Диагностика и дифференциальная диагностика очаговых образований легких

Заболевания легких занимают одно из первых мест среди причин смерти. Нередко на момент установления диагноза у пациентов со злокачественными опухолями легких отмечается терминальная стадия заболевания, что обусловлено длительным отсутствием клинических проявлений патологии и своевременной диагностики. Целью обзора явился анализ данных литературы, посвященной проблемам диагностики природы очаговых образований легких и достоверной оценке степени распространения опухолевого процесса, а также оценка значения динамического мониторинга лучевой диагностики в уточнении природы очаговых изменений легких и поиске методов, обладающих большей специфичностью в отношении природы процесса. Заключение. Лучевые методы исследования являются ведущими при скрининге, выявлении опухолевого поражения легких, однако в большинстве случаев для определения природы изменений проводится динамический мониторинг. Актуальны дальнейшие исследования по комплексной оценке данных лучевой диагностики с применением искусственного интеллекта с целью определения природы малых образований легких.

1. Fernandes S., Williams G., Williams E. et al. Solitary pulmonary nodule imaging approaches and the role of optical fibre-based technologies. Eur. Respir. J. 2021; 57 (3): 2002537. DOI: 10.1183/13993003.02537-2020.

2. Mazzone P.J., Lam L. Evaluating the patient with a pulmonary nodule: a review. JAMA. 2022; 327 (3): 264–273. DOI: 10.1001/jama.2021.24287.

3. Каприн А.Д., Старинский В.В., Шахзадова А.О., ред. Состояние онкологической помощи населению России в 2022 году. М.: МНИОИ имени П.А.Герцена − филиал ФГБУ «НМИЦ радиологии» Минздрава России; 2023. Доступно на: https://oncology-association.ru/wp-content/uploads/2023/08/sop-2022-el.versiya_compressed.pdf

4. Троян В.Н. Лучевая диагностика органов грудной клетки: Национальные руководства по лучевой диагностике и терапии. М.: ГЭОТАР-Медиа; 2014. Доступно на: https://www.geotar.ru/lots/Q0124609.html

5. Гомболевский В.А., Николаев А.Е., Шапиев А.Н. и др. Ведение пациентов с солидными очагами в легких, выявленными при скрининге рака легкого. Новости хирургии. 2019; 27 (5): 553–562. DOI: 10.18484/2305-0047.2019.5.553

6. Dyer S.C., Bartholmai B.J., Koo C.W. Implications of the updated lung CT screening reporting and data system (lung-RADS version 1.1) for lung cancer screening. J. Thorac. Dis. 2020; 12 (11): 6966–6977. DOI: 10.21037/jtd-2019-cptn-02.

7. Farjah F., Monsell S.E., Smith-Bindman R. et al. Fleischner society guideline recommendations for incidentally detected pulmonary nodules and the probability of lung cancer. J. Am. Coll. Radiol. 2022; 19 (11): 1226–1235. DOI: 10.1016/j.Jacr.2022.06.018.

8. McNulty W., Baldwin D. Management of pulmonary nodules. BJR Open. 2019; 1 (1): 20180051. DOI: 10.1259/bjro.20180051.

9. Yun-Dan Xiao Y.D, Lv F.J., Li W.J. et al. Solitary pulmonary inflammatory nodule: CT features and pathological findings. J. Inflamm. Res. 2021; 14: 2741–2751. DOI: 10.2147/JIR.S304431.

10. Wu W., Hu H., Gong J. et al. Malignant-benign classification of pulmonary nodules based on random forest aided by clustering analysis. Phys. Med. Biol. 2019; 64 (3): 035017. DOI: 10.1088/1361-6560/aafab0.

11. Erasmus J.J., McAdams H.P., Connolly J.E. et al. Solitary pulmonary nodules: Rart II. Evaluation of the indeterminate nodule. Radiographics. 2000; 20 (1): 59–66. DOI: 10.1148/radiographics.20.1.g00ja0259.

12. Nguyen C., Larsen N.K., Dietz N.et al. Pulmonary atypical adenomatous hyperplasia: diagnostic and therapeutic implications. Cureus. 2019; 11 (11): e6079. DOI: 10.7759/cureus.6079.

