Use of radiomics and dosiomics to identify predictors of radiation induced lung injury

Cover Image

Cite item

Full Text

Abstract

BACKGROUND: Radiomics is a machine learning based technology that extracts, analyzes, and interprets quantitative features from digital medical images. In recent years, dosiomics has become an increasingly common term in the literature to describe a new radiomics method. Dosiomics is a texture analysis method for evaluating radiotherapy dose distribution patterns. Most of the published research in dosiomics evaluates its use in predicting radiation induced lung injury.

AIM: The aim of the study was to identify predictors (biomarkers) of radiation induced lung injury using texture analysis of computed tomography (CT) images of lungs and chest soft tissues using radiomics and dosiomics.

MATERIALS AND METHODS: The study used data from 36 women with breast cancer who received postoperative conformal radiation therapy. Retrospectively, the patients were divided into two groups according to the severity of post radiation lung lesions. 3D Slicer was used to evaluate CT results of all patients obtained during radiation treatment planning and radiation dose distribution patterns. The software was able to unload radiomic and dosiomic features from regions of interest. The regions of interest included chest soft tissue and lung areas on the irradiated side where the dose burden exceeded 3 and 10 Gy.

RESULTS: The first group included 13 patients with minimal radiation induced lung lesions, and the second group included 23 patients with post radiation pneumofibrosis. In the lung area on the side irradiated with more than 3 Gy, statistically significant differences between the patient groups were obtained for three radiomic features and one dosiomic feature. In the lung area on the side irradiated with more than 10 Gy, statistically significant differences were obtained for 12 radiomic features and 1 dosiomic feature. In the area of chest soft tissues on the irradiated side, significant differences were obtained for 18 radiomic features and 4 dosiomic features.

CONCLUSIONS: As a result, a number of radiomic and dosiomic features were identified which were statistically different in patients with minimal lesions and pulmonary pneumofibrosis following radiation therapy for breast cancer. Based on texture analysis, predictors (biomarkers) were identified to predict post radiation lung injury and identify higher risk patients.

About the authors

Nikolay V. Nudnov

Russian Scientific Center of Roentgenoradiology; Russian Medical Academy of Continuous Professional Education; Peoples’ Friendship University of Russia

Author for correspondence.
Email: nudnov@rncrr.ru
ORCID iD: 0000-0001-5994-0468
SPIN-code: 3018-2527

MD, Dr. Sci. (Medicine), Professor

Russian Federation, Moscow; Moscow; Moscow

Vladimir M. Sotnikov

Russian Scientific Center of Roentgenoradiology

Email: vmsotnikov@mail.ru
ORCID iD: 0000-0003-0498-314X
SPIN-code: 3845-0154

MD, Dr. Sci. (Medicine), Professor

Russian Federation, Moscow

Mikhail E. Ivannikov

Russian Scientific Center of Roentgenoradiology

Email: ivannikovmichail@gmail.com
ORCID iD: 0009-0007-0407-0953
SPIN-code: 3419-2977

MD

Russian Federation, Moscow

Elina S.-A. Shakhvalieva

Russian Scientific Center of Roentgenoradiology

Email: shelina9558@gmail.com
ORCID iD: 0009-0000-7535-8523

MD

Russian Federation, Moscow

Aleksandr A. Borisov

Russian Scientific Center of Roentgenoradiology

Email: aleksandrborisov10650@gmail.com
ORCID iD: 0000-0003-4036-5883
SPIN-code: 4294-4736

MD

Russian Federation, Moscow

Vasiliy V. Ledenev

Central Clinical Military Hospital

Email: Ledenevvv007@gmail.com
ORCID iD: 0000-0002-2856-2107
SPIN-code: 2791-0329

MD, Cand. Sci. (Medicine)

Russian Federation, Moscow

Aleksei Yu. Smyslov

Russian Scientific Center of Roentgenoradiology

Email: smyslov.ay@gmail.com
ORCID iD: 0000-0002-6409-6756
SPIN-code: 9341-0037

Cand. Sci. (Engineering)

