Категория PI-RADS 3: возможности текстурного анализа в стратификации риска рака предстательной железы (систематический обзор)

Вход
Регистрация
Помощь

Выбрать БД

ЖурналыСоздатель/АффиляцияЭнциклопедия MeSH

Простой поискРасширенный поискИстория поисков

ГлавнаяРезультаты поиска

Статья; ОбзорDIGIT DIAGNOST. 2025 Март 25; Т. 6, № 1: 33–45. DOI:10.17816/DD633500

Категория PI-RADS 3: возможности текстурного анализа в стратификации риска рака предстательной железы (систематический обзор)

Тян А.С.^[1]

Кармазановский Г.Г.^[1,2]

Карельская Н.А.^[1]

Кондратьев Е.В.^[1]

Грицкевич А. А.^[1]

Калинин Д.В.^[1]

Ковалев А.Д.^[1]

Баева А.И.^[1]

^[1]«Национальный медицинский исследовательский центр хирургии имени А.В.Вишневского» Министерства здравоохранения Российской Федерации

^[2]«Краевая клиническая больница Ставропольского края»

Обоснование. Изменения предстательной железы категории PI RADS 3 — клиническая ситуация, требующая повышения точности диагностики и минимизации применения инвазивных методов. Изучение потенциальной ценности текстурного анализа изображений магнитно-резонансной томографии в стратификации риска рака предстательной железы является актуальной задачей современной медицинской диагностики.

Цель — систематизация и анализ современных данных о применении текстурного анализа для стратификации риска рака предстательной железы у пациентов с категорией PI-RADS 3, а также оценка его диагностической значимости в дифференциации клинически значимого и клинически незначимого рака предстательной железы.

Материалы и методы. Отобраны и проанализированы статьи, опубликованные за последние 7 лет, найденные в базах данных реферативной и аналитической информации о научных исследованиях (Medline, Scopus) с использованием поисковых систем (PubMed, Google Scholar, eLibrary). Применяли ключевые слова, связанные с текстурным анализом и радиомикой в контексте диагностики и стратификации риска рака предстательной железы.

Результаты. Анализ отобранных публикаций показал, что применение машинного обучения и текстурного анализа значительно повышает точность диагностики рака предстательной железы. Эти методы позволяют более точно стратифицировать риски и определять реальную потребность в биопсии при раке предстательной железы, что потенциально ведёт к снижению количества ненужных инвазивных процедур.

Заключение. Текстурный анализ обладает возможностями для улучшения диагностической точности в случае изменений предстательной железы категории PI-RADS 3. Однако для его широкого клинического применения необходимо провести дополнительные исследования, направленные на стандартизацию методик, и мультицентровые клинические испытания.

рак предстательной железы

PI-RADS 3

текстурный анализ

радиомика

магнитно-резонансная томография

клинически значимый рак предстательной железы

Westphalen AC, McCulloch CE, Anaokar JM, et al. Variability of the Positive Predictive Value of PI-RADS for Prostate MRI across 26 Centers: Experience of the Society of Abdominal Radiology Prostate Cancer Disease-focused Panel. Radiology. 2020;296(1):76–84. doi: 10.1148/radiol.2020190646 EDN: FJNEKA.
DOI: 10.1148/radiol.2020190646 EDN: FJNEKA

Wadera A, Alabousi M, Pozdnyakov A, et al. Impact of PI-RADS Category 3 lesions on the diagnostic accuracy of MRI for detecting prostate cancer and the prevalence of prostate cancer within each PI-RADS category: a systematic review and meta-analysis. The British Journal of Radiology. 2020;94(1118):20191050. doi: 10.1259/bjr.20191050.
DOI: 10.1259/bjr.20191050

Satei AM, Kaur M, MacLean J, Hakim B. Review of clinically significant cancer in lesions labeled PI-RADS 3 on MRI using PI-RADS Version 2.1. Applied Radiology. 2023;(1 Suppl.):13–19.

