Hispanopedia Wiki
Articulo de referencia

Radiómica

En el campo de la medicina, la radiómica es un método que extrae una gran cantidad de características de imágenes médicas utilizando algoritmos de caracterización de datos. [ 1 ...

Hispanopedia WikiContenido en espanolLectura gratuita

En el campo de la medicina, la radiómica es un método que extrae una gran cantidad de características de imágenes médicas utilizando algoritmos de caracterización de datos. [ 1 ] [ 2 ] [ 3 ] [ 4 ] [ 5 ] Estas características, denominadas características radiómicas, tienen el potencial de descubrir patrones y características tumorales que no se aprecian a simple vista. [ 6 ] La hipótesis de la radiómica es que las características de imagen distintivas entre las formas de enfermedad pueden ser útiles para predecir el pronóstico y la respuesta terapéutica para varios tipos de cáncer, proporcionando así información valiosa para la terapia personalizada. [ 1 ] [ 7 ] [ 8 ] La radiómica surgió de los campos médicos de la radiología y la oncología [ 3 ] [ 9 ] [ 10 ] y es la más avanzada en aplicaciones dentro de estos campos. Sin embargo, la técnica se puede aplicar a cualquier estudio médico donde se pueda obtener una imagen de un proceso patológico.

Proceso

Adquisición de imágenes

Los datos de imagen son proporcionados por modalidades radiológicas como TC, [ 11 ] RM, [ 12 ] PET/TC o incluso PET/RM. [ 13 ] Los volúmenes de datos brutos producidos se utilizan para encontrar diferentes características de píxeles/vóxeles a través de herramientas de extracción. [ 2 ]

Las características extraídas se guardan en grandes bases de datos a las que tienen acceso las clínicas, lo que permite un trabajo colaborativo y acumulativo en el que todos pueden beneficiarse de la creciente cantidad de datos, lo que idealmente permite un flujo de trabajo más preciso.

Segmentación de imágenes

Una vez que las imágenes se han guardado en la base de datos, deben reducirse a las partes esenciales, en este caso los tumores, que se denominan "volúmenes de interés". [ 2 ]

Debido a la gran cantidad de datos de imagen que se deben procesar, sería demasiado trabajo realizar la segmentación manualmente para cada imagen si se crea una base de datos radiómica con muchos datos. Esto hace que el contorneado manual consuma mucho tiempo y pueda verse afectado por la variabilidad del evaluador. [ 14 ] [ 15 ] En lugar de la segmentación manual, se debe utilizar un proceso automatizado. Dos posibles soluciones son los métodos de segmentación automática de tumores basados ​​en aprendizaje profundo [ 15 ] [ 14 ] y el flujo de trabajo de segmentación semiautomática donde un humano etiqueta las primeras secciones y luego el sistema de aprendizaje automático hace el resto. [ 16 ] Antes de que pueda aplicarse a gran escala, un algoritmo debe obtener la puntuación más alta posible en las siguientes cuatro tareas:

  • En primer lugar, debe ser reproducible, lo que significa que cuando se utiliza con los mismos datos el resultado no cambiará. Esto puede deberse a que el contorno de diferentes evaluadores sea similar o a que los modelos automáticos/semiautomáticos tengan una buena robustez medida por el coeficiente de correlación intraclase. [ 16 ]
  • Otro factor importante es la consistencia. El algoritmo resuelve el problema en cuestión y realiza la tarea en lugar de hacer algo irrelevante. En este caso, es necesario que el algoritmo pueda detectar la zona afectada en diferentes exploraciones.
  • El algoritmo también debe ser preciso. Es muy importante que el algoritmo detecte la parte enferma de la manera más precisa posible. Solo con datos precisos se pueden obtener resultados precisos. Además del efecto visual aproximado, las métricas típicas como el coeficiente de similitud de Dice, el índice de Jaccard, la distancia de Hausdorff y la distancia superficial promedio, [ 15 ] [ 14 ] brindan una evaluación más cuantitativa y objetiva.
  • Un aspecto menor, pero importante, es la eficiencia temporal. Los resultados deben generarse lo más rápido posible para acelerar todo el proceso de radiómica. Generalmente, los algoritmos de segmentación automática/semiautomática son más eficientes que la segmentación manual. Para la segmentación automática/semiautomática, el tiempo de entrenamiento y la velocidad de ejecución suelen ser los dos parámetros más importantes. Para acelerar ambos parámetros, una solución típica es un cambio a nivel de estructura/arquitectura, como un marco basado en la destilación del conocimiento. [ 17 ]

En los últimos años, el aprendizaje automático y el aprendizaje profundo han dominado la segmentación automática de imágenes médicas. Muchos métodos se basan en redes neuronales convolucionales, como los modelos tipo U-Net [ 14 ] [ 15 ] y CE-net. [ 18 ]

Extracción y cualificación de características

Tras la segmentación, se pueden extraer muchas características y calcular el cambio neto relativo de las imágenes longitudinales (delta-radiómica). Las características radiómicas se pueden dividir en cinco grupos: características basadas en tamaño y forma, descriptores del histograma de intensidad de la imagen, descriptores de las relaciones entre los vóxeles de la imagen (p. ej. , matriz de coocurrencia de nivel de gris (GLCM), matriz de longitud de ejecución (RLM), matriz de zona de tamaño (SZM) y texturas derivadas de la matriz de diferencia de tono de gris de vecindad (NGTDM)), texturas extraídas de imágenes filtradas y características fractales. Las definiciones matemáticas de estas características son independientes de la modalidad de imagen y se pueden encontrar en la literatura. [ 19 ] [ 20 ] [ 21 ] [ 22 ] Una descripción detallada de las características de textura para radiómica se puede encontrar en Parekh et al. (2016) [ 4 ] y Depeursinge et al. (2017). [ 23 ]

Debido a su enorme variedad, es necesario implementar reducciones de características para eliminar la información redundante. Se deben evaluar cientos de características diferentes con un algoritmo de selección para acelerar este proceso. Además, se deben eliminar las características inestables y no reproducibles, ya que las características de baja fidelidad probablemente conducirán a resultados espurios y modelos irrepetibles. [ 24 ] [ 25 ]

Análisis

Análisis

Una vez seleccionadas las características más relevantes, los datos deben analizarse para encontrar patrones y relaciones significativas. En el análisis médico moderno, la IA, el aprendizaje automático y el aprendizaje profundo se utilizan a menudo para analizar datos de pacientes, tanto de imágenes como no de imágenes, para tareas como la detección de enfermedades, la caracterización de lesiones y la planificación del tratamiento. [ 26 ] Esta información puede utilizarse posteriormente para la creación de sistemas CAD (diagnóstico asistido por ordenador). [ 27 ] En radiómica, se utilizan características de imagen de bajo orden, como la forma, la intensidad y la textura, y luego se emplean métodos tradicionales de aprendizaje automático, como máquinas de vectores de soporte, bosques aleatorios, regresión logística, PCA y agrupamiento, para realizar predicciones, o métodos de aprendizaje profundo, como redes neuronales convolucionales, que aprenden características automáticamente a partir de los datos en capas convolucionales y luego realizan predicciones o regresión en la capa totalmente conectada. [ 28 ]

Antes del análisis propiamente dicho, se pueden integrar diferentes tipos de datos, como radiómica de imágenes, biomarcadores moleculares e información genética, para mejorar el rendimiento del modelo. Esta integración multiómica permite a los modelos de IA tomar decisiones basadas en datos multidimensionales, lo que puede mejorar la subtipificación del cáncer, la predicción de riesgos, la selección de tratamientos y el apoyo a la toma de decisiones clínicas. [ 29 ] Los datos integrados pueden analizarse mediante aprendizaje supervisado, que utiliza una variable de resultado para crear modelos de predicción, o mediante aprendizaje no supervisado para resumir la información disponible y representarla gráficamente.

