Сочетанное применение АРТ-МРТ и VASARI-характеристик для оценки агрессивности диффузных глиом

Цель исследования. Исследование направлено на проведение комплексного анализа возможностей сочетанного использования метода переноса амидных протонов (APT) и стандартизированных визуальных признаков VASARI для прогнозирования молекулярных характеристик (статус IDH1, коделеция 1p19q) и степени злокачественности (дифференциация Grade 3 / Grade 4) у пациентов с диффузными глиомами.

Материалы и методы. В проспективное пилотное исследование включено 40 пациентов с морфологически верифицированными диффузными глиомами. Всем пациентам выполнено предоперационное МРТ-исследование на сканере 3T, включающее APT-последовательность, а также ASL и DWI (с расчетом ADC). Проведена количественная оценка APT, ASL и ADC, а также качественный анализ 25 морфологических признаков по системе VASARI с последующим множественным корреспондентным анализом для выделения латентных компонент. Для решения задач классификации применялись методы машинного обучения (случайный лес, XGBoost, логистическая регрессия, метод опорных векторов, мультиномиальная регрессия). Сравнивалась эффективность моделей, основанных только на количественных МРТ-параметрах (средних значениях APT, ADC, ASL), и моделей с дополнительным включением компонент VASARI.

Результаты. Значения APT значимо различались между глиомами разных степеней злокачественности (p = 0,004), тогда как ASL и ADC не показали значимых различий. Выделенные компоненты VASARI объяснили 37,2 % дисперсии, при этом первая и наиболее значимая компонента (VASARI MC1), отражающая инвазивный потенциал опухоли, продемонстрировала сильную корреляцию с APT (r = 0,65, p < 0,001). Наилучшие результаты достигнуты в прогнозировании статуса IDH1: модель случайного леса с включением признаков VASARI показала точность = 0,9 и AUC = 0,91, что существенно выше моделей только на количественных параметрах (точность 0,8, AUC 0,81). Прогнозирование наличия/отсутствия коделеции 1p19q и дифференциация опухолей Grade 3 / Grade 4 оказались более сложными задачами, и добавление VASARI не привело к значимому улучшению моделей.

Заключение. Комбинированное использование количественных параметров APT и стандартизированной визуальной оценки по системе VASARI демонстрирует значительный потенциал для неинвазивного прогнозирования молекулярно-генетических характеристик диффузных глиом, в частности статуса IDH1. Интеграция качественных и количественных данных МРТ позволяет создать более точные диагностические модели, что может способствовать персонализации тактики лечения пациентов.

1. Ahmadzadeh A. M., Lomer N. B., Ashoobi M. A., Elyassirad D., Gheiji B., Vatanparast M., Jalalian S. A., Arab M., Seilanian Toosi F., Bathla G., Faghani S. Predicting 1p/19q Codeletion Status in Glioma Using MRI-Derived Radiomics: A Systematic Review and Meta-Analysis of Diagnostic Accuracy. AJNR Am. J. Neuro­ radiol. 2025;67(7):1667-1681. DOI

2. Azizova A., Prysiazhniuk Y., Wamelink I. J. H. G., Petr J., Barkhof F., Keil V. C. Ten Years of VASARI Glioma Features: Systematic Review and Meta-Analysis of Their Impact and Performance. AJNR Am. J. Neuroradiol. 2024;45(8):1053-1062. DOI

3. Bai L., Jiang J., Zhou J. Assessment of Ki-67 expression levels in IDH-wildtype glioblastoma using logistic regression modelling of VASARI features. Neurosurg. Rev. 2023;47(1):20. DOI

4. Berger T. R., Wen P. Y., Lang-Orsini M., Chukwueke U. N. World Health Organization 2021 Classification of Central Nervous System Tumors and Implications for Therapy for Adult-Type Gliomas: A Review. JAMA Oncol. 2022;8(10): 1493-1501. DOI

5. Falk Delgado A., De Luca F., van Westen D., Falk Delgado A. Arterial spin labeling MR imaging for differentiation between high- and low-grade glioma-a meta-analysis. Neuro Oncol. 2018;20(11):1450-1461. DOI

6. Fan H., Luo Y., Gu F., Tian B., Xiong Y., Wu G., Nie X., Yu J., Tong J., Liao X. Artificial intelligence-based MRI radiomics and radiogenomics in glioma. Cancer Imaging. 2024;24(1):36. DOI

7. Filimonova E., Pashkov A., Borisov N., Kalinovsky A., Rzaev J. Utilizing the amide proton transfer technique to characterize diffuse gliomas based on the WHO 2021 classification of CNS tumors. Neuroradiol. J. 2024;37(4):490-499. DOI

8. Golebiowska M., Nam S. M., Hwang J. H., Lee S. T., Choi S. H., Park C. K. Opportunities and challenges in application of VASARI features in neuro-oncology. Neuroоncol. Practice. 2025;12(6):952-969. DOI

9. Guo H., Liu J., Hu J., Zhang H., Zhao W., Gao M., Zhang Y., Yang G., Cui Y. Diagnostic performance of gliomas grading and IDH status decoding A comparison between 3D amide proton transfer APT and four diffusion-weighted MRI models. J. Magn. Reson. Imaging. 2022;56(6):1834-1844. DOI

10. Gutman D. A., Cooper L. A., Hwang S. N., Holder C. A., Gao J., Aurora T. D., Dunn W. D., Scarpace L., Mikkelsen T., Jain R., Wintermark M., Jilwan M., Raghavan P., Huang E., Clifford R. J., Mongkolwat P., Kleper V., Freymann J., Kirby J., Zinn P. O., Moreno C. S., Jaffe C., Colen R., Rubin D.L., Saltz J., Flanders A., Brat D. J. MR imaging predictors of molecular profile and survival: multi-institutional study of the TCGA glioblastoma data set. Radiology. 2013;267(2):560-569. DOI

