信息,其通过腰椎MRI中T1和FS-T2矢状位序列中提取并筛选特征,整合临床危险因素后构建联合列线图模型,并与临床模型、放射组学模型及其他传统危险分层模型进行比较。结果放射组学特征与MM患者总生存期显著相关性,并且联合列线图模型的预测能力最优[50]。影像组学能够从图像中提取出反映肿瘤微环境的影像特征,从而提供更全面、更客观的预后信息。未来的研究应深入探讨影像特征与MM发生发展过程中的具体病理生理机制之间的关联,以期为研究MM的发病机制提供新的见解。

3 不足及展望

       尽管影像组学在MM诊疗中展现出巨大潜力,但目前处于早期发展阶段,仍面临一些挑战。目前多数研究基于回顾性分析,样本量小,缺乏多中心验证,结果存在偏倚风险。未来需开展大样本、多中心、前瞻性研究,并制订统一的数据采集和分析标准,以验证现有模型的可靠性和普适性,并探索构建更精准的预测模型。影像组学模型的构建和验证高度依赖于影像数据的质量和一致性。然而,不同机构、不同设备之间存在较大差异,导致模型的可重复性和可推广性受限。未来需要建立标准化的影像采集和处理流程,例如制定统一的扫描参数、图像重建方法等,以减少数据偏差,提高模型的稳健性。影像组学仅反映了疾病的局部形态学特征,将其与临床资料、基因组学、蛋白质组学等多维度数据进行整合分析,才能更全面地刻画肿瘤的生物学特性,构建更精准的预测模型。未来需开发高效的数据整合算法和分析平台,实现多组学数据的深度融合,为MM患者提供更精准的风险分层、疗效预测和预后评估。

4 总结

       综上所述,影像组学作为一种新兴的定量影像分析方法,通过挖掘医学影像中隐藏的丰富信息,为MM的精准诊疗提供了新的视角和工具。其在早期诊断、疗效评估和预后预测方面展现出巨大潜力,有望为临床决策提供更精准的依据。然而,目前影像组学在MM诊疗中的应用仍处于起步阶段,面临着高质量临床研究缺乏、数据标准化程度低、多组学数据整合不足等挑战。未来需要开展多中心、多模态、前瞻性研究,以验证影像组学在MM诊断、预后评估和疗效监测中的价值,并为患者提供更精准的个体化诊疗方案。

[1]
杜鹃, 侯健. 《中国多发性骨髓瘤诊治指南》2022年修订诊断部分解读[J]. 中华内科杂志, 2022, 61(5): 463-465. DOI: 10.3760/cma.j.cn112138-20220316-00182.
DU J, HOU J. Interpretation of diagnosis of multiple myeloma in the guidelines for the diagnosis and management of multiple myeloma in China (2022 revision)[J]. Chin J Intern Med, 2022, 61(5): 463-465. DOI: 10.3760/cma.j.cn112138-20220316-00182.
[2]
张雨柔, 朱心雨, 郭立, 等. MRI在多发性骨髓瘤诊治中的研究进展[J]. 磁共振成像, 2023, 14(12): 192-197. DOI: 10.12015/issn.1674-8034.2023.12.035.
ZHANG Y R, ZHU X Y, GUO L, et al. Application progress of MRI in the diagnosis and treatment of multiple myeloma[J]. Chin J Magn Reson Imag, 2023, 14(12): 192-197. DOI: 10.12015/issn.1674-8034.2023.12.035.
[3]
KRAEBER-BODÉRÉ F, JAMET B, BEZZI D, et al. New developments in myeloma treatment and response assessment[J]. J Nucl Med, 2023, 64(9): 1331-1343. DOI: 10.2967/jnumed.122.264972.
[4]
ALIPOUR E, POOYAN A, SHOMAL ZADEH F, et al. Current status and future of artificial intelligence in MM imaging: a systematic review[J/OL]. Diagnostics, 2023, 13(21): 3372 [2024-05-15]. https://pubmed.ncbi.nlm.nih.gov/37958267/. DOI: 10.3390/diagnostics13213372.
[5]
GILLIES R J, KINAHAN P E, HRICAK H. Radiomics: images are more than pictures, they are data[J]. Radiology, 2016, 278(2): 563-577. DOI: 10.1148/radiol.2015151169.