Russian Federation, Moscow

Alina V. Ananina

Russian Scientific Center of Roentgenoradiology

Email: vastruhina.a.v@yandex.ru
ORCID iD: 0009-0002-4562-9729
SPIN-code: 9699-7690
Russian Federation, Moscow

References

  1. Khmelevsky EV, Kaprin AD. The state of a radiotherapy service in Russia: Comparative analysis and prospects for development. P.A. Herzen Journal of Oncology. 2017;6(4):38-41. EDN: ZFCHGJ doi: 10.17116/onkolog20176438-41
  2. Kuipers ME, van Doorn Wink KCJ, Hiemstra PS, Slats AM. Predicting radiation induced lung injury in lung cancer patients — challenges and opportunities: Predicting radiation induced lung injury. Int J Radiat Oncol Biol Phys. 2023;118(3):639–649. doi: 10.1016/j.ijrobp.2023.10.044
  3. Mayerhoefer ME, Materka A, Langs G, et al. Introduction to Radiomics. J Nucl Med. 2020;61(4):488–495. doi: 10.2967/jnumed.118.222893
  4. Radiomic Features: pyradiomics v3.0.1.post15+g2791e23 documentation [Internet]. [cited 25 Nov 2023]. Available from: https://pyradiomics.readthedocs.io/en/latest/features.html#.
  5. Avanzo M, Stancanello J, Pirrone G, Sartor G. Radiomics and deep learning in lung cancer. Strahlenther Onkol. 2020;196(10):879–887. doi: 10.1007/s00066-020-01625-9
  6. Gabryś HS, Buettner F, Sterzing F, et al. Design and selection of machine learning methods using radiomics and dosiomics for normal tissue complication probability modeling of xerostomia. Front Oncol. 2018;8:35. doi: 10.3389/fonc.2018.00035
  7. Solodkiy VA, Nudnov NV, Ivannikov ME, et al. Dosiomics in the analysis of medical images and prospects for its use in clinical practice. Digital Diagnostics. 2023;4(3):340–355. EDN: EQRWGJ doi: 10.17816/DD420053
  8. Arroyo Hernández M, Maldonado F, Lozano Ruiz F, et al. Radiation induced lung injury: Current evidence. BMC Pulm Med. 2021;21(1):9. doi: 10.1186/s12890-020-01376-4
  9. Rahi MS, Parekh J, Pednekar P, et al. Radiation Induced Lung Injury — Current Perspectives and Management. Clin Pract. 2021;11(3):410–429. doi: 10.3390/clinpract11030056
  10. Yan Y, Fu J, Kowalchuk RO, et al. Exploration of radiation induced lung injury, from mechanism to treatment: a narrative review. Transl Lung Cancer Res. 2022;11(2):307–322. doi: 10.21037/tlcr-22-108
  11. Gladilina IA, Shabanov MA, Kravets OA, et al. Radiation Induced Lung Injury. Journal of oncology: diagnostic radiology and radiotherapy. 2020;3(2):9–18. EDN: SKOAAY doi: 10.37174/2587-7593-2020-3-2-9-18
  12. Nudnov NV, Sotnikov VM, Ledenev VV, Baryshnikova DV. Features a Qualitative Assessment of Radiation Induced Lung Damage by CT. Medical Visualization. 2016;(1):39–46. EDN: VWOIIB
  13. Ledenev VV. Methodology for quantitative assessment of radiation damage to lungs in cancer patients using CT [dissertation]. Moscow, 2023. Available from: https://www.rncrr.ru/nauka/dissertatsionnyysovet/obyavleniyaozashchitakh/upload%202023/Леденев_ Диссертация.pdf (In Russ.) EDN: YBWROM
  14. Zhou C, Yu J. Chinese expert consensus on diagnosis and treatment of radiation pneumonitis. Prec Radiat Oncol. 2022;6(3):262–271. doi: 10.1002/pro6.1169
  15. Konkol M, Śniatała P, Milecki P. Radiation induced lung injury — what do we know in the era of modern radiotherapy? Rep Pract Oncol Radiother. 2022;27(3):552–565. doi: 10.5603/RPOR.a2022.0046
  16. Shaymuratov RI. Radiation induced lung injury. A review. The Bulletin of Contemporary Clinical Medicine. 2020;13(3):63–73. EDN: BIZZHU doi: 10.20969/VSKM.2020.13(3).63-73
