Artificial intelligence-based MRI radiomics and radiogenomics in glioma

Haiqing Fan ^# 1, Yilin Luo ^# 1, Fang Gu ¹, Bin Tian ¹, Yongqin Xiong ¹, Guipeng Wu ¹, Xin Nie ¹, Jing Yu ¹, Juan Tong ¹, Xin Liao ²

Affiliations Expand

·         PMID: 38486342

·         PMCID: PMC10938723

·         DOI: 10.1186/s40644-024-00682-y

Abstract

The specific genetic subtypes that gliomas exhibit result in variable clinical courses and the need to involve multidisciplinary teams of neurologists, epileptologists, neurooncologists and neurosurgeons. Currently, the diagnosis of gliomas pivots mainly around the preliminary radiological findings and the subsequent definitive surgical diagnosis (via surgical sampling). Radiomics and radiogenomics present a potential to precisely diagnose and predict survival and treatment responses, via morphological, textural, and functional features derived from MRI data, as well as genomic data. In spite of their advantages, it is still lacking standardized processes of feature extraction and analysis methodology among different research groups, which have made external validations infeasible. Radiomics and radiogenomics can be used to better understand the genomic basis of gliomas, such as tumor spatial heterogeneity, treatment response, molecular classifications and tumor microenvironment immune infiltration. These novel techniques have also been used to predict histological features, grade or even overall survival in gliomas. In this review, workflows of radiomics and radiogenomics are elucidated, with recent research on machine learning or artificial intelligence in glioma.

Keywords: Artificial intelligence; Glioma; MRI; Machine learning; Radiogenomics; Radiomics.

Abstract

1. 교종(Glioma)의 진단

• 교종은 유전학적 아형(genetic subtype)에 따라 임상 경과가 다양하게 나타나며, 이에 따라 신경과, 뇌전증, 신경종양, 신경외과 등 다학제 진료(multidisciplinary team)가 필요하다.

• 현재 교종의 진단은 초기 MRI 등의 영상의학적 소견을 바탕으로 이루어지며, 수술을 통한 조직 채취(surgical sampling) 후 병리학적 검사를 통해 최종 확진된다.

2. Radiomics와 Radiogenomics의 역할

• Radiomics와 Radiogenomics는 MRI에서 추출한 형태학적(morphological), 조직학적(textural), 기능적(functional) 특징(feature)과 유전체(genomic) 정보를 활용하여 다음과 같은 정보를 예측할 수 있는 잠재력을 가진다.

  • 정확한 진단

  • 생존율(Survival)

  • 치료 반응(Treatment response)

3. 현재의 한계

• 연구기관마다 Feature 추출(feature extraction) 및 분석 방법(analysis methodology)이 표준화되어 있지 않다.

• 따라서 연구 결과의 외부 검증(external validation)이 어려워, 아직 임상 적용에는 제한이 있다.

4. 임상적 활용 가능성

Radiomics와 Radiogenomics는 다음과 같은 교종의 생물학적 특성을 이해하는 데 활용될 수 있다.

• 종양의 공간적 이질성(Spatial heterogeneity) 

• 치료 반응(Treatment response) 

• 분자 분류(Molecular classification) 

• 종양 미세환경의 면역세포 침윤(Tumor microenvironment immune infiltration) 

또한 다음과 같은 임상 정보의 예측에도 활용되고 있다.

• 조직학적 특성(Histological features)

• 종양 등급(Tumor grade)

• 전체 생존기간(Overall survival)

5. 본 논문의 목적

• Radiomics와 Radiogenomics의 전체 Workflow 설명

• Machine Learning 및 Artificial Intelligence를 활용한 교종(Glioma)의 최신 연구 동향 소개
  

  

  Figure 1. Radiomics 연구를 위한 일반적인 처리 과정(Pipeline)

  이 순서도(flowchart)는 교종(glioma)의 MRI 영상으로부터 radiomic feature를 분석하기 위해 필요한 주요 처리 과정을 보여준다.

  먼저, 두개골 제거(skull stripping)와 영상 인공물(artifact)(bias field, noise 등)을 제거한 후, 획득한 MRI 영상은 표준화(standardization) 및 분할(segmentation) 과정을 거쳐 관심영역(Regions of Interest, ROI)을 추출한다.

  이후 ROI의 영상 마스크(image masks)로부터 기존(conventional) radiomics 방법 또는 딥러닝(deep learning) 기반 방법을 이용하여 radiomic feature를 추출한다.

  그 다음, 의미 있는(feature selection) 특징을 선별한 후, 고급 통계 분석(advanced statistical analysis)을 수행하여 radiomic feature를 분류하고 상관관계를 분석한다. 이 과정에는 머신러닝(machine learning) 또는 딥러닝(deep learning) 기법을 이용한 특징 선택(feature selection), 분류(classification) 및 교차검증(cross-validation)이 포함된다.

  마지막으로, 구축된 모델을 평가하기 위해 다음과 같은 예측 결과(endpoint)를 산출한다.