Bases de datos

Creación

Para crear una base de datos radiómica integrada, es necesario seguir varios pasos. Los datos de imagenología deben exportarse desde las clínicas. Este paso ya representa un desafío considerable, dado que la información del paciente es muy sensible y está protegida por leyes de privacidad como la HIPAA . Al mismo tiempo, los datos exportados deben conservar su integridad durante la compresión, de modo que la base de datos solo incorpore datos de la misma calidad. La integración de datos clínicos y moleculares también es fundamental, y se requiere un amplio espacio de almacenamiento de imágenes.

Usar

El objetivo de la radiómica es poder utilizar esta base de datos para nuevos pacientes. Esto implica la necesidad de algoritmos que procesen los nuevos datos de entrada a través de la base de datos y devuelvan un resultado con información sobre la posible evolución de la enfermedad del paciente. Por ejemplo, la velocidad de crecimiento del tumor o las probabilidades de supervivencia del paciente durante un tiempo determinado, la posibilidad de metástasis a distancia y su localización. Esto determina el tratamiento posterior (como cirugía, quimioterapia, radioterapia o fármacos dirigidos, etc.) y la mejor solución para maximizar la supervivencia o la mejoría. El algoritmo debe reconocer correlaciones entre las imágenes y las características, de modo que sea posible extrapolar la información de la base de datos a los datos de entrada.

Aplicaciones

Predicción de resultados clínicos

Aerts et al. (2014) [ 30 ] realizaron el primer estudio radiómico a gran escala que incluyó tres cohortes de cáncer de pulmón y dos de cáncer de cabeza y cuello, que constan de más de 1000 pacientes. Evaluaron los valores pronósticos de más de 400 características texturales y basadas en la forma y la intensidad extraídas de las imágenes de tomografía computarizada (TC) adquiridas antes de cualquier tratamiento. Los volúmenes tumorales fueron definidos por oncólogos radioterapeutas expertos o utilizando métodos de segmentación semiautomáticos. [ 31 ] [ 32 ] Sus resultados identificaron un subconjunto de características radiómicas que pueden ser útiles para predecir la supervivencia del paciente y describir la heterogeneidad intratumoral. También confirmaron que la capacidad pronóstica de estas características radiómicas puede transferirse del cáncer de pulmón al cáncer de cabeza y cuello. Sin embargo, Parmar et al. (2015) [ 33 ] demostraron que el valor pronóstico de algunas características radiómicas puede depender del tipo de cáncer. En concreto, observaron que no todas las características radiómicas que predecían de forma significativa la supervivencia de los pacientes con cáncer de pulmón podían predecir también la supervivencia de los pacientes con cáncer de cabeza y cuello, y viceversa.

Nasief et al. (2019) [ 25 ] demostraron que los cambios en las características radiómicas a lo largo del tiempo en imágenes longitudinales (características radiómicas delta, DRF) pueden utilizarse potencialmente como biomarcador para predecir la respuesta al tratamiento del cáncer de páncreas . Sus resultados mostraron que una red neuronal de regularización bayesiana puede utilizarse para identificar un subconjunto de DRF que demostraron cambios significativos entre los respondedores buenos y malos tras 2-4 semanas de tratamiento con un AUC = 0,94. También demostraron (Nasief et al., 2020) que las DRF son un predictor independiente de la supervivencia y que, si se combinan con el biomarcador clínico CA19-9, pueden mejorar la predicción de la respuesta al tratamiento y aumentar la posibilidad de adaptación del tratamiento basada en la respuesta. [ 34 ]

Varios estudios también han demostrado que las características radiómicas son mejores para predecir la respuesta al tratamiento que las medidas convencionales, como el volumen y el diámetro del tumor, y la captación máxima del radiotrazador en la tomografía por emisión de positrones (PET). [ 35 ] [ 36 ] [ 37 ] [ 38 ] [ 39 ] [ 40 ] [ 41 ] Utilizando esta técnica, se ha desarrollado un algoritmo, después de un entrenamiento inicial basado en la densidad de linfocitos intratumorales, para predecir la probabilidad de respuesta del tumor a la inmunoterapia, lo que proporciona una demostración del potencial clínico de la radiómica como una herramienta poderosa para la terapia personalizada en el campo emergente de la inmuno-oncología. [ 42 ] Otros estudios también han demostrado la utilidad de la radiómica para predecir la respuesta a la inmunoterapia de pacientes con CPNM utilizando imágenes de TC pretratamiento [ 43 ] y PET/TC . [ 44 ]

La radiómica sigue siendo inferior a las técnicas convencionales en algunas aplicaciones, lo que sugiere la necesidad de una mejora continua y la manipulación de las características radiómicas para diferentes escenarios clínicos. Por ejemplo, Ludwig et al. (2020) [ 45 ] demostraron que las características radiómicas morfológicas eran inferiores a las características previamente establecidas en la discriminación del estado de ruptura de aneurisma intracraneal a partir de angiografía rotacional tridimensional .

Pronóstico

Los estudios radiómicos han demostrado que los marcadores basados ​​en imágenes tienen el potencial de proporcionar información ortogonal a la estadificación y los biomarcadores, y mejorar el pronóstico. [ 30 ] [ 46 ] [ 47 ]

Predicción del riesgo de metástasis a distancia

El potencial metastásico de los tumores también puede predecirse mediante características radiómicas. [ 48 ] [ 49 ] Por ejemplo, en un estudio realizado por Coroller et al. en 2015, se identificaron treinta y cinco características radiómicas basadas en TC que predecían la metástasis a distancia del cáncer de pulmón. [ 48 ] Por lo tanto, concluyeron que las características radiómicas pueden ser útiles para identificar pacientes con alto riesgo de desarrollar metástasis a distancia, lo que permite a los médicos seleccionar el tratamiento eficaz para cada paciente.

Evaluación de la genética del cáncer

Los mecanismos biológicos de los tumores pulmonares pueden demostrar patrones de imagen distintos y complejos. [ 50 ] [ 51 ] [ 1 ] En particular, Aerts et al. (2014) [ 1 ] demostraron que las características radiómicas estaban asociadas con conjuntos de genes biológicos, como la fase del ciclo celular , la recombinación del ADN, la regulación del proceso del sistema inmunitario, etc. Además, se ha demostrado que varias mutaciones del glioblastoma (GBM), como la deleción 1p/19q, la metilación de MGMT, TP53, EGFR y NF1, se predicen significativamente mediante medidas volumétricas de imágenes por resonancia magnética (IRM), incluyendo el volumen tumoral, el volumen de necrosis y el volumen con realce de contraste. [ 52 ] [ 53 ] [ 54 ] Además, la carga mutacional tumoral en gliomas recurrentes también se asoció con una firma radiómica única [ 55 ]

radioterapia guiada por imágenes

La radiómica ofrece la ventaja de ser no invasiva y, por lo tanto, puede repetirse prospectivamente en un paciente determinado con mayor facilidad que las biopsias tumorales invasivas. Se ha sugerido que la radiómica podría ser un medio para monitorizar los cambios dinámicos del tumor a lo largo del curso de la radioterapia y para definir subvolúmenes en riesgo para los que podría ser beneficioso aumentar la dosis. [ 56 ] [ 57 ]