Barkovich EJ, Shankar PR, Westphalen AC. A systematic review of the existing prostate imaging reporting and data system version 2 (PI-RADSv2) literature and subset meta-analysis of PI-RADSv2 categories stratified by Gleason Scores. American Journal of Roentgenology. 2019;212(4):847–854. doi: 10.2214/AJR.18.20571.
DOI: 10.2214/AJR.18.20571

Stanzione A, Gambardella M, Cuocolo R, et al. Prostate MRI radiomics: a systematic review and radiomic quality score assessment. European Journal of Radiology. 2020;129:109095. doi: 10.1016/j.ejrad.2020.109095 EDN: GUEKIR.
DOI: 10.1016/j.ejrad.2020.109095 EDN: GUEKIR

Bao J, Qiao X, Song Y, et al. Prediction of clinically significant prostate cancer using radiomics models in real-world clinical practice: a retrospective multicenter study. Insights into Imaging. 2024;15(1):68. doi: 10.1186/s13244-024-01631-w EDN: RFQGMA.
DOI: 10.1186/s13244-024-01631-w EDN: RFQGMA

Gelezhe PB, Blokhin IA, Semenov SS, Caruso D. Magnetic resonance imaging radiomics in prostate cancer radiology: what is currently known? Digital Diagnostics. 2021;2(4):441–452. doi: 10.17816/DD70170 EDN: FFFGWI.
DOI: 10.17816/DD70170 EDN: FFFGWI

Min X, Li M, Dong D, et al. Multi-parametric MRI-based radiomics signature for discriminating between clinically significant and insignificant prostate cancer: cross-validation of a machine learning method. European Journal of Radiology. 2019;115:16–21. doi: 10.1016/j.ejrad.2019.03.010.
DOI: 10.1016/j.ejrad.2019.03.010

Woźnicki P, Westhoff N, Huber T, et al. Multiparametric MRI for prostate cancer characterization: combined use of radiomics model with PI-RADS and clinical parameters. Cancers (Basel). 2020;12(7):1767. doi: 10.3390/cancers12071767 EDN: DMCTFH.
DOI: 10.3390/cancers12071767 EDN: DMCTFH

Kwon D, Reis IM, Breto AL, et al. Classification of suspicious lesions on prostate multiparametric MRI using machine learning. Journal of Medical Imaging. 2018;5(3):034502. doi: 10.1117/1.JMI.5.3.034502.
DOI: 10.1117/1.JMI.5.3.034502

He M, Cao Y, Chi C, et al. Research progress on deep learning in magnetic resonance imaging–based diagnosis and treatment of prostate cancer: a review on the current status and perspectives. Frontiers in Oncology. 2023;13:1189370. doi: 10.3389/fonc.2023.1189370 EDN: FEZIDE.
DOI: 10.3389/fonc.2023.1189370 EDN: FEZIDE

Chen Z, Li Z, Dou R, et al. Personalized optimization of systematic prostate biopsy core number based on mpMRI radiomics features: a large–sample retrospective analysis. BMC Cancer. 2025;25(1):116. doi: 10.1186/s12885-024-13391-3.
DOI: 10.1186/s12885-024-13391-3

Hermie I, Van Besien J, De Visschere P, et al. Which clinical and radiological characteristics can predict clinically significant prostate cancer in PI-RADS 3 lesions? A retrospective study in a high-volume academic center. European Journal of Radiology. 2019;114:92–98. doi: 10.1016/j.ejrad.2019.02.031.
DOI: 10.1016/j.ejrad.2019.02.031

Epstein JI, Egevad L, Amin MB, et al. The 2014 International Society of Urological Pathology (ISUP) consensus conference on gleason grading of prostatic carcinoma. American Journal of Surgical Pathology. 2016;40(2):244–252. doi: 10.1097/PAS.0000000000000530.
DOI: 10.1097/PAS.0000000000000530

Gulin GA, Zyryanov AV, Rubtsova NA, et al. Multiparametric magnetic resonance imaging and combined prostate biopsy: opportunities, advantages and pitfalls. Medical Visualization. 2021;25(2):138–152. doi: 10.24835/1607-0763-1023 EDN: MSXQIH.
DOI: 10.24835/1607-0763-1023 EDN: MSXQIH

Jin P, Shen J, Yang L, et al. Machine learning-based radiomics model to predict benign and malignant PI-RADS v2.1 category 3 lesions: a retrospective multi-center study. BMC Medical Imaging. 2023;23(1):47. doi: 10.1186/s12880-023-01002-9 EDN: QFWKOM.
DOI: 10.1186/s12880-023-01002-9 EDN: QFWKOM

Sonmez G, Tombul ST, Demirtas T, Demirtas A. Clinical factors for predicting malignancy in patients with PSA <10 ng/mL and PI-RADS 3 lesions. Asia-Pacific Journal of Clinical Oncology. 2020;17(2):e94–e99. doi: 10.1111/ajco.13347 EDN: ZVXTXF.
DOI: 10.1111/ajco.13347 EDN: ZVXTXF

