Екатерина Александровна Петраш,
к.м.н., врач-рентгенолог детского отделения рентгенодиагностики консультативно-диагностического центра,
115522, Москва, Каширское шоссе, 23
Cand. of Sci. (Med.), Radiologist Pediatric Radiology Department of Consultative and Diagnostic Center,
23 Kashirskoe Shosse, Moscow, 115522
врач-рентгенолог отделения рентгенологии, рентгеновской компьютерной томографии и магнитно-резонансной томографии НИИ радиологии и клинической физиологии,
117513, Москва, ул. Островитянова, 1, стр. 10
Radiologist Department of Radiology, Computed Tomography and Magnetic Resonance Imaging of the Research Institute of Radiology and Clinical Physiology,
Bld. 10, 1 Ostrovityanova St., Moscow, 117513
к.м.н., заведующая детским отделением рентгенодиагностики консультативно-диагностического центра,
115522, Москва, Каширское шоссе, 23
Cand. of Sci. (Med.), Head of the Pediatric Radiology Department of Consultative and Diagnostic Center,
23 Kashirskoe Shosse, Moscow, 115522
к.м.н., старший научный сотрудник детского отделения рентгенодиагностики консультативно-диагностического центра,
115522, Москва, Каширское шоссе, 23
Cand. of Sci. (Med.), Senior Researcher of the Pediatric Radiology Department of Consultative and Diagnostic Center,
23 Kashirskoe Shosse, Moscow, 115522
врач-рентгенолог детского отделения рентгенодиагностики консультативно-диагностического центра,
115522, Москва, Каширское шоссе, 23
Radiologist Pediatric Radiology Department of Consultative and Diagnostic Center,
23 Kashirskoe Shosse, Moscow, 115522
врач-анестезиолог-реаниматолог отделения реанимации и интенсивной терапии,
117997, Москва, ул. Саморы Машела, 1
Anesthesiologist-resuscitator Resuscitation and Intensive Care Department,
1 Samory Mashela St., Moscow, 117997
Введение. Опухоли печени составляют 1,1 % всех впервые выявленных новообразований у детей. Редкость данной патологии обусловливает трудности дифференциальной диагностики. В настоящее время магнитно-резонансная томография (МРТ) является основным и самым перспективным методом диагностики заболеваний печени. В нашей работе мы решили провести количественную оценку данных этого исследования.
Цель исследования – определение возможностей количественной оценки данных мультипараметрической МРТ в дифференциальной диагностике доброкачественных и злокачественных новообразований (ЗНО) печени у детей.
Материалы и методы. Обследованы 133 пациента с 307 образованиями печени в возрасте от 5 месяцев до 20 лет. Всем больным проводилась МРТ на высокопольных МР-аппаратах с использованием внеклеточного контрастного препарата, включавшая T2-взвешенные изображения с подавлением и без подавления сигнала от жировой ткани, диффузионно-взвешенные изображения с автоматическим расчетом карт измеряемого коэффициента диффузии, T1-взвешенные изображения с подавлением сигнала от жировой ткани до и после введения контрастного препарата (в артериальную, портальную, венозную и отсроченную фазы). Были получены количественные характеристики изменения интенсивности сигнала в очаге поражения, интактной паренхиме печени, селезенке, почке, аорте, нижней полой вене (НПВ). Для нивелирования влияния внешних факторов пользовались не абсолютными значениями интенсивности сигнала, а соотношениями: очаг/интактная паренхима печени, очаг/почка, очаг/аорта, очаг/селезенка, очаг/НПВ. Для каждого очага рассчитывалось 5 коэффициентов в каждой из последовательностей, за исключением пациентов (n = 4) после спленэктомии, у которых рассчитывали 4 коэффициента. Кроме того, для изображений, полученных после введения контрастного препарата, вычисляли отношения сигнала на постконтрастных изображениях к нативной фазе. В подсчет были включены такие количественные параметры, как максимальный размер опухоли, ее объем и возраст пациента. Опухоли были представлены доброкачественными (n = 139) и злокачественными (n = 169) образованиями. Диагноз всех ЗНО и части доброкачественных подтвержден морфологически, доброкачественных – с помощью МРТ с внутривенным контрастированием и динамического наблюдения.
Результаты. Была построена математическая модель: А = 1/(1+e-Z),
где Z = 6,25019 + 1,03132 × S + 1,30077 × P2le/li – 0,00459 × DCle + 4,01375 × P1le/a – 2,05533 × Part le/li – 2,55823 × Pport le/k + 7,56980 × Pdel5 le/k – 15,91047 × Pdel5 le/a.
Модель информативна и статистически достоверна (p < 0,001). При значении А > 0,5 следует считать, что исследуемый очаг имеет злокачественную природу, если А ≤ 0,5 – образование доброкачественное. Чувствительность и специфичность модели составили 0,947 и 0,917 соответственно.
Выводы. Математическая модель позволяет с высокой степенью информативности дифференцировать злокачественные и доброкачественные образования, что является приоритетной задачей при выявлении объемного образования в печени.
Introduction. Liver tumors account for 1.1 % of all newly diagnosed neoplasms in children. The rarity of this pathology causes difficulties in differential diagnosis. Currently, magnetic resonance imaging (MRI) is the main and most promising method for diagnosing liver diseases. In our work, we decided to quantify the data from this study.
Purpose of the study – determination of the possibilities of quantitative assessment of multiparametric MRI data in the differential diagnosis of benign and malignant liver tumors in children.
Material and methods. 133 patients with 307 liver lesions aged from 5 months to 20 years were examined. All patients underwent MRI on high-field MRI machines using an extracellular contrast agent, which included T2 weighted images with and without suppression of the signal from adipose tissue, diffusion-weighted images with automatic calculation of maps of the apparent diffusion coefficient (ADC), T1 weighted images with suppression of the signal from adipose tissue before and after the introduction of a contrast agent (in the arterial, portal, venous and delayed phases). Quantitative characteristics of changes in signal intensity in the lesion, intact liver parenchyma, spleen, kidney, aorta, and inferior vena cava (IVC) were obtained. To level the influence of external factors, we used not the absolute values of the signal intensity, but the ratios: lesion/intact liver parenchyma, lesion/kidney, lesion/aorta, lesion/spleen, lesion/IVC. For each lesion, 5 coefficients were calculated in each of the sequences, with the exception of patients (n = 4) after splenectomy, in whom 4 coefficients were calculated. In addition, for images obtained after the injection of a contrast agent, the ratios of the signal on post-contrast images to the native phase were calculated. Quantitative parameters such as the maximum size of the tumor, its volume and the age of the patient were included in the calculation. Tumors were represented by benign (n = 139) and malignant (n = 169) formations. The diagnosis of all malignant neoplasms and some benign ones was confirmed morphologically, benign ones – using MRI with intravenous contrast and dynamic observation.
Results. A mathematical model was built:
A = 1/(1+e-Z),
where Z = 6,25019 + 1,03132 × S + 1,30077 × P2le/li – 0,00459 × DCle + 4,01375 × P1le/a – 2,05533 × Part le/li – 2,55823 × Pport le/k + 7,56980 × Pdel5 le/k – 15,91047 × Pdel5 le/a.
The model is informative and statistically significant (p < 0.001). If A > 0.5, it should be considered that the studied focus is of a malignant nature, if A ≤ 0.5, the formation is benign. Model sensitivity and specificity were, respectively, 0.947 and 0.917.
Conclusion. The mathematical model makes it possible to differentiate between malignant and benign formations with a high degree of informativeness, which is a priority task in detecting a mass formation in the liver.
The authors declare that there are no conflicts of interest present.