Distinguir la progresión real de la radionecrosis

El efecto del tratamiento o la radionecrosis tras la radiocirugía estereotáctica (SRS) para metástasis cerebrales es un fenómeno común, a menudo indistinguible de la progresión real. La radiómica demostró diferencias significativas en un conjunto de 82 lesiones tratadas en 66 pacientes con resultados patológicos. Las características radiómicas mejor clasificadas, introducidas en un clasificador IsoSVM optimizado, dieron como resultado una sensibilidad y especificidad del 65,38 % y del 86,67 %, respectivamente, con un área bajo la curva de 0,81 en la validación cruzada de exclusión de un caso. Solo el 73 % de los casos fueron clasificables por el neurorradiólogo, con una sensibilidad del 97 % y una especificidad del 19 %. Estos resultados muestran que la radiómica es prometedora para diferenciar entre el efecto del tratamiento y la progresión real en metástasis cerebrales tratadas con SRS. [ 58 ]

Predicción de eventos fisiológicos

La radiómica también puede utilizarse para identificar eventos fisiológicos complejos, como la actividad cerebral, que generalmente se estudia con técnicas de imagen como la resonancia magnética funcional (RMf). Las imágenes sin procesar de la RMf pueden someterse a un análisis radiómico para generar características de imagen que posteriormente pueden correlacionarse con la actividad cerebral relevante. [ 59 ]

Genómica por imágenes

En genómica de imágenes, la radiogenómica se puede utilizar para crear biomarcadores de imagen que permitan identificar la genómica de una enfermedad, especialmente el cáncer , sin necesidad de una biopsia . Se utilizan diversas técnicas para el procesamiento de datos de alta dimensionalidad con el fin de encontrar correlaciones estadísticamente significativas entre las características de las imágenes de resonancia magnética (RM) , tomografía computarizada (TC ) y tomografía por emisión de positrones (PET) y la genómica de la enfermedad, como SAM , VAMPIRE y GSEA .

El enfoque radiogenómico de imágenes ha demostrado ser exitoso [ 60 ] en la determinación de la genética asociada al fenotipo de RM del glioblastoma , un tipo de tumor cerebral altamente agresivo con bajo pronóstico. El primer estudio correlativo de microARN-ARNm de imágenes de RM a gran escala en GBM fue publicado por Zinn et al. en 2011 [ 61 ]. Estudios similares en cáncer de hígado han determinado con éxito gran parte del genoma del cáncer de hígado a partir de características de imágenes no invasivas. [ 62 ]. Gevaert et al. en la Universidad de Stanford han demostrado el potencial de vincular las características de imagen de los nódulos pulmonares de células no pequeñas en tomografías computarizadas para predecir la supervivencia aprovechando los datos de expresión genética disponibles públicamente. [ 63 ]. Esta publicación estuvo acompañada de un editorial que discutía la sinergia entre imágenes y genómica. [ 64 ]. Más recientemente, Mu Zhou et al. En la Universidad de Stanford han demostrado que existen múltiples asociaciones entre las características semánticas de las imágenes y los metagenes que representan vías moleculares canónicas, y que esto puede dar lugar a la identificación no invasiva de propiedades moleculares del cáncer de pulmón de células no pequeñas. [ 65 ]

Se han realizado varios estudios radiogenómicos en el cáncer de próstata, [ 66 ] [ 67 ] [ 68 ] Algunos han observado que las características genéticas correlacionadas con la señal de RMN a menudo también se asocian con un cáncer de próstata más agresivo. [ 69 ] Una revisión sistemática de las características genéticas encontradas en lesiones más visibles en la RMN identificó múltiples estudios que habían encontrado pérdida del supresor tumoral PTEN , aumento de la expresión génica vinculada a la proliferación celular , así como interacciones célula-matriz extracelular. [ 70 ] Esto puede indicar que ciertas características genéticas impulsan cambios celulares que, en última instancia, afectan el movimiento de fluidos que se puede ver en la RMN y estas características se asocian predominantemente con un mal pronóstico. [ 70 ] La combinación de alteraciones genéticas más peligrosas, histología y resultados clínicos para pacientes con tumores de próstata que son visibles en la RMN multiparamétrica, ha llevado a sugerir que la definición de "cáncer clínicamente significativo" debería basarse, al menos en parte, en los hallazgos de la RMN multiparamétrica. [ 71 ]

El enfoque radiogenómico también se ha aplicado con éxito en el cáncer de mama. En 2014, Mazurowski et al. [ 72 ] demostraron que la dinámica de realce en la resonancia magnética, calculada mediante algoritmos de visión artificial, está asociada con el subtipo molecular tumoral basado en la expresión genética en pacientes con cáncer de mama.

En la Universidad de Pensilvania , la UCLA , el Centro Oncológico MD Anderson , la Universidad de Stanford y el Baylor College of Medicine en Houston, Texas, existen programas que estudian las conexiones entre la radiología y la genómica.

radiómica multiparamétrica

La imagen radiológica multiparamétrica es fundamental para la detección, caracterización y diagnóstico de diversas enfermedades. Sin embargo, los métodos actuales de radiómica se limitan al uso de imágenes individuales para la extracción de estas características texturales, lo que puede restringir su aplicabilidad en distintos entornos clínicos. Por lo tanto, en su forma actual, no son capaces de capturar las verdaderas características subyacentes del tejido en el espacio de imagen multiparamétrica de alta dimensión.

Recientemente, se desarrolló un marco de radiómica de imágenes multiparamétricas denominado MPRAD para la extracción de características radiómicas de conjuntos de datos de alta dimensión. [ 73 ] La radiómica multiparamétrica se probó en dos órganos y enfermedades diferentes: cáncer de mama y accidentes cerebrovasculares en el cerebro, comúnmente conocidos como ictus.

Cáncer de mama

En el cáncer de mama, el marco MPRAD clasificó las lesiones mamarias malignas de las benignas con una excelente sensibilidad y especificidad del 87 % y 80,5 %, respectivamente, con un AUC de 0,88. MPRAD proporcionó un aumento del 9 % al 28 % en el AUC con respecto a los parámetros radiómicos individuales. Más importante aún, en la mama, el MPRAD del tejido glandular normal fue similar entre cada grupo, sin diferencias significativas. [ 73 ]

Ataque

De manera similar, las características MPRAD en el accidente cerebrovascular demostraron un mayor rendimiento en la distinción de la discrepancia perfusión-difusión en comparación con la radiómica de un solo parámetro y no hubo diferencias dentro del tejido de materia blanca y gris. [ 73 ] La mayoría de las características radiómicas de segundo orden únicas (GLCM) no mostraron ninguna diferencia textural significativa entre el tejido infartado y el tejido en riesgo en el mapa ADC. Mientras que las mismas características radiómicas multiparamétricas de segundo orden (TSPM) fueron significativamente diferentes para el conjunto de datos DWI. De manera similar, los valores radiómicos multiparamétricos para el conjunto de datos TTP y PWI demostraron excelentes resultados para el MPRAD. La entropía TSPM del MPRAD exhibió una diferencia significativa entre el tejido infartado y el tejido potencial en riesgo: (6,6±0,5 vs 8,4±0,3, p=0,01).