[6]
BERA K, BRAMAN N, GUPTA A, et al. Predicting cancer outcomes with radiomics and artificial intelligence in radiology[J]. Nat Rev Clin Oncol, 2022, 19(2): 132-146. DOI: 10.1038/s41571-021-00560-7.
[7]
REINERT C P, KRIEG E, ESSER M, et al. Role of computed tomography texture analysis using dual-energy-based bone marrow imaging for multiple myeloma characterization: comparison with histology and established serologic parameters[J]. Eur Radiol, 2021, 31(4): 2357-2367. DOI: 10.1007/s00330-020-07320-8.
[8]
TAGLIAFICO A S, DOMINIETTO A, BELGIOIA L, et al. Quantitative imaging and radiomics in multiple myeloma: a potential opportunity?[J/OL]. Medicina, 2021, 57(2): 94 [2024-05-15]. https://www.ncbi.nlm.nih.gov/pmc/articles/PMC7912483/. DOI: 10.3390/medicina57020094.
[9]
LAMBIN P, RIOS-VELAZQUEZ E, LEIJENAAR R, et al. Radiomics: extracting more information from medical images using advanced feature analysis[J]. Eur J Cancer, 2012, 48(4): 441-446. DOI: 10.1016/j.ejca.2011.11.036.
[10]
LAMBIN P, LEIJENAAR R T H, DEIST T M, et al. Radiomics: the bridge between medical imaging and personalized medicine[J]. Nat Rev Clin Oncol, 2017, 14(12): 749-762. DOI: 10.1038/nrclinonc.2017.141.
[11]
YIP S S F, AERTS H J W L. Applications and limitations of radiomics[J]. Phys Med Biol, 2016, 61(13): R150-R166. DOI: 10.1088/0031-9155/61/13/R150.
[12]
谢凯, 孙鸿飞, 林涛, 等. 影像组学中特征提取研究进展[J]. 中国医学影像技术, 2017, 33(12): 1792-1796. DOI: 10.13929/j.1003-3289.201707022.
XIE K, SUN H F, LIN T, et al. Research progresses in feature extraction of radiomics[J]. Chin J Med Imag Technol, 2017, 33(12): 1792-1796. DOI: 10.13929/j.1003-3289.201707022.
[13]
史张, 刘崎. 影像组学技术方法的研究及挑战[J]. 放射学实践, 2018, 33(6): 633-636. DOI: 10.13609/j.cnki.1000-0313.2018.06.018.
SHI Z, LIU Q. Research and challenge of imaging technology and method[J]. Radiol Pract, 2018, 33(6): 633-636. DOI: 10.13609/j.cnki.1000-0313.2018.06.018.
[14]
ARIKAN F, YILDIZ Y, ERGELEN R, et al. The diagnostic value of abnormal bone marrow signal changes on magnetic resonance imaging: is bone marrow biopsy essential?[J/OL]. Curr Med Imaging, 2024 [2024-04-01]. https://www.eurekaselect.com/article/138997. DOI: 10.2174/0115734056267087231228124325.
[15]
PARK H, LEE S Y, LEE J, et al. Detecting multiple myeloma infiltration of the bone marrow on CT scans in patients with osteopenia: feasibility of radiomics analysis[J/OL]. Diagnostics, 2022, 12(4): 923 [2024-04-21]. https://www.ncbi.nlm.nih.gov/pmc/articles/PMC9025143/. DOI: 10.3390/diagnostics12040923.
[16]
TAGLIAFICO A S, CEA M, ROSSI F, et al. Differentiating diffuse from focal pattern on Computed Tomography in multiple myeloma: added value of a Radiomics approach[J/OL]. Eur J Radiol, 2019, 121: 108739 [2024-04-02]. https://www.ejradiology.com/article/S0720-048X(19)30389-4/abstract. DOI: 10.1016/j.ejrad.2019.108739.
[17]
YILDIRIM M, BAYKARA M. Differentiation of multiple myeloma and lytic bone metastases: histogram analysis[J]. J Comput Assist Tomogr, 2020, 44(6): 953-955. DOI: 10.1097/RCT.0000000000001086.