13. Cao L., Wang Z., Gong T. et al. Discriminating between bronchiolar adenoma, adenocarcinoma in situ and minimally invasive adenocarcinoma of the lung with CT. Diagn. Interv. Imaging. 2020; 101 (12): 831–837. DOI: 10.1016/j.Diii.2020.05.005.

14. Mirka H., Ferda J., Krakorova G. et al.The use of CT pattern in differentiating non-invasive, minimally invasive and invasive variants of lung adenocarcinoma. Anticancer Res. 2021; 41 (9): 4479–4482. DOI: 10.21873/anticanres.15257.

15. Cohen J.G., Reymond E., Lederlin M. et al. Differentiating pre- and minimally invasive from invasive adenocarcinoma using CT-features in persistent pulmonary part-solid nodules in Caucasian patients. Eur. J. Radiol. 2015; 84 (4): 738–744. DOI: 10.1016/j.ejrad.2014.12.031.

16. Wislez M., Massiani M.A., Milleron B. et al. Clinical characteristics of pneumonic-type adenocarcinoma of the lung. Chest. 2003; 123 (6): 1868–1877. DOI: 10.1378/chest.123.6.1868.

17. Hasegawa M., Sone S., Takashima S. et al. Growth rate of small lung cancers detected on mass CT screening. Br. J. Radiol. 2000; 73 (876): 1252–1259. DOI: 10.1259/bjr.73.876.11205667.

18. Ban X., Shen X., Hu H. et al. Predictive CT features for the diagnosis of primary pulmonary mucoepidermoid carcinoma: comparison with squamous cell carcinomas and adenocarcinomas. Cancer Imaging. 2021; 21 (1): 2. DOI: 10.1186/s40644-020-00375-2.

19. Котляров П.М. Постпроцессинговая обработка данных мультиспиральной компьютерной томографии в уточненной диагностике патологических изменений при диффузных заболеваниях легких. Пульмонология. 2017; 27 (4): 472–477. DOI: 10.18093/0869-0189-2017-27-4-472-477.

20. Котляров П.М. Виртуальная бронхоскопия в дифференциальной диагностике рака легкого с воспалительными, фиброзными изменениями. Пульмонология. 2017; 27 (6): 748–753. DOI: 10.18093/0869-0189-2017-27-6-748-753.

21. Котляров П.М. Виртуальная бронхоскопия в диагностике рака легкого. Лучевая диагностика и терапия. 2015; (1): 56–63. Доступно на: https://radiag.bmoc-spb.ru/jour/article/view/139/140

22. Симонов Е.Н, Авраамов Д.В. К вопросу получения объемных изображений в рентгеновской компьютерной томографии. Вестник Южно-Уральского государственного университета. Серия: Компьютерные технологии, управление, радиоэлектроника. 2015; 15 (4): 50–57. DOI: 10.14529/ctcr150405.

23. Polverosi R., Vigo M., Baron S., Rossi G. [Evaluation of tracheobronchial lesions with spiral CT: comparison between virtual endoscopy and bronchoscopy]. Radiol. Med. 2001; 102 (5-6): 313–319 (in Italian). Available at: https://pubmed.ncbi.nlm.nih.gov/11779976/

24. Fernández-Pérez G. C., Fraga Piñeiro С., Oñate Miranda M. et al. Dual-energy CT: Technical considerations and clinical applications. Radiologia (Engl. Ed.) 2022; 64 (5): 445–455. DOI: 10.1016/j.Rxeng.2022.06.003.

25. Тюрин И.Е. Одиночные очаги в легких: возможности лучевой диагностики. Пульмонология и аллергология. 2008; (2): 15–22. Доступно на: https://atmosphere-ph.ru/modules/Magazines/articles/pulmo/ap_2_2008_15.pdf

26. Jeong Y.J., Lee K.S., Jeong S.Y. et al. Solitary pulmonary nodule: characterization with combined wash-in and washout features at dynamic multi-detector row CT. Radiology. 2005; 237 (2): 675–683. DOI: 10.1148/radiol.2372041549.

27. Weir-McCall J.R., Joyce S., Clegg A. et al. Dynamic contrast-enhanced computed tomography for the diagnosis of solitary pulmonary nodules: a systematic review and meta-analysis. Eur. Radiol. 2020; 30 (6): 3310–3323. DOI: 10.1007/s00330-020-06661-8.