Limitaciones

La radiómica se enfrenta a algunos desafíos que limitan su capacidad de ser utilizada en aplicaciones clínicas reales. [ 74 ] El primer problema ocurre antes de la entrada de imágenes médicas, en la recopilación de datos de entrenamiento. No hay estandarización en los protocolos de imagen, por lo que los centros médicos utilizan una variedad de técnicas de imagen, equipos de escaneo, parámetros de imagen y agentes de contraste. [ 74 ] Los radiólogos también segmentan manualmente las imágenes, lo que introduce subjetividad en el proceso que puede afectar en gran medida las características extraídas. [ 74 ] [ 75 ] Los datos de imagen de escaneos previos se pueden obtener fácilmente, pero sin una selección cuidadosa de las imágenes de entrada, los modelos de IA pueden entrenarse con conjuntos de datos sesgados o poco fiables. [ 76 ]

Debido a que hay más características extraídas en los datos que muestras, el conjunto de datos será de alta dimensionalidad. [ 75 ] Los desafíos con el conjunto de entrenamiento altamente correlacionado resultante radican en el peligro de sobreajuste. [ 75 ] El modelo aprenderá a identificar el ruido de los datos en lugar de marcadores biológicos confiables, lo que resulta en un modelo que parece tener un buen rendimiento hasta que disminuye drásticamente cuando se introduce en la validación independiente. [ 75 ] [ 76 ] Incluso si el modelo pudiera funcionar bien fuera de los datos de entrenamiento, sería difícil para los clínicos confiar en él debido a la dificultad de comprender cómo funciona el modelo resultante. [ 75 ]

Direcciones futuras

Se están realizando esfuerzos para mejorar la estandarización de los protocolos de imagen y el preprocesamiento de imágenes. [ 74 ] Esto, junto con la obtención de un conjunto diverso de imágenes, mejoraría drásticamente el rendimiento de los modelos. [ 75 ] A medida que la radiómica se populariza, se dispondrá de conjuntos de datos más grandes que podrían ayudar a resolver los problemas de alta correlación en los modelos actuales. [ 75 ] El uso de datos de múltiples instituciones también eliminará el sesgo de entrenamiento para garantizar que los modelos funcionen en nuevas poblaciones de pacientes. [ 76 ]