11. Hu X., Martinez-Ledesma E., Zheng S., Kim H., Barthel F., Jiang T., Hess K. R., Verhaak R. G. W. Multigene signature for predicting prognosis of patients with 1p19q co-deletion diffuse glioma. Neuro Oncol. 2017;19(6):786-795. DOI

12. Kang K. M., Song J., Choi Y., Park C., Park J. E., Kim H. S., Park S. H., Park C. K., Choi S. H. MRI Scoring Systems for Predicting Isocitrate Dehydrogenase Mutation and Chromosome 1p/19q Codeletion in Adult-type Diffuse Glioma Lacking Contrast Enhancement. Radio­ logy. 2024;311(2):e233120. DOI

13. Li Y., Wang M., Zhang J., Zhang X., Sun S., Tan Y., Liu G., Ma L. Prediction Models of IDH and ATRX Gene Status in Diffuse Gliomas Based on VASARI Features. AJNR Am. J. Neuroradiol. 2025. ajnr. A9049 DOI

14. Osborn A. G., Louis D. N., Poussaint T. Y., Linscott L. L., Salzman K. L. The 2021 World Health Organization Classification of Tumors of the Central Nervous System: What Neuroradiologists Need to Know. AJNR Am. J. Neuroradiol. 2022;43(7):928-937. DOI

15. Pignotti F., Ius T., Russo R., Bagatto D., Beghella Bartoli F., Boccia E., Boldrini L., Chiesa S., Ciardi C., Cusumano D., Giordano C., La Rocca G., Mazzarella C., Mazzucchi E., Olivi A., Skrap M., Tran H. E., Varcasia G., Gaudino S., Sabatino G. Development and validation of a MRI-radiomics-based machine learning approach in High Grade Glioma to detect early recurrence. Front Oncol. 2024;14:1449235. DOI

16. Pitarch C., Ribas V., Vellido A. AI-Based Glioma Grading for a Trustworthy Diagnosis: An Analytical Pipeline for Improved Reliability. Cancers (Basel). 2023;15(13): 3369. DOI

17. Rudà R., Horbinski C., van den Bent M., Preusser M., Soffietti R. IDH inhibition in gliomas: from preclinical models to clinical trials. Nat. Rev. Neurol. 2024;20(7): 395-407. DOI

18. Setyawan N. H., Choridah L., Nugroho H. A., Malueka R. G., Dwianingsih E.K. Beyond invasive biopsies: using VASARI MRI features to predict grade and molecular parameters in gliomas. Cancer Ima­ ging. 2024;24(1):3. DOI

19. Sotirios B., Demetriou E., Topriceanu C. C., Zakrzewska Z. The role of APT imaging in gliomas grading: A systematic review and meta-analysis. Eur. J. Radiol. 2020;133:109353. DOI

20. Su C., Liu C., Zhao L., Jiang J., Zhang J., Li S., Zhu W., Wang J. Amide Proton Transfer Imaging Allows Detection of Glioma Grades and Tumor Proliferation: Comparison with Ki-67 Expression and Proton MR Spectroscopy Imaging. AJNR Am. J. Neuroradiol. 2017;38(9): 1702-1709. DOI

21. Suh C. H., Park J. E., Jung S. C., Choi C. G., Kim S. J., Kim H. S. Amide proton transfer-weighted MRI in distinguishing high- and low-grade gliomas: a systematic review and meta-analysis. Neuroradiology. 2019;61(5):525-534. DOI

22. Togao O., Yoshiura T., Keupp J., Hiwatashi A., Yamashita K., Kikuchi K., Suzuki Y., Suzuki S. O., Iwaki T., Hata N., Mizoguchi M., Yoshimoto K., Sagiyama K., Takahashi M., Honda H. Amide proton transfer imaging of adult diffuse gliomas: correlation with histopathological grades. Neuro Oncol. 2014;16(3):441-448. DOI

23. van Griethuysen J. J. M., Fedorov A., Parmar C., Hosny A., Aucoin N., Narayan V., Beets-Tan R. G. H., Fillion-Robin J. C., Pieper S., Aerts H. J. W. L. Computational Radiomics System to Decode the Radiographic Phenotype. Cancer Res. 2017;77 (21):e104-e107. DOI

24. Weller M., Wen P. Y., Chang S. M., Dirven L., Lim M., Monje M., Reifenberger G. Glioma. Nat. Rev. Dis. Primers. 2024 May 9;10(1):33. DOI

25. Wiestler B., Kluge A., Lukas M., Gempt J., Ringel F., Schlegel J., Meyer B., Zimmer C., Förster S., Pyka T., Preibisch C. Multiparametric MRI-based differentiation of WHO grade II/III glioma and WHO grade IV glioblastoma. Sci. Rep. 2016;6:35142. DOI

26. Wu M., Jiang T., Guo M., Duan Y., Zhuo Z., Weng J., Xie C., Sun J., Li J., Cheng D., Liu X., Du J., Zhang X., Zhang Y., Liu Y. Amide proton transfer-weighted imaging and derived radiomics in the classification of adult-type diffuse gliomas. Eur. Radiol. 2024;34(5):2986-2996. DOI

27. Zhang J., Peng H., Wang Y. L., Xiao H. F., Cui Y. Y., Bian X. B., Zhang D. K., Ma L. Predictive Role of the Apparent Diffusion Coefficient and MRI Morphologic Features on IDH Status in Patients With Diffuse Glioma: A Retrospective Cross-Sectional Study. Front Oncol. 2021;11: 640738. DOI