  17. D Slicer image computing platform [Internet]. [cited 25 Nov 2023]. Available from: https://www.slicer.org/
  18. Wang L, Gao Z, Li C, et al. Computed Tomography Based Delta Radiomics Analysis for Discriminating Radiation Pneumonitis in Patients With Esophageal Cancer After Radiation Therapy. Int J Radiat Oncol Biol Phys. 2021;111(2):443–455. doi: 10.1016/j.ijrobp.2021.04.047
  19. Begosh Mayne D, Kumar SS, Toffel S, et al. The dose response characteristics of four NTCP models: using a novel CT-based radiomic method to quantify radiation-induced lung density changes. Sci Rep. 2020;10(1):10559. doi: 10.1038/s41598-020-67499-0
  20. Korpela E, Liu SK. Endothelial perturbations and therapeutic strategies in normal tissue radiation damage. Radiat Oncol. 2014;9:266. doi: 10.1186/s13014-014-0266-7
  21. Zhao L, Sheldon K, Chen M, et al. The predictive role of plasma TGF-beta1 during radiation therapy for radiation induced lung toxicity deserves further study in patients with non small cell lung cancer. Lung Cancer. 2008;59(2):232–239. doi: 10.1016/j.lungcan.2007.08.010
  22. Chen S, Zhou S, Zhang J, et al. A neural network model to predict lung radiation induced pneumonitis. Med Phys. 2007;34(9):3420–3427. doi: 10.1118/1.2759601
  23. Jain V, Berman AT. Radiation Pneumonitis: Old Problem, New Tricks. Cancers (Basel). 2018;10(7):222. doi: 10.3390/cancers10070222
  24. Huang Y, Feng A, Lin Y, et al. Radiation pneumonitis prediction after stereotactic body radiation therapy based on 3D dose distribution: Dosiomics and/or deep learning-based radiomics features. Radiat Oncol. 2022;17(1):188. doi: 10.1186/s13014-022-02154-8
  25. Zhang Z, Wang Z, Yan M, et al. Radiomics and dosiomics signature from whole lung predicts radiation pneumonitis: A model development study with prospective external validation and decision curve analysis. Int J Radiat Oncol Biol Phys. 2023;115(3):746–758. doi: 10.1016/j.ijrobp.2022.08.047
  26. Puttanawarut C, Sirirutbunkajorn N, Khachonkham S, et al. Biological dosiomic features for the prediction of radiation pneumonitis in esophageal cancer patients. Radiat Oncol. 2021;16(1):220. doi: 10.1186/s13014-021-01950-y
  27. Liang B, Yan H, Tian Y, et al. Dosiomics: Extracting 3D spatial features from dose distribution to predict incidence of radiation pneumonitis. Front Oncol. 2019;(9):269.doi: 10.3389/fonc.2019.00269
  28. Liang B, Tian Y, Chen X, et al. Prediction of radiation pneumonitis with dose distribution: A convolutional neural network (CNN) based model. Front Oncol. 2020;9:1500. doi: 10.3389/fonc.2019.01500
  29. Adachi T, Nakamura M, Shintani T, et al. Multi institutional dose segmented dosiomic analysis for predicting radiation pneumonitis after lung stereotactic body radiation therapy. Med Phys. 2021;48(4):1781–1791. doi: 10.1002/mp.14769
  30. Zheng X, Guo W, Wang Y, et al. Multi omics to predict acute radiation esophagitis in patients with lung cancer treated with intensity modulated radiation therapy. Eur J Med Res. 2023;28(1):126. doi: 10.1186/s40001-023-01041-6

Supplementary files

Supplementary Files
Action
1. JATS XML
Download
2. Fig. 1. Computed tomography of the chest organs of patients 6 months after radiation therapy: a — minimal post—radiation changes in the left lung; b - pronounced post-radiation pneumofibrosis in the right lung.

Download (112KB)
Indexing metadata

Copyright (c) 2024 Eco-Vector

Creative Commons License
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».