Véase también

Referencias

  1. ^ Lambin P, Ríos-Velázquez E, Leijenaar R, Carvalho S , van Stiphout RG, Granton P, et al . (Marzo de 2012). "Radiómica: extracción de más información de imágenes médicas mediante análisis de funciones avanzado" . Revista europea de cáncer . 48 (4): 441– 6. doi : 10.1016/j.ejca.2011.11.036 . PMC 4533986 . PMID 22257792 .   
  2. 1 2 3 Kumar V, Gu Y, Basu S, Berglund A, Eschrich SA, Schabath MB, et al. (noviembre de 2012). " Radiómica: el proceso y los desafíos" . Magnetic Resonance Imaging . 30 (9): 1234– 48. doi : 10.1016/j.mri.2012.06.010 . PMC 3563280. PMID 22898692 .   
  3. 1 2 Gillies RJ, Kinahan PE, Hricak H (febrero de 2016). " Radiómica: las imágenes son más que fotografías, son datos" . Radiology . 278 (2): 563– 77. doi : 10.1148/radiol.2015151169 . PMC 4734157. PMID 26579733 .  
  4. 1 2 Parekh V, Jacobs MA (2016). " Radiómica: una nueva aplicación de técnicas establecidas" . Expert Review of Precision Medicine and Drug Development . 1 (2): 207– 226. doi : 10.1080/23808993.2016.1164013 . PMC 5193485. PMID 28042608 .  
  5. ↑ Yip SS, Aerts HJ (julio de 2016). "Aplicaciones y limitaciones de la radiómica" . Física en Medicina y Biología . 61 (13): R150-66. Bibcode : 2016PMB....61R.150Y . doi : 10.1088/0031-9155 / 61/13/R150 . PMC 4927328. PMID 27269645 .  
  6. ↑ Yip SS, Liu Y, Parmar C, Li Q, Liu S, Qu F, et al. (junio de 2017). "Asociaciones entre características semánticas definidas por radiólogos y características radiómicas calculadas automáticamente en el cáncer de pulmón de células no pequeñas" . Scientific Reports . 7 (1) 3519. Bibcode : 2017NatSR...7.3519Y . doi : 10.1038/s41598-017-02425-5 . PMC 5471260. PMID 28615677 .   
  7. ↑ Chicklore S, Goh V, Siddique M, Roy A, Marsden PK, Cook GJ (enero de 2013). "Cuantificación de la heterogeneidad tumoral en imágenes PET/CT con 18F-FDG mediante análisis de textura". European Journal of Nuclear Medicine and Molecular Imaging . 40 (1): 133– 40. doi : 10.1007/s00259-012-2247-0 . PMID 23064544. S2CID 24695383 .  
  8. ↑ Cook GJ, Siddique M, Taylor BP, Yip C, Chicklore S, Goh V (2014). "Radiómica en PET: Principios y aplicaciones" . Clinical and Translational Imaging . 2 (3): 269– 276. doi : 10.1007/s40336-014-0064-0 .
  9. ↑ Parekh VS, Jacobs MA (14 de noviembre de 2017). " Marco radiómico integrado para el cáncer de mama y la biología tumoral mediante aprendizaje automático avanzado y resonancia magnética multiparamétrica" . npj Breast Cancer . 3 (1) 43. doi : 10.1038/s41523-017-0045-3 . PMC 5686135. PMID 29152563 .  
  10. ↑ Parekh VS, Jacobs MA (2019-03-04). " Aprendizaje profundo y radiómica en medicina de precisión" . Expert Review of Precision Medicine and Drug Development . 4 (2): 59– 72. doi : 10.1080/23808993.2019.1585805 . PMC 6508888. PMID 31080889 .  
  11. ↑ Kumar, Virendra; Gu, Yuhua; Basu, Satrajit; Berglund, Anders; Eschrich, Steven A.; Schabath, Matthew B.; Forster, Kenneth; Aerts, Hugo JWL; Dekker, Andre; Fenstermacher, David; Goldgof, Dmitry B. (noviembre de 2012). " Radiómica: el proceso y los desafíos" . Magnetic Resonance Imaging . 30 (9): 1234– 1248. doi : 10.1016/j.mri.2012.06.010 . PMC 3563280. PMID 22898692 .  
  12. ↑ Schick, Ulrike; Lucia, François; Dissaux, Gurvan; Visvikis, Dimitris; Badic, Bogdan; Masson, Ingrid; Pradier, Olivier; Bourbonne, Vincent; Hatt, Mathieu (diciembre de 2019). "Radiómica derivada de resonancia magnética: metodología y aplicaciones clínicas en el campo de la oncología pélvica" . The British Journal of Radiology . 92 (1104) 20190105. doi : 10.1259/bjr.20190105 . ISSN 0007-1285 . PMC 6913356. PMID 31538516 .   
  13. ↑ Amorim, Barbara Juarez; Torrado-Carvajal, Angel; Esfahani, Shadi A; Marcos, Sara S; Vangel, Mark; Stein, Dan; Groshar, David; Catalano, Onofrio A (octubre de 2020). "Radiómica PET/RM en cáncer rectal: un estudio piloto sobre la correlación entre las características de imagen derivadas de PET y RM con una interpretación clínica" . Molecular Imaging and Biology . 22 (5): 1438– 1445. doi : 10.1007/s11307-020-01484-x . ISSN 1536-1632 . PMID 32270337. S2CID 215411812 .   
  14. 1 2 3 4 Wang, Jiazhou; Lu, Jiayu; Qin, Gan; Shen, Lijun; Sun, Yiqun; Ying, Hongmei; Zhang, Zhen; Hu, Weigang (junio de 2018). "Nota técnica: Una autosegmentación basada en aprendizaje profundo de tumores rectales en imágenes de RM" . Física Médica . 45 (6): 2560– 2564. Bibcode : 2018MedPh..45.2560W . doi : 10.1002/mp.12918 . ISSN 0094-2405 . PMID 29663417 .  
  15. 1 2 3 4 Lin, Mingquan; Momin, Shadab; Lei, Yang; Wang, Hesheng; Curran, Walter J.; Liu, Tian; Yang, Xiaofeng (agosto de 2021). "Segmentación totalmente automatizada de tumores cerebrales a partir de resonancia magnética multiparamétrica utilizando U-Net supervisada profunda de contexto 3D" . Física Médica . 48 (8): 4365– 4374. Bibcode : 2021MedPh..48.4365L . doi : 10.1002/mp.15032 . ISSN 0094-2405 . PMC 11752426. PMID 34101845 .   
  16. 1 2 Tixier, Florent; Um, Hyemin; Young, Robert J; Veeraraghavan, Harini (agosto de 2019). "Fiabilidad de la segmentación tumoral en glioblastoma: impacto en la robustez de las características radiómicas de la resonancia magnética" . Física Médica . 46 (8): 3582– 3591. doi : 10.1002/mp.13624 . ISSN 0094-2405 . PMC 6692188. PMID 31131906 .   
  17. ^ Qin, Dian; Bu, Jia-Jun; Liu, Zhe; Shen, Xin; Zhou, Sheng; Gu, Jing-Jun; Wang, Zhi-Hua; Wu, Lei; Dai, Hui-Fen (diciembre de 2021). "Segmentación eficiente de imágenes médicas basada en la destilación del conocimiento". Transacciones IEEE sobre imágenes médicas . 40 (12): 3820–3831 . arXiv : 2108.09987 . Código Bib : 2021ITMI...40.3820Q . doi : 10.1109/TMI.2021.3098703 . ISSN 0278-0062 . PMID 34283713 .  
  18. ^ Qin, Dian; Bu, Jia-Jun; Liu, Zhe; Shen, Xin; Zhou, Sheng; Gu, Jing-Jun; Wang, Zhi-Hua; Wu, Lei; Dai, Hui-Fen (diciembre de 2021). "Segmentación eficiente de imágenes médicas basada en la destilación del conocimiento". Transacciones IEEE sobre imágenes médicas . 40 (12): 3820–3831 . arXiv : 2108.09987 . Código Bib : 2021ITMI...40.3820Q . doi : 10.1109/TMI.2021.3098703 . ISSN 0278-0062 . PMID 34283713 .  
  19. ↑ Galloway, Mary M (1975). "Análisis de texturas mediante longitudes de ejecución de niveles de gris". Computer Graphics and Image Processing . 4 (2): 172– 179. doi : 10.1016/S0146-664X(75)80008-6 .
  20. ↑ Pentland AP (junio de 1984). "Descripción basada en fractales de escenas naturales". IEEE Transactions on Pattern Analysis and Machine Intelligence . 6 (6): 661– 74. Bibcode : 1984ITPAM...6..661P . doi : 10.1109 / TPAMI.1984.4767591 . PMID 22499648. S2CID 17415943 .  
  21. ↑ Amadasun M, King R (1989). "Características texturales correspondientes a propiedades texturales". IEEE Transactions on Systems, Man, and Cybernetics . 19 (5): 1264– 1274. Bibcode : 1989ITSMC..19.1264A . doi : 10.1109/21.44046 .
