ЖурналыПодпискаАрхивКнигиПроектыО насРекламаДоставка/ОплатаКонтакты
+7 (495) 428-43-29
  • Главная
  • / Журналы
  • / Вернуться в журнал
  • / Содержание номера
  • / Статья
Тематическое моделирование научной литературы в области радиомики глиом

Тематическое моделирование научной литературы в области радиомики глиом

Авторы:
Читадзе А.А.,
Глеб Валерьевич Данилов,
Калаева Д.Б.,
Игорь Николаевич Пронин

Журнал: Вопросы нейрохирургии имени Н.Н. Бурденко. 2025;89(6-2):57-66.

DOI: 10.17116/neiro20258906257

Прочитано: 1223 раза

Скачать PDF (EN)

Резюме

ЦЕЛЬ ИССЛЕДОВАНИЯ

Выявить тенденции исследований в области радиомики глиом с помощью тематического моделирования, проследить развитие этой области и определить направления с потенциальной клинической и научной значимостью.

МАТЕРИАЛ И МЕТОДЫ

Проведен комплексный библиометрический и тематический анализ научной литературы о радиомике глиом, опубликованной в период с 2014 по 2024 г. Поиск статей выполнен в базе данных PubMed с использованием ключевых слов. После предварительного отбора публикаций по релевантности применяли методы тематического моделирования и библиометрического анализа для выявления основных исследовательских направлений и динамики развития тем.

РЕЗУЛЬТАТЫ

Выявлено устойчивое увеличение количества публикаций в области радиомики глиом с 2014 по 2024 г. С помощью тематического моделирования выделены основные направления исследований, включающие сегментацию и извлечение признаков лучевых изображений глиом, валидацию и воспроизводимость моделей машинного обучения, молекулярную классификацию глиальных опухолей и прогнозирование выживаемости. Работы подчеркивают значимость воспроизводимости моделей и применения радиомики совместно с анализом геномных данных и методами искусственного интеллекта. Радиомика глиом имеет большой потенциал для клинической практики, особенно при интеграции с молекулярными и геномными данными. Несмотря на быстрое развитие области, остаются проблемы с воспроизводимостью моделей и стандартизацией протоколов, что ограничивает их широкое внедрение. Исследования показывают необходимость использования многоцентровых данных и повышения интерпретируемости радиомических признаков. Будущие работы должны быть направлены на создание надежных, клинически применимых моделей и улучшение методов интеграции радиомики с искусственным интеллектом для персонализированной медицины.

ЗАКЛЮЧЕНИЕ

Радиомика глиом развивается в направлении создания более надежных и клинически применимых моделей. Валидация моделей на разнообразных наборах данных и интеграция радиомики с молекулярными и геномными методами — ключевые направления будущих исследований. Тематическое моделирование позволило определить основные исследовательские темы, отражающие текущее состояние и перспективные направления применения радиомики в исследовании глиальных опухолей.