[18]
孟悛非, 江波, 陈应明. 脊椎转移瘤的CT表现研究: 对椎弓根征诊断意义的再认识[J]. 中华放射学杂志, 2000, 34(8): 13-17. DOI: 10.3760/j.issn:1005-1201.2000.08.004.
MENG Q F, JIANG B, CHEN Y M. CT study of vertebral metastasis: re-realization of the diagnostic role of the vertebral pedicle sign[J]. Chin J Radiol, 2000, 34(8): 13-17. DOI: 10.3760/j.issn:1005-1201.2000.08.004.
[19]
XIONG X, WANG J, HU S, et al. Differentiating between multiple myeloma and metastasis subtypes of lumbar vertebra lesions using machine learning-based radiomics[J/OL]. Front Oncol, 2021, 11: 601699 [2024-04-03]. https://pubmed.ncbi.nlm.nih.gov/33718148/. DOI: 10.3389/fonc.2021.601699.
[20]
LIU J F, GUO W, ZENG P E, et al. Vertebral MRI-based radiomics model to differentiate multiple myeloma from metastases: influence of features number on logistic regression model performance[J]. Eur Radiol, 2022, 32(1): 572-581. DOI: 10.1007/s00330-021-08150-y.
[21]
OGUNDIMU E O, ALTMAN D G, COLLINS G S. Adequate sample size for developing prediction models is not simply related to events per variable[J/OL]. J Clin Epidemiol, 2016, 76: 175-182 [2024-04-03]. https://link.springer.com/article/10.1007/s00256-023-04333-4. DOI: 10.1016/j.jclinepi.2016.02.031.
[22]
ÖZGÜL H A, AKIN I B, MUTLU U, et al. Diagnostic value of machine learning-based computed tomography texture analysis for differentiating multiple myeloma from osteolytic metastatic bone lesions in the peripheral skeleton[J]. Skeletal Radiol, 2023, 52(9): 1703-1711. DOI: 10.1007/s00256-023-04333-4.
[23]
LEE S, LEE S Y, KIM S, et al. Differentiating multiple myeloma and osteolytic bone metastases on contrast-enhanced computed tomography scans: the feasibility of radiomics analysis[J/OL]. Diagnostics, 2023, 13(4): 755 [2024-04-03]. https://www.ncbi.nlm.nih.gov/pmc/articles/PMC9955828/. DOI: 10.3390/diagnostics13040755.
[24]
ZHANG S, LIU M H, LI S, et al. An MRI-based radiomics nomogram for differentiating spinal metastases from multiple myeloma[J/OL]. Cancer Imaging, 2023, 23(1): 72 [2024-04-03]. https://pubmed.ncbi.nlm.nih.gov/37488622/. DOI: 10.1186/s40644-023-00585-4.
[25]
梁皓昱. 基于腰椎椎体MRI影像组学列线图鉴别多发性骨髓瘤和溶骨性转移瘤的研究[D]. 青岛: 青岛大学, 2023. DOI: 10.27262/d.cnki.gqdau.2023.001270.
LIANG H Y. Differentiation of multiple myeloma and osteolytic metastasis based on MRI histogram of lumbar vertebra[D].Qingdao: Qingdao University, 2023. DOI: 10.27262/d.cnki.gqdau.2023.001270.
[26]
REINERT C P, KRIEG E M, BÖSMÜLLER H, et al. Mid-term response assessment in multiple myeloma using a texture analysis approach on dual energy-CT-derived bone marrow images - A proof of principle study[J/OL]. Eur J Radiol, 2020, 131: 109214 [2024-04-05]. https://www.ejradiology.com/article/S0720-048X(20)30403-4/abstract. DOI: 10.1016/j.ejrad.2020.109214.
[27]
SONG M K, CHUNG J S, LEE J J, et al. Magnetic resonance imaging pattern of bone marrow involvement as a new predictive parameter of disease progression in newly diagnosed patients with multiple myeloma eligible for autologous stem cell transplantation[J]. Br J Haematol, 2014, 165(6): 777-785. DOI: 10.1111/bjh.12820.
