BACKGROUND: Bladder cancer is one of the most common urinary malignancies. Tumor grade is a key predictor for treatment strategy. In addition to a histopathological examination after transurethral resection, texture analysis of magnetic resonance images (MRI) is used to grade tumors. AIM: The study aimed to evaluate the diagnostic value of texture analysis of MR images in differentiating well-differentiated/moderately differentiated (G1/2) and poorly differentiated (G3) bladder cancers, compare the performance of 2D and 3D segmentation techniques, compare different algorithms (LASSO, LASSO AutoML, Extra Trees, KNN, Random Forest, XGBoost, and LightXGB) in constructing predictive models based on texture features, and select the most optimal one based on the main performance metrics. METHODS: This retrospective study included 95 patients with bladder cancer. The patient data were randomly divided into a training set and a test set in a ratio of 80:20. A standard pelvic MRI scan with intravenous contrast enhancement was performed using 1.5/3 T scanners. All images were preprocessed by resampling to a fixed voxel size of 1 mm × 1 mm × 1 mm. Texture analysis included three pulse sequences: T2-weighted images, diffusion-weighted images with a b-value of 800/1000 s/mm2, and apparent diffusion coefficient maps. Both 2D and 3D segmentation was performed. RESULTS: The XGBoost (eXtreme Gradient Boosting) algorithm outperformed other 2D and 3D radiomics models for grading bladder cancer. The 2D XGBoost radiomics model included 39 texture metrics. On the test set, the model had an area under the curve (AUC) of 72.9%, accuracy of 78.9%, sensitivity of 80%, and specificity of 78.6%. The 3D XGBoost radiomics model included 23 texture metrics. On the test set, this model had an AUC of 82.9%, accuracy of 78.9%, sensitivity of 80%, and specificity of 78.6%. CONCLUSION: Texture analysis of MR images can be used to grade bladder cancer. Among predictive radiomics models, the XGBoost algorithm demonstrated the highest predictive value. Both 2D and 3D segmentation allow for the same level of accuracy in predicting tumor grade.
Обоснование. Среди злокачественных новообразований мочевыделительной системы одним из наиболее распространённых является рак мочевого пузыря. Ключевым прогностическим фактором, определяющим тактику лечения, является степень дифференцировки опухоли. Для определения степени дифференцировки опухоли в дополнение к гистологическому исследованию после трансуретральной резекции используют текстурный анализ магнитно-резонансных томограмм (МРТ). Цель исследования — определить диагностическую значимость текстурного анализа МР-изображений в разграничении высоко-/умеренно дифференцированных (G1/2) и низкодифференцированных (G3) опухолей мочевого пузыря; сравнить результаты применения двух режимов (2D и 3D) сегментации МР-изображений; сравнить различные алгоритмы (LASSO, LASSO AutoML, Extra Trees, KNN, Random Forest, XGBoost и LightXGB), позволяющие построить модели для прогнозирования степени дифференцировки рака мочевого пузыря на основе текстурных показателей-предикторов и выбрать наиболее оптимальный по основным метрикам качества. Методы. Данные 95 больных раком мочевого пузыря, включённых в ретроспективное исследование, были разделены случайным образом на обучающую и тестовую выборки в соотношении 80:20. Проанализированы МРТ органов малого таза, выполненные с внутривенным контрастированием по стандартному протоколу на томографах с индукцией магнитного поля 1,5/3 Тл. Ко всем изображениям была применена предварительная обработка, заключающаяся в использовании заданного размера вокселя 1×1×1 мм. В текстурный анализ включались три импульсные последовательности (Т2-взвешенные изображения, T2-WI; диффузионно-взвешенные изображения, DWI, с b-фактором 800/1000 c/мм2; карты измеряемого коэффициента диффузии, ADC). Сегментация изображений проводилась в 2D- и 3D-режимах. Результаты. Применение метода градиентного бустинга XGBoost позволяет достичь большей эффективности 2D- и 3D-радиомических моделей в решении задачи классификации рака мочевого пузыря по степени дифференцировки. В 2D-радиомическую модель XGBoost вошло 39 текстурных показателей. Модель на тестовой выборке характеризовалась площадью под кривой (AUC) 72,9%, точностью 78,9%, чувствительностью 80,0%, специфичностью 78,6%. В 3D-радиомическую модель XGBoost вошло 23 текстурных показателя. Модель на тестовой выборке характеризовалась AUC 82,9%, точностью 78,9%, чувствительностью 80,0%, специфичностью 78,6%. Заключение. Текстурный анализ МРТ может применяться для решения задачи классификации рака мочевого пузыря по степени дифференцировки, а применение алгоритма градиентного бустинга XGBoost позволяет добиться наилучших предиктивных качеств прогностических моделей. Применение как 2D-, так и 3D-сегментации позволяет с одинаковой точностью прогнозировать степень дифференцировки рака мочевого пузыря.