Vasilev AV, Mishchenko AV, Kadyrleev RA, et al. Cognitive mpMRI/TRUS biopsy of the prostate with using strain elastography. Medical Visualization. 2019;23(2):100–108. doi: 10.24835/1607-0763-2019-2-100-108 EDN: UPQEEH.
DOI: 10.24835/1607-0763-2019-2-100-108 EDN: UPQEEH

Fang AM, Shumaker LA, Martin KD, et al. Multi-institutional analysis of clinical and imaging risk factors for detecting clinically significant prostate cancer in men with PI-RADS 3 lesions. Cancer. 2022;128(18):3287–3296. doi: 10.1002/cncr.34355 EDN: HHUNTK.
DOI: 10.1002/cncr.34355 EDN: HHUNTK

Park KJ, Choi SH, Lee JS, et al. Risk stratification of prostate cancer according to PI-RADS® version 2 categories: meta-analysis for prospective studies. The Journal of Urology. 2020;204(6):1141–1149. doi: 10.1097/ju.0000000000001306 EDN: ASHPIN.
DOI: 10.1097/ju.0000000000001306 EDN: ASHPIN

Önder Ö, Ayva M, Yaraşır Y, et al. Long-term follow-up results of multiparametric prostate MRI and the prognostic value of PI-RADS: a single-center retrospective cohort study. Diagnostic and Interventional Radiology. 2024;30(3):139–151. doi: 10.4274/dir.2023.232414.
DOI: 10.4274/dir.2023.232414

Gromov AI, Kapustin VV. Usage of PI-RADS v2.1 system for prostate MRI: a practical approach. Medical Visualization. 2019;23(3):107–125. doi: 10.24835/1607-0763-2019-3-107-125 EDN: AHBXBT.
DOI: 10.24835/1607-0763-2019-3-107-125 EDN: AHBXBT

Gupta RT, Mehta KA, Turkbey B, Verma S. PI-RADS: Past, present, and future. Journal of Magnetic Resonance Imaging. 2020;52(1):33–53. doi: 10.1002/jmri.26896.
DOI: 10.1002/jmri.26896

Washino S, Okochi T, Saito K, et al. Combination of prostate imaging reporting and data system (PI-RADS) score and prostate-specific antigen (PSA) density predicts biopsy outcome in prostate biopsy naïve patients. BJU International. 2017;119(2):225–233. doi: 10.1111/bju.13465.
DOI: 10.1111/bju.13465

Giambelluca D, Cannella R, Vernuccio F, et al. PI-RADS 3 lesions: role of prostate MRI texture analysis in the identification of prostate cancer. Current Problems in Diagnostic Radiology. 2021;50(2):175–185. doi: 10.1067/j.cpradiol.2019.10.009 EDN: KZLCMA.
DOI: 10.1067/j.cpradiol.2019.10.009 EDN: KZLCMA

Kаrmаzаnovsky GG, Shantarevich MY, Stashkiv VI, Revishvili AS. Reproducibility of CT and MRI texture features of hepatocellular carcinoma. Medical Visualization. 2023;27(3):84–93. doi: 10.24835/1607-0763-1372 EDN: BVBFNX.
DOI: 10.24835/1607-0763-1372 EDN: BVBFNX

Ferro M, de Cobelli O, Musi G, et al. Radiomics in prostate cancer: an up-to-date review. Therapeutic Advances in Urology. 2022;14:17562872221109020. doi: 10.1177/17562872221109020.
DOI: 10.1177/17562872221109020

Fischer S, Tahoun M, Klaan B, et al. A Radiogenomic approach for decoding molecular mechanisms underlying tumor progression in prostate cancer. Cancers. 2019;11(9):1293. doi: 10.3390/cancers11091293.
DOI: 10.3390/cancers11091293

Hectors SJ, Chen C, Chen J, et al. Magnetic resonance imaging radiomics-based machine learning prediction of clinically significant prostate cancer in equivocal PI-RADS 3 lesions. Journal of Magnetic Resonance Imaging. 2021;54(5):1466–1473. doi: 10.1002/jmri.27692 EDN: SGBOWM.
DOI: 10.1002/jmri.27692 EDN: SGBOWM

Magoulianitis V, Yang J, Yang Y, et al. PCa-RadHop: a transparent and lightweight feed-forward method for clinically significant prostate cancer segmentation. Computerized Medical Imaging and Graphics. 2024;116:102408. doi: 10.1016/j.compmedimag.2024.102408 EDN: XEOIXK.
DOI: 10.1016/j.compmedimag.2024.102408 EDN: XEOIXK