  22. ↑ Thibault G, Angulo J, Meyer F (marzo de 2014). "Matrices estadísticas avanzadas para la caracterización de texturas: aplicación a la clasificación celular". IEEE Transactions on Bio-Medical Engineering . 61 (3): 630– 7. Bibcode : 2014ITBE...61..630T . doi : 10.1109/TBME.2013.2284600 . PMID 24108747. S2CID 11319154 .  
  23. ↑ Ranjbar S, Mitchell JR (2017). «Introducción a la radiómica: un pilar fundamental en evolución de la medicina de precisión». Análisis de textura biomédica . págs. 223–245 . doi : 10.1016/B978-0-12-812133-7.00008-9 . ISBN  978-0-12-812133-7.
  24. ↑ Tunali, Ilke; Hall, Lawrence O.; Napel, Sandy; Cherezov, Dmitry; Guvenis, Albert; Gillies, Robert J.; Schabath, Matthew B. (23 de septiembre de 2019). "Estabilidad y reproducibilidad de las características radiómicas de la tomografía computarizada extraídas de las regiones peritumorales de las lesiones de cáncer de pulmón" . Medical Physics . 46 (11): 5075– 5085. Bibcode : 2019MedPh..46.5075T . doi : 10.1002/mp.13808 . PMC 6842054. PMID 31494946 .  
  25. 1 2 Nasief, Haidy; Zheng, Cheng; Schott, Diane; Hall, William; Tsai, Susan; Erickson, Beth; Allen Li, X. (4 de octubre de 2019). "Un proceso de delta-radiómica basado en aprendizaje automático para la predicción temprana de la respuesta al tratamiento del cáncer de páncreas" . npj Precision Oncology . 3 (1): 25. doi : 10.1038/s41698-019-0096-z . PMC 6778189. PMID 31602401 .  
  26. ↑ Sahiner, Berkman; Pezeshk, Aria; Hadjiiski, Lubomir M.; Wang, Xiaosong; Drukker, Karen; Cha, Kenny H.; Summers, Ronald M.; Giger, Maryellen L. (enero de 2019). "Aprendizaje profundo en imágenes médicas y radioterapia" . Física Médica . 46 (1): e1– e36. Bibcode : 2019MedPh..46E...1S . doi : 10.1002/mp.13264 . ISSN 0094-2405 . PMC 9560030. PMID 30367497 .   
  27. ↑ Chan, Heang-Ping; Hadjiiski, Lubomir M.; Samala, Ravi K. (mayo de 2020). "Diagnóstico asistido por computadora en la era del aprendizaje profundo" . Física Médica . 47 (5): e218– e227. doi : 10.1002/mp.13764 . ISSN 0094-2405 . PMC 7293164. PMID 32418340 .   
  28. ^ Avanzo, Michele; Wei, Lise; Stancanello, José; Vallières, Martín; Rao, Arvind; Morín, Olivier; Mattonen, Sarah A.; El Naqa, Issam (mayo de 2020). "Métodos de aprendizaje automático y profundo para radiómica" . Física Médica . 47 (5): e185– e202. Bibcode : 2020MedPh..47.....A . doi : 10.1002/mp.13678 . ISSN 0094-2405 . PMC 8965689 . PMID 32418336 .   
  29. ↑ Wei, Lise; Niraula, Dipesh; Gates, Evan DH; Fu, Jie; Luo, Yi; Nyflot, Matthew J; Bowen, Stephen R; El Naqa, Issam M; Cui, Sunan (2023-10-01). "Inteligencia artificial (IA) y aprendizaje automático (AA) en oncología de precisión: una revisión sobre la mejora de la capacidad de descubrimiento mediante la integración multiómica" . The British Journal of Radiology . 96 (1150) 20230211. doi : 10.1259/bjr.20230211 . ISSN 0007-1285 . PMC 10546458. PMID 37660402 .   
  30. 1 2 Aerts HJ, Velázquez ER, Leijenaar RT, Parmar C, Grossmann P, Carvalho S, Bussink J, Monshouwer R, Haibe-Kains B, Rietveld D, et al. (junio de 2014). "Decodificación del fenotipo tumoral mediante imágenes no invasivas utilizando un enfoque de radiómica cuantitativa" . Comuna Nacional . 5 4006. Código Bib : 2014NatCo...5.4006A . doi : 10.1038/ncomms5006 . PMC 4059926 . PMID 24892406 .   
  31. ↑ Gu Y, Kumar V, Hall LO, Goldgof DB, Li CY, Korn R, et al. (marzo de 2013). "Delimitación automatizada de tumores pulmonares a partir de imágenes de TC mediante un enfoque de segmentación de conjunto de un solo clic" . Pattern Recognition . 46 (3): 692– 702. Bibcode : 2013PatRe..46..692G . doi : 10.1016/j.patcog.2012.10.005 . PMC 3580869. PMID 23459617 .   
  32. ↑ Velazquez ER, Parmar C, Jermoumi M, Mak RH, van Baardwijk A, Fennessy FM, et al. (diciembre de 2013). " Segmentación volumétrica basada en TC de CPNM usando 3D-Slicer" . Scientific Reports . 3 3529. Bibcode : 2013NatSR...3.3529V . doi : 10.1038/srep03529 . PMC 3866632. PMID 24346241 .   
  33. ↑ Parmar C, Leijenaar RT, Grossmann P, Rios Velazquez E, Bussink J, Rietveld D, et al. (junio de 2015). "Clústeres de características radiómicas y firmas pronósticas específicas para el cáncer de pulmón y de cabeza y cuello" . Scientific Reports . 5 11044. Bibcode : 2015NatSR...511044P . doi : 10.1038/srep11044 . PMC 4937496. PMID 26251068 .   
  34. ↑ Nasief, Haidy; Hall, William; Zheng, Cheng; Tsai, Susan; Wang, Liang; Erickson, Beth; Li, X. Allen (8 de enero de 2020). "Mejora de la predicción de la respuesta al tratamiento para la quimiorradioterapia del cáncer de páncreas mediante una combinación de radiómica delta y el biomarcador clínico CA19-9" . Frontiers in Oncology . 9 1464. doi : 10.3389/fonc.2019.01464 . PMC 6960122. PMID 31970088 .  
  35. ↑ Tixier F, Le Rest CC, Hatt M, Albarghach N, Pradier O, Metges JP, et al. (marzo de 2011). "La heterogeneidad intratumoral caracterizada por características texturales en imágenes PET con 18F-FDG basales predice la respuesta a la radioquimioterapia concomitante en el cáncer de esófago" . Journal of Nuclear Medicine . 52 (3): 369–78 . doi : 10.2967/jnumed.110.082404 . PMC 3789272. PMID 21321270 .   
  36. ↑ Hatt M, Majdoub M, Vallières M, Tixier F, Le Rest CC, Groheux D, et al. (enero de 2015). "Caracterización de la captación de PET con 18F-FDG mediante análisis de textura: investigación de la naturaleza complementaria de la heterogeneidad y el volumen tumoral funcional en una cohorte de pacientes con múltiples sitios de cáncer" . Journal of Nuclear Medicine . 56 (1): 38– 44. doi : 10.2967/jnumed.114.144055 . PMID 25500829 .  
  37. ↑ van Rossum PS, Fried DV, Zhang L, Hofstetter WL, van Vulpen M, Meijer GJ, et al. (mayo de 2016). "El valor incremental de la evaluación subjetiva y cuantitativa de la PET con 18F-FDG para la predicción de la respuesta patológica completa a la quimiorradioterapia preoperatoria en el cáncer de esófago" . Journal of Nuclear Medicine . 57 (5): 691–700 . doi : 10.2967/jnumed.115.163766 . PMID 26795288 .  
  38. ↑ Yip SS, Coroller TP, Sanford NN, Mamon H, Aerts HJ, Berbeco RI (2016). "Relación entre los cambios temporales en las características texturales basadas en imágenes de tomografía por emisión de positrones y la respuesta patológica y la supervivencia en pacientes con cáncer de esófago" . Frontiers in Oncology . 6 : 72. doi : 10.3389/fonc.2016.00072 . PMC 4810033. PMID 27066454 .  