Ключевые слова

  • глиома
  • опухоль мозга
  • радиомика
  • тематическое моделирование

Дата поступления: 30.10.2025

Дата принятия в печать: 26.11.2025

Дата публикации: 13.01.2026

Литература / References
  1. Ostrom QT, Price M, Neff C, Cioffi G, Waite KA, Kruchko C, Barnholtz- Sloan JS. CBTRUS Statistical Report: Primary Brain and Other Central Nervous System Tumors Diagnosed in the United States in 2015-2019. Neuro-Oncology. 2022;24(Suppl 5):v1-v95. https://doi.org/10.1093/neuonc/noac202
  2. Nicholson JG, Fine HA. Diffuse Glioma Heterogeneity and Its Therapeutic Implications. Cancer Discovery. 2021;11(3):575-590. https://doi.org/10.1158/2159-8290.CD-20-1474
  3. Choi Y, Jang J, Kim B-S, Ahn K-J. Pretreatment MR-based radiomics in patients with glioblastoma: A systematic review and meta-analysis of prognostic endpoints. European Journal of Radiology. 2023;168:111130. https://doi.org/10.1016/j.ejrad.2023.111130
  4. Zhu FY, Sun YF, Yin XP, Wang TD, Zhang Y, Xing LH, Xue LY, Wang JN. Use of Radiomics Models in Preoperative Grading of Cerebral Gliomas and Comparison with Three-dimensional Arterial Spin Labelling. Clinical Oncology. 2023;35:726-735. https://doi.org/10.1016/j.clon.2023.08.001
  5. Zhang W, Guo Y, Jin Q. Radiomics and Its Feature Selection: A Review. Symmetry (Basel). 2023;15(10):1834. https://doi.org/10.3390/sym15101834
  6. Van Timmeren JE, Cester D, Tanadini-Lang S, Alkadhi H, Baessler B. Radiomics in medical imaging-«how-to» guide and critical reflection. Insights Imaging. 2020;11:91. https://doi.org/10.1186/s13244-020-00887-2
  7. Zhong J, Lu J, Zhang G, Mao S, Chen H, Yin Q, Hu Y, Xing Y, Ding D, Ge X, Zhang H, Yao W. An overview of meta-analyses on radiomics: more evidence is needed to support clinical translation. Insights Imaging. 2023;14(1):111. https://doi.org/10.1186/s13244-023-01437-2
  8. Kocak B, Baessler B, Bakas S, Cuocolo R, Fedorov A, Maier-Hein L, Mercaldo N, Müller H, Orlhac F, Pinto Dos Santos D, Stanzione A, Ugga L, Zwanenburg A. CheckList for EvaluAtion of Radiomics research (CLEAR): a step-by-step reporting guideline for authors and reviewers endorsed by ESR and EuSoMII. Insights Imaging. 2023;14(1):75. https://doi.org/10.1186/s13244-023-01415-8
  9. Chen C, Du X, Yang L, Liu H, Li Z, Gou Z and Qi J. Research on application of radiomics in glioma: a bibliometric and visual analysis. Frontiers in Oncology. 2023;13:1083080. https://doi.org/10.3389/fonc.2023.1083080
  10. Nayak SS, Pendem S, Menon GR, Sampathila N, Koteshwar P. Quality Assessment of MRI-Radiomics-Based Machine Learning Methods in Classification of Brain Tumors: Systematic Review. Diagnostics (Basel). 2024;14(23):2741. https://doi.org/10.3390/diagnostics14232741
  11. Karabacak M, Patil S, Gersey ZC, Komotar RJ, Margetis K. Radiomics-Based Machine Learning with Natural Gradient Boosting for Continuous Survival Prediction in Glioblastoma. Cancers (Basel). 2024;16(21):3614. https://doi.org/10.3390/cancers16213614
  12. Duman A, Sun X, Thomas S, Powell JR, Spezi E. Reproducible and Interpretable Machine Learning-Based Radiomic Analysis for Overall Survival Prediction in Glioblastoma Multiforme. Cancers (Basel). 2024;16(19):3351. https://doi.org/10.3390/cancers16193351
  13. Poursaeed R, Mohammadzadeh M, Safaei AA. Survival prediction of glioblastoma patients using machine learning and deep learning: a systematic review. BMC Cancer. 2024;24(1):1581. https://doi.org/10.1186/s12885-024-13320-4
  14. Zhang J, Cao G, Pang H, Li J, Yao X. Development and validation of radiomics machine learning model based on contrast-enhanced computed tomography to predict axillary lymph node metastasis in breast cancer. Biomolecules and Biomedicine. 2023;23(2):317-326. https://doi.org/10.17305/bjbms.2022.7853
  15. Kim M, Lee JH, Joo L, Jeong B, Kim S, Ham S, Yun J, Kim N, Chung SR, Choi YJ, Baek JH, Lee JY, Kim JH. Development and Validation of a Model Using Radiomics Features from an Apparent Diffusion Coefficient Map to Diagnose Local Tumor Recurrence in Patients Treated for Head and Neck Squamous Cell Carcinoma. Korean Journal of Radiology. 2022;23(11):1078-1088. https://doi.org/10.3348/kjr.2022.0299
  16. Teng X, Zhang J, Zwanenburg A, Sun J, Huang Y, Lam S, Zhang Y, Li B, Zhou T, Xiao H, Liu C, Li W, Han X, Ma Z, Li T, Cai J. Building reliable radiomic models using image perturbation. Scientific Reports. 2022;12(1):10035. https://doi.org/10.1038/s41598-022-14178-x
  17. Danilov G, Shevchenko A, Afandiev R, Batalov A, Pogosbekyan E, Zakharova N, Shugai S, Pronin I. Reproducibility of Radiomic Features in Glial Brain Tumors. Studies in Health Technology and Informatics. 2024;316:1165-1166. https://doi.org/10.3233/SHTI240617
  18. Hooper GW, Ginat DT. MRI radiomics and potential applications to glioblastoma. Frontiers in Oncology. 2023;13:1134109. https://doi.org/10.3389/fonc.2023
  19. Wang W, Wang Y, Meng W, Guo E, He H, Huang G, He W, Wu Y. Prediction of Glioma enhancement pattern using a MRI radiomics-based model. Medicine (Baltimore). 2024;103(36): e39512. https://doi.org/10.1097/MD.0000000000039512
slide-cover

Рекомендуем статьи по данной теме:

Хирургия глиом зоны Брока.Вопросы нейрохирургии имени Н.Н. Бурденко. 2025;89(6):38-45

Скрининг на мутации TERTp методом цифровой капельной ПЦР коллекции из 52 парных образцов ДНК из плазмы крови и опухолевых тканей пациентов с глиобластомой.Вопросы нейрохирургии имени Н.Н. Бурденко. 2025;89(5):87-95

Модели машинного обучения для дифференциальной диагностики опухолей головного мозга.Профилактическая медицина. 2025;28(9):87-93

Глимфатическая система головного мозга в норме и при патологии: нарративный обзор литературы.Вопросы нейрохирургии имени Н.Н. Бурденко. 2025;89(4):112-118

Перспективы использования антидепрессантов как дополнительных противоопухолевых препаратов при глиомах головного мозга человека.Вопросы нейрохирургии имени Н.Н. Бурденко. 2024;88(6):97-102

Связь степени злокачественности и миграционной способности глиом человека с экспрессией изоформ GDNF in vitro.Вопросы нейрохирургии имени Н.Н. Бурденко. 2024;88(6):31-38

Позитронно-эмиссионная томография, совмещенная с компьютерной томографией, с 11С-метионином как независимый предиктор безрецидивной выживаемости у больных с диффузными глиомами без мутации в гене IDH1.Вопросы нейрохирургии имени Н.Н. Бурденко. 2024;88(5):6-13

Издательство «Медиа Сфера»
РекламаДоставка/ОплатаО насКонтактыОбучение для редакцийПолитика конфиденциальностиПолитика обработки персональных данныхПубличная оферта на реализацию издательской продукции
ЖурналыПодпискаАрхивКнигиПроекты
  • RuStore

© 1998-2026

  • Телефоны издательства:

  • +7 (495) 482-41-18
  • +7 (495) 482-43-29
  • Прямой телефон отдела подписки
    (только по вопросам заказов и доставки журналов)

  • +7 (800) 250-18-12
  • пн-пт с 10:00 до 18:00

  • Telegram
  • VK
info@mediasphera.ru
  • Почтовый адрес:

  • Издательство «Медиа Сфера»,
    а/я 54, Москва, Россия, 127238

  • RuStore

© 1998-2026