Penzias G, Singanamalli A, Elliott R, et al. Identifying the morphologic basis for radiomic features in distinguishing different Gleason grades of prostate cancer on MRI: preliminary findings. PLOS ONE. 2018;13(8):e0200730. doi: 10.1371/journal.pone.0200730.
DOI: 10.1371/journal.pone.0200730

Qi Y, Zhang S, Wei J, et al. Multiparametric MRI-Based radiomics for prostate cancer screening with PSA in 4–10 ng/mL to reduce unnecessary biopsies. Journal of Magnetic Resonance Imaging. 2019;51(6):1890–1899. doi: 10.1002/jmri.27008 EDN: EINUYX.
DOI: 10.1002/jmri.27008 EDN: EINUYX

Gong L, Xu M, Fang M, et al. Noninvasive prediction of high-grade prostate cancer via biparametric MRI radiomics. Journal of Magnetic Resonance Imaging. 2020;52(4):1102–1109. doi: 10.1002/jmri.27132 EDN: EMVNVC.
DOI: 10.1002/jmri.27132 EDN: EMVNVC

Wang Y, Liu W, Chen Z, et al. A noninvasive method for predicting clinically significant prostate cancer using magnetic resonance imaging combined with PRKY promoter methylation level: a machine learning study. BMC Medical Imaging. 2024;24(1):60. doi: 10.1186/s12880-024-01236-1 EDN: RASMDD.
DOI: 10.1186/s12880-024-01236-1 EDN: RASMDD

Corsi A, De Bernardi E, Bonaffini PA, et al. Radiomics in PI-RADS 3 multiparametric MRI for prostate cancer identification: literature models re-Implementation and proposal of a clinical–radiological model. Journal of Clinical Medicine. 2022;11(21):6304. doi: 10.3390/jcm11216304 EDN: GGECVG.
DOI: 10.3390/jcm11216304 EDN: GGECVG

Brancato V, Aiello M, Basso L, et al. Evaluation of a multiparametric MRI radiomic-based approach for stratification of equivocal PI-RADS 3 and upgraded PI-RADS 4 prostatic lesions. Scientific Reports. 2021;11(1):643. doi: 10.1038/s41598-020-80749-5 EDN: HAJXQY.
DOI: 10.1038/s41598-020-80749-5 EDN: HAJXQY

Hou Y, Bao ML, Wu CJ, et al. A radiomics machine learning-based redefining score robustly identifies clinically significant prostate cancer in equivocal PI-RADS score 3 lesions. Abdominal Radiology. 2020;45(12):4223–4234. doi: 10.1007/s00261-020-02678-1 EDN: JHWPET.
DOI: 10.1007/s00261-020-02678-1 EDN: JHWPET

Zhang Y, Chen W, Yue X, et al. Development of a novel, multi-parametric, MRI-based radiomic nomogram for differentiating between clinically significant and insignificant prostate cancer. Frontiers in Oncology. 2020;10(FEB):888. doi: 10.3389/fonc.2020.00888 EDN: QTDXSC.
DOI: 10.3389/fonc.2020.00888 EDN: QTDXSC

Gresser E, Schachtner B, Stüber AT, et al. Performance variability of radiomics machine learning models for the detection of clinically significant prostate cancer in heterogeneous MRI datasets. Quantitative Imaging in Medicine and Surgery. 2022;12(11):4990–5003. doi: 10.21037/qims-22-265 EDN: JIFGJJ.
DOI: 10.21037/qims-22-265 EDN: JIFGJJ

Krauss W, Frey J, Heydorn Lagerlöf J, et al. Radiomics from multisite MRI and clinical data to predict clinically significant prostate cancer. Acta Radiologica. 2023;65(3):307–317. doi: 10.1177/02841851231216555 EDN: VVMHZC.
DOI: 10.1177/02841851231216555 EDN: VVMHZC

Huang EP, O’Connor JPB, McShane LM, et al. Criteria for the translation of radiomics into clinically useful tests. Nature Reviews Clinical Oncology. 2022;20(2):69–82. doi: 10.1038/s41571-022-00707-0 EDN: XNGIOB.
DOI: 10.1038/s41571-022-00707-0 EDN: XNGIOB

Язык текста: Русский

ISSN: 2712-8490

Навигация
Аффилированные организации
Аннотация
Ключевые слова
Литература
Дополнительная информация

URI:45562d4a44442d41525449434c452d363333353030

Унифицированный идентификатор ресурса для цитирования: //medj.rucml.ru/journal/45562d4a44442d41525449434c452d363333353030/