  39. ↑ Zhang H, Tan S, Chen W, Kligerman S, Kim G, D'Souza WD, et al. (enero de 2014). "Modelado de la respuesta patológica del cáncer de esófago a la quimiorradioterapia utilizando características espaciotemporales de PET con 18F-FDG, parámetros clínicos y datos demográficos" . International Journal of Radiation Oncology, Biology, Physics . 88 (1): 195– 203. doi : 10.1016/j.ijrobp.2013.09.037 . PMC 3875172. PMID 24189128 .   
  40. ↑ Cheng NM, Fang YH, Lee LY, Chang JT, Tsan DL, Ng SH, et al. (marzo de 2015). "La no uniformidad del tamaño de zona de las características texturales regionales de la PET con 18F-FDG predice la supervivencia en pacientes con cáncer orofaríngeo". European Journal of Nuclear Medicine and Molecular Imaging . 42 (3): 419–28 . doi : 10.1007/s00259-014-2933-1 . PMID 25339524. S2CID 6167165 .   
  41. ↑ Cook GJ, Yip C, Siddique M, Goh V, Chicklore S, Roy A, et al. (enero de 2013). "¿Están las características texturales del tumor en la PET con 18F-FDG previas al tratamiento en el cáncer de pulmón de células no pequeñas asociadas con la respuesta y la supervivencia después de la quimiorradioterapia?" . Journal of Nuclear Medicine . 54 (1): 19– 26. doi : 10.2967/jnumed.112.107375 . PMID 23204495 .  
  42. ↑ Sun R, Limkin EJ, Vakalopoulou M, Dercle L, Champiat S, Han SR, et al. (septiembre de 2018). "Un enfoque radiómico para evaluar las células CD8 infiltrantes del tumor y la respuesta a la inmunoterapia anti-PD-1 o anti-PD-L1: un biomarcador de imagen, estudio retrospectivo multicohorte". The Lancet. Oncology . 19 (9): 1180– 1191. doi : 10.1016/S1470-2045(18)30413-3 . PMID 30120041 . S2CID 52032552 .   
  43. ↑ Tunali I, Gray JE, Qi J, Abdallah M, Jeong DK, Guvenis A, Gillies RJ, Gillies RJ (enero de 2019). " Nuevos predictores clínicos y radiómicos de fenotipos de progresión rápida de la enfermedad en pacientes con cáncer de pulmón tratados con inmunoterapia: un informe preliminar" . Lung Cancer . 129 : 75–79 . doi : 10.1016/j.lungcan.2019.01.010 . PMC 6450086. PMID 30797495 .  
  44. ↑ Mu W, Tunali I, Gray JE, Qi J, Gillies RJ, Gillies RJ (dic. 2019). "La radiómica de las imágenes PET/CT con 18F-FDG predice el beneficio clínico de los pacientes con CPNM avanzado tratados con inmunoterapia de bloqueo de puntos de control" . Eur J Nucl Med Mol Imaging . 47 (5): 1168– 1182. doi : 10.1007/s00259-019-04625-9 . PMC 8663718. PMID 31807885. S2CID 208650067 .   
  45. ↑ Ludwig, CG; Lauric, A; Malek, JA; Mulligan, R; Malek, AM (2020). "Rendimiento de las características morfológicas derivadas de la radiómica para la predicción del estado de ruptura del aneurisma". Journal of NeuroInterventional Surgery . 13 (8). doi : 10.1136/neurintsurg-2020-016808 . PMID 33158993. S2CID 226274492 .  
  46. ↑ Tunali I, Stringfield O, Guvenis A, Wang H, Liu Y, et al. (agosto de 2017). "Las características radiómicas del gradiente radial y la desviación radial de las tomografías computarizadas prequirúrgicas se asocian con la supervivencia entre los pacientes con adenocarcinoma de pulmón" . Oncotarget . 8 ( 56): 96013– 96026. doi : 10.18632/oncotarget.21629 . PMC 5707077. PMID 29221183 .   
  47. ↑ Huang P, Park S, Yan R, Lee J, Chu LC, Lin CT, Hussien A, Rathmell J, Thomas B, Chen C, et al. (septiembre de 2018). "Valor añadido de las características de las imágenes de TC asistidas por ordenador para el diagnóstico precoz del cáncer de pulmón con pequeños nódulos pulmonares: un estudio de casos y controles emparejados" . Radiology . 286 ( 1): 286–295 . doi : 10.1148/radiol.2017162725 . PMC 5779085. PMID 28872442 .   
  48. 1 2 Coroller TP, Grossmann P, Hou Y, Rios Velazquez E, Leijenaar RT, Hermann G, et al. (marzo de 2015). "La firma radiómica basada en TC predice la metástasis a distancia en el adenocarcinoma de pulmón" . Radioterapia y Oncología . 114 (3): 345– 50. doi : 10.1016/j.radonc.2015.02.015 . PMC 4400248. PMID 25746350 .   
  49. ↑ Vallières M, Freeman CR, Skamene SR, El Naqa I (julio de 2015). "Un modelo radiómico a partir de características de textura de FDG-PET y MRI conjuntas para la predicción de metástasis pulmonares en sarcomas de tejidos blandos de las extremidades". Physics in Medicine and Biology . 60 (14): 5471– 96. Bibcode : 2015PMB....60.5471V . doi : 10.1088/0031-9155/60/14/5471 . PMID 26119045. S2CID 4709680 .  
  50. ↑ Rios Velazquez E, Parmar C, Liu Y, Coroller TP, Cruz G, Stringfield O, et al. (julio de 2017). " Las mutaciones somáticas impulsan fenotipos de imagen distintos en el cáncer de pulmón" . Cancer Research . 77 (14): 3922–3930 . doi : 10.1158/0008-5472.CAN-17-0122 . PMC 5528160. PMID 28566328 .   
  51. ↑ Yip SS, Kim J, Coroller TP, Parmar C, Velazquez ER, Huynh E, et al. (abril de 2017). "Asociaciones entre mutaciones somáticas y fenotipos de imágenes metabólicas en cáncer de pulmón de células no pequeñas" . Journal of Nuclear Medicine . 58 (4): 569– 576. doi : 10.2967/jnumed.116.181826 . PMC 5373502. PMID 27688480 .   
  52. ↑ Brown R, Zlatescu M, Sijben A, Roldan G, Easaw J, Forsyth P, et al. (abril de 2008). "El uso de imágenes por resonancia magnética para detectar de forma no invasiva firmas genéticas en oligodendroglioma" . Clinical Cancer Research . 14 (8): 2357– 62. doi : 10.1158/1078-0432.CCR-07-1964 . PMID 18413825 .  
  53. ↑ Drabycz S, Roldán G, de Robles P, Adler D, McIntyre JB, Magliocco AM, et al. (enero de 2010). " Análisis de la textura de la imagen, la localización del tumor y la metilación del promotor MGMT en glioblastoma mediante resonancia magnética". NeuroImage . 49 (2): 1398– 405. doi : 10.1016/j.neuroimage.2009.09.049 . PMID 19796694. S2CID 18857965 .   
  54. ↑ Gutman DA, Dunn WD, Grossmann P, Cooper LA, Holder CA, Ligon KL, et al. (diciembre de 2015). " Mutaciones somáticas asociadas con características volumétricas derivadas de resonancia magnética en glioblastoma" . Neuroradiology . 57 (12): 1227–37 . doi : 10.1007/s00234-015-1576-7 . PMC 4648958. PMID 26337765 .   
  55. ↑ Hassan, Islam, et al. "NIMG-28. El aumento de la carga mutacional (hipermutación) en los gliomas se asocia con una firma de textura radiómica única en la resonancia magnética." Neuro-oncology 19.Suppl 6 (2017): vi147.
  56. ↑ Sun R, Orlhac F, Robert C, Reuzé S, Schernberg A, Buvat I, et al. (agosto de 2016). "En relación con Mattonen et al". International Journal of Radiation Oncology, Biology, Physics . 95 (5): 1544– 1545. doi : 10.1016/j.ijrobp.2016.03.038 . PMID 27479727 .  
  57. ↑ Yip SS, Coroller TP, Sanford NN, Huynh E, Mamon H, Aerts HJ, Berbeco RI (enero de 2016). "Uso de la propagación de contornos basada en el registro en el análisis de texturas para la predicción de la respuesta patológica del cáncer de esófago". Physics in Medicine and Biology . 61 (2): 906– 22. Bibcode : 2016PMB....61..906Y . doi : 10.1088/0031-9155 / 61/2/906 . PMID 26738433. S2CID 21799373 .  