[28]
EKERT K, HINTERLEITNER C, BAUMGARTNER K, et al. Extended texture analysis of non-enhanced whole-body MRI image data for response assessment in multiple myeloma patients undergoing systemic therapy[J/OL]. Cancers, 2020, 12(3): 761 [2024-04-03]. https://www.ncbi.nlm.nih.gov/pmc/articles/PMC7140042/. DOI: 10.3390/cancers12030761.
[29]
LI Y, YIN P, LIU Y, et al. Radiomics models based on magnetic resonance imaging for prediction of the response to bortezomib-based therapy in patients with multiple myeloma[J/OL]. Biomed Res Int, 2022, 2022: 6911246 [2024-04-03]. https://www.ncbi.nlm.nih.gov/pmc/articles/PMC9467708/. DOI: 10.1155/2022/6911246.
[30]
KUMAR S K, CALLANDER N S, ADEKOLA K, et al. Multiple myeloma, version 3.2021, NCCN clinical practice guidelines in oncology[J]. J Natl Compr Canc Netw, 2020, 18(12): 1685-1717. DOI: 10.6004/jnccn.2020.0057.
[31]
CALLANDER N S, BALJEVIC M, ADEKOLA K, et al. NCCN guidelines® insights: multiple myeloma, version 3.2022[J]. J Natl Compr Canc Netw, 2022, 20(1): 8-19. DOI: 10.6004/jnccn.2022.0002.
[32]
RAJKUMAR S V. Multiple myeloma: 2022 update on diagnosis, risk stratification, and management[J]. Am J Hematol, 2022, 97(8): 1086-1107. DOI: 10.1002/ajh.26590.
[33]
HANAMURA I. Multiple myeloma with high-risk cytogenetics and its treatment approach[J]. Int J Hematol, 2022, 115(6): 762-777. DOI: 10.1007/s12185-022-03353-5.
[34]
LIU J F, WANG C J, GUO W, et al. A preliminary study using spinal MRI-based radiomics to predict high-risk cytogenetic abnormalities in multiple myeloma[J]. Radiol Med, 2021, 126(9): 1226-1235. DOI: 10.1007/s11547-021-01388-y.
[35]
LIU J F, ZENG P E, GUO W, et al. Prediction of high-risk cytogenetic status in multiple myeloma based on magnetic resonance imaging: utility of radiomics and comparison of machine learning methods[J]. J Magn Reson Imaging, 2021, 54(4): 1303-1311. DOI: 10.1002/jmri.27637.
[36]
XIONG X, WANG J, HAO Z, et al. MRI-based bone marrow radiomics for predicting cytogenetic abnormalities in multiple myeloma[J/OL]. Clin Radiol, 2024, 79(4): e491-e499 [2024-04-03]. https://www.clinicalradiologyonline.net/article/S0009-9260(24)00007-2/abstract. DOI: 10.1016/j.crad.2023.12.014.
[37]
李娇, 王勤, 薛华丹, 等. MRI在多发性骨髓瘤预后预测中的研究进展[J]. 磁共振成像, 2023, 14(8): 192-196. DOI: 10.12015/issn.1674-8034.2023.08.034.
LI J, WANG Q, XUE H D, et al. Application progress of MRI in the prognostic prediction of multiple myeloma[J]. Chin J Magn Reson Imag, 2023, 14(8): 192-196. DOI: 10.12015/issn.1674-8034.2023.08.034.
[38]
MACLACHLAN K H, CAME N, DIAMOND B, et al. Minimal residual disease in multiple myeloma: defining the role of next generation sequencing and flow cytometry in routine diagnostic use[J]. Pathology, 2021, 53(3): 385-399. DOI: 10.1016/j.pathol.2021.02.003.
[39]
BÖCKLE D, TABARES P, ZHOU X, et al. Minimal residual disease and imaging-guided consolidation strategies in newly diagnosed and relapsed refractory multiple myeloma[J]. Br J Haematol, 2022, 198(3): 515-522. DOI: 10.1111/bjh.18249.
[40]
WU Z J, WANG H X, ZHENG Y M, et al. Lumbar MR-based radiomics nomogram for detecting minimal residual disease in patients with multiple myeloma[J]. Eur Radiol, 2023, 33(8): 5594-5605. DOI: 10.1007/s00330-023-09540-0.