  58. ↑ Peng L, Parekh V, Huang P, Lin DD, Sheikh K, Baker B, et al. (noviembre de 2018). "Distinción entre progresión verdadera y radionecrosis después de radioterapia estereotáctica para metástasis cerebrales con aprendizaje automático y radiómica" . International Journal of Radiation Oncology, Biology, Physics . 102 (4): 1236– 1243. Bibcode : 2018IJROB.102.1236P . doi : 10.1016/ j.ijrobp.2018.05.041 . PMC 6746307. PMID 30353872 .   
  59. ↑ Hassan I, Kotrotsou A, Bakhtiari AS, Thomas GA, Weinberg JS, Kumar AJ, et al. (mayo de 2016). "El mapeo de análisis de textura radiómica predice áreas de verdadera actividad de resonancia magnética funcional" . Scientific Reports . 6 25295. Bibcode : 2016NatSR...625295H . doi : 10.1038/srep25295 . PMC 4858648. PMID 27151623 .   
  60. ↑ Diehn, Maximilian; Nardini, Christine; Wang, David S.; McGovern, Susan; Jayaraman, Mahesh; Liang, Yu; Aldape, Kenneth; Cha, Soonmee; Kuo, Michael D. (2008). "Identificación de sustitutos de imágenes no invasivas para módulos de expresión génica de tumores cerebrales" . Actas de la Academia Nacional de Ciencias . 105 (13): 5213– 8. doi : 10.1073/pnas.0801279105 . PMC 2278224. PMID 18362333 .  
  61. ^ Zinn, Pascal O.; Mahajan, Bhanu; Sathyan, Pratheesh; Singh, Sanjay K.; Majumder, Sadhan; Jolesz, Ferenc A.; Colen, Rivka R. (2011). Alemán, Eric (ed.). "Mapeo radiogenómico de fenotipos de resonancia magnética de edema/invasión celular en glioblastoma multiforme" . MÁS UNO . 6 (10) e25451. Código Bib : 2011PLoSO...625451Z . doi : 10.1371/journal.pone.0025451 . PMC 3187774 . PMID 21998659 .  
  62. ↑ Rutman, Aaron M.; Kuo, Michael D. (2009). "Radiogenómica: Creando un vínculo entre el diagnóstico molecular y la imagen diagnóstica". European Journal of Radiology . 70 (2): 232– 41. doi : 10.1016/j.ejrad.2009.01.050 . PMID 19303233 . 
  63. ↑ Gevaert, O.; Xu, J.; Hoang, CD; Leung, AN; Xu, Y.; Quon, A.; Rubin, DL; Napel, S.; Plevritis, SK (2012). "Cáncer de pulmón de células no pequeñas: identificación de biomarcadores de imagen pronósticos mediante el aprovechamiento de datos públicos de microarrays de expresión génica: métodos y resultados preliminares" . Radiology . 264 ( 2): 387– 96. doi : 10.1148/radiol.12111607 . PMC 3401348. PMID 22723499 .  
  64. ↑ Jaffe, C. (2012). "Imágenes y genómica: ¿existe una sinergia?" . Radiology . 264 (2): 329– 31. doi : 10.1148/radiol.12120871 . PMID 22821693 . 
  65. ↑ Zhou, M.; Leung, A.; Echegaray, S.; Gentles, A.; Shrager, J.; Plevritis, S.; Rubin, DL; Napel, S.; Gevaert, O. (2017). "Mapa radiogenómico del cáncer de pulmón de células no pequeñas identifica relaciones entre fenotipos moleculares y de imagen con implicaciones pronósticas" . Radiology . 286 ( 1): 307– 15. doi : 10.1148/radiol.2017161845 . PMC 5749594. PMID 28727543 .  
  66. ↑ Houlahan, Kathleen E.; Salmasi, Amirali; Sadun, Taylor Y.; Pooli, Aydin; Felker, Ely R.; Livingstone, Julie; Huang, Vincent; Raman, Steven S.; Ahuja, Preeti; Sisk, Anthony E.; Boutros, Paul C. (julio de 2019). " Características moleculares de la visibilidad de la resonancia magnética multiparamétrica en el cáncer de próstata" . European Urology . 76 (1): 18– 23. doi : 10.1016/j.eururo.2018.12.036 . ISSN 1873-7560 . PMC 10228592. PMID 30685078. S2CID 59304426 .    
  67. ↑ Li, Ping; You, Sungyong; Nguyen, Christopher; Wang, Yanping; Kim, Jayoung; Sirohi, Deepika; Ziembiec, Asha; Luthringer, Daniel; Lin, Shih-Chieh; Daskivich, Timothy; Wu, Jonathan (2018). " Los genes implicados en la progresión del cáncer de próstata determinan la visibilidad en la resonancia magnética" . Theranostics . 8 (7): 1752– 1765. doi : 10.7150/thno.23180 . ISSN 1838-7640 . PMC 5858498. PMID 29556354 .   
  68. ↑ Purysko, Andrei S.; Magi-Galluzzi, Cristina; Mian, Omar Y.; Sittenfeld, Sarah; Davicioni, Elai; du Plessis, Marguerite; Buerki, Christine; Bullen, Jennifer; Li, Lin; Madabhushi, Anant; Stephenson, Andrew (septiembre de 2019). " Correlación entre fenotipos de resonancia magnética y un clasificador genómico del cáncer de próstata: hallazgos preliminares" . European Radiology . 29 (9): 4861– 4870. doi : 10.1007/s00330-019-06114-x . ISSN 1432-1084 . PMC 6684343. PMID 30847589 .   
  69. ↑ Norris, Joseph M.; Simpson, Benjamin S.; Parry, Marina A.; Kasivisvanathan, Veeru; Allen, Clare; Ball, Rhys; Freeman, Alex; Kelly, Daniel; Kirkham, Alex; Whitaker, Hayley C.; Emberton, Mark (marzo de 2020). "Correlatos genéticos de la visibilidad (e invisibilidad) del cáncer de próstata en imágenes de resonancia magnética multiparamétrica: es hora de hacer balance" . BJU International . 125 (3): 340–342 . doi : 10.1111/bju.14919 . ISSN 1464-410X . PMID 31600865 .  
  70. 1 2 Norris, Joseph M.; Simpson, Benjamin S.; Parry, Marina A.; Allen, Clare; Ball, Rhys; Freeman, Alex; Kelly, Daniel; Kim, Hyung L.; Kirkham, Alex; You, Sungyong; Kasivisvanathan, Veeru (2020-07-01). "Panorama genético de la visibilidad del cáncer de próstata en imágenes de resonancia magnética multiparamétrica: una revisión sistemática y análisis bioinformático" . European Urology Open Science . 20 : 37–47 . doi : 10.1016/j.euros.2020.06.006 . ISSN 2666-1683 . PMC 7497895. PMID 33000006 .   
  71. ↑ Norris, Joseph M.; Simpson, Benjamin S.; Freeman, Alex; Kirkham, Alex; Whitaker, Hayley C.; Emberton, Mark (2020). "Visibilidad del cáncer de próstata en imágenes de resonancia magnética multiparamétrica: una hipótesis traslacional interdisciplinaria" . The FASEB Journal . 34 (11): 14150– 14159. doi : 10.1096/fj.202001466R . ISSN 1530-6860 . PMC 8436756. PMID 32920937 .   
  72. ↑ Mazurowski, MA; Zhang, J.; Grimm, LJ; Yoon, SC; Silber, JI (2014). "Análisis radiogenómico del cáncer de mama: el subtipo molecular luminal B se asocia con la dinámica de realce en la resonancia magnética" . Radiology . 273 (2): 365–72 . doi : 10.1148/radiol.14132641 . PMID 25028781 . 
  73. 1 2 3 Parekh VS, Jacobs MA (2018-09-25). "MPRAD: Un marco de radiómica multiparamétrica" . Breast Cancer Research and Treatment . 180 (2): 407– 421. arXiv : 1809.09973 . Bibcode : 2018arXiv180909973P . doi : 10.1007/ s10549-020-05533-5 . PMC 7066290. PMID 32020435 .  
  74. 1 2 3 4 Qi, Ying-Jia, et al. "Radiómica en el cáncer de mama: avances actuales y direcciones futuras." Cell Reports Medicine , vol. 5, n.º 9, 2024, doi:10.1016/j.xcrm.2024.101719.
  75. 1 2 3 4 5 6 7 Demircioğlu, Aydın. "Reproducibilidad e interpretabilidad en radiómica: una evaluación crítica." Diagnostic and Interventional Radiology , vol. 31, n.º 4, 2025, pp. 321–328, doi:10.4274/dir.2024.242719.
  76. 1 2 3 Bera, Kaustav, et al. "Predicción de resultados oncológicos con radiómica e inteligencia artificial en radiología." Nature Reviews Clinical Oncology , vol. 19, n.º 2, 2022, pp. 132–146, doi:10.1038/s41571-021-00560-7.