[41]
BERTAMINI L, D'AGOSTINO M, GAY F. MRD assessment in multiple myeloma: progress and challenges[J]. Curr Hematol Malig Rep, 2021, 16(2): 162-171. DOI: 10.1007/s11899-021-00633-5.
[42]
XIONG X, ZHU Q, ZHOU Z, et al. Discriminating minimal residual disease status in multiple myeloma based on MRI: utility of radiomics and comparison of machine-learning methods[J/OL]. Clin Radiol, 2023, 78(11): e839-e846 [2024-04-06]. https://www.clinicalradiologyonline.net/article/S0009-9260(23)00318-5/abstract. DOI: 10.1016/j.crad.2023.07.011.
[43]
RODRIGUEZ-OTERO P, PAIVA B, SAN-MIGUEL J F. Roadmap to cure multiple myeloma[J/OL]. Cancer Treat Rev, 2021, 100: 102284 [2024-04-06]. https://www.cancertreatmentreviews.com/article/S0305-7372(21)00132-8/fulltext. DOI: 10.1016/j.ctrv.2021.102284.
[44]
WALLINGTON-BEDDOE C T, MYNOTT R L. Prognostic and predictive biomarker developments in multiple myeloma[J/OL]. J Hematol Oncol, 2021, 14(1): 151 [2024-04-06]. https://pubmed.ncbi.nlm.nih.gov/34556161/. DOI: 10.1186/s13045-021-01162-7.
[45]
ZHANG L, WANG Q, WU X, et al. Baseline bone marrow ADC value of diffusion-weighted MRI: a potential independent predictor for progression and death in patients with newly diagnosed multiple myeloma[J]. Eur Radiol, 2021, 31(4): 1843-1852. DOI: 10.1007/s00330-020-07295-6.
[46]
MOULOPOULOS L A, DIMOPOULOS M A, CHRISTOULAS D, et al. Diffuse MRI marrow pattern correlates with increased angiogenesis, advanced disease features and poor prognosis in newly diagnosed myeloma treated with novel agents[J]. Leukemia, 2010, 24(6): 1206-1212. DOI: 10.1038/leu.2010.70.
[47]
朱雪琳, 伍建林. MRI影像组学预测乳腺癌新辅助化疗疗效及预后研究进展[J]. 磁共振成像, 2022, 13(3): 159-161, 165. DOI: 10.12015/issn.1674-8034.2022.03.038.
ZHU X L, WU J L. Application progress of MRI radiomics in the efficacy and prognosis of neoadjuvant chemotherapy for breast cancer[J]. Chin J Magn Reson Imag, 2022, 13(3): 159-161, 165. DOI: 10.12015/issn.1674-8034.2022.03.038.
[48]
韩玉齐, 魏靖伟, 蒋涵羽, 等. 影像组学研究进展及其在肝癌中的临床应用[J]. 中国科学(生命科学), 2020, 50(11): 1309-1320. DOI: 10.1360/SSV-2019-0230.
HAN Y Q, WEI J W, JIANG H Y, et al. Research progress and clinical application of radiomics in hepatocellular carcinoma[J]. Sci Sin Vitae, 2020, 50(11): 1309-1320. DOI: 10.1360/SSV-2019-0230.
[49]
LI Y, LIU Y, YIN P, et al. MRI-based bone marrow radiomics nomogram for prediction of overall survival in patients with multiple myeloma[J/OL]. Front Oncol, 2021, 11: 709813 [2024-04-06] .https://www.ncbi.nlm.nih.gov/pmc/articles/PMC8671997/. DOI: 10.3389/fonc.2021.709813.
[50]
COOK J, RAJENDRAN K, FERRERO A, et al. Photon counting detector computed tomography: a new frontier of myeloma bone disease evaluation[J]. Acta Haematol, 2023, 146(5): 419-423. DOI: 10.1159/000531461.

上一篇 MRI在椎间盘退变导致的椎间盘源性下腰痛诊断与评估中的应用进展
下一篇 《大“医”思政——“健康中国”课程实录》:思想政治教育与医学人文教育有机融合
  
诚聘英才 | 广告合作 | 免责声明 | 版权声明
联系电话:010-67113815
京ICP备19028836号-2