28. Силантьева Н.К., Петросян А.П., Шавладзе З.Н. и др. Одиночные очаги и образования легких: эффективность динамической КТ при дифференциальной диагностике. Сибирский онкологический журнал. 2017; 16 (5): 18–26. DOI: 10.21294/1814-4861-2017-16-5-18-26.

29. Huang C., Liang J., Lei X.et al. Diagnostic performance of perfusion computed tomography for differentiating lung cancer from benign lesions: a meta-analysis. Med. Sci. Monit. 2019; 25: 3485–3494. DOI: 10.12659/MSM.914206.

30. Petralia G., Bonello L., Viotti S. et al. CT perfusion in oncology: how I do it. Cancer Imaging. 2010; 10 (1): 8–19. DOI: 10.1102/1470-7330.2010.0001.

31. Sun Y., Yang M., Mao D. et al. Low-dose volume perfusion computed tomography (VPCT) for diagnosis of solitary pulmonary nodules. Eur. J. Radiol. 2016; 85 (6): 1208–1218. DOI: 10.1016/j.ejrad.2016.03.026.

32. Bohlsen D., Talakic E., Fritz G.A. First pass dual input volume CT-perfusion of lung lesions: The influence of the CT- value range settings on the perfusion values of benign and malignant entities. Eur. J. Radiol. 2016; 85 (6): 1109–1114. DOI: 10.1016/j.ejrad.2016.03.013.

33. Ohno Y., Fujisawa Y., Sugihara N. et al. Dynamic contrast-enhanced perfusion area-detector CT: preliminary comparison of diagnostic performance for N stage assessment with FDG PET/CT in non-small cell lung cancer. AJR Am. J. Roentgenol. 2017; 209 (5): W253–W262. DOI: 10.2214/AJR.17.17959.

34. Ohno Y., Koyama H., Matsumoto K. Differentiation of malignant and benign pulmonary nodules with quantitative first-pass 320-detector row perfusion CT versus FDG PET/CT. Radiology. 2011; 258 (2): 599–609. DOI: 10.1148/radiol.10100245.

35. Ergonul A.G., Akcam T.I., Özdil A. et al. Diagnostic value of 18f-FDG-PET/CT in benign lung diseases. Kardiochir. Torakochirurgia Pol. 2018; 15 (1): 1–4. DOI: 10.5114/kitp.2018.74667.

36. Афонин Г.В., Глухарева А.Е., Смоленов Е.И. и др. Применение ПЭТ/КТ с 18f-ФДГ в дифференциальной диагностике одиночных образований легких. Исследования и практика в медицине. 2022; 9 (3): 80–90. DOI: 10.17709/2410-1893-2022-9-3-6.

37. Ruilong Z., Daohai X., Li G. et al. Diagnostic value of 18f-FDG-PET/CT for the evaluation of solitary pulmonary nodules: a systematic review and meta-analysis. Nucl Med. Commun. 2017; 38 (1): 67–75. DOI: 10.1097/MNM.0000000000000605.

38. Schmidt-Hansen M., Baldwin D.R., Hasler E. et al. PET-CT for assessing mediastinal lymph node involvement in patients with suspected resectable non-small cell lung cancer. Cochrane Database Syst. Rev. 2014; 2014 (11): CD009519. DOI: 10.1002/14651858.Cd009519.Pub2.

39. Divisi D., Barone M., Bertolaccini L. et al. Diagnostic performance of fluorine-18 fluorodeoxyglucose positron emission tomography in the management of solitary pulmonary nodule: a meta-analysis. J. Thorac. Dis. 2018; 10 (Suppl. 7): S779–789. DOI: 10.21037/jtd.2017.12.126.

40. Biederer J., Ohno Y., Hatabu H. et al. Screening for lung cancer: Does MRI have a role? Eur. J. Radiol. 2017; 86: 353–360. DOI: 10.1016/j.ejrad.2016.09.016.

41. Kurihara Y., Matsuoka S., Yamashiro T. et al. MRI of pulmonary nodules. AJR Am. J. Roentgenol. 2014; 202 (3): W210–W216. DOI: 10.2214/AJR.13.11618.

42. Sim A.J., Kaza E., Singer L., Rosenberg S.A. A review of the role of MRI in diagnosis and treatment of early stage lung cancer. Clin. Transl. Radiat. Oncol. 2020: 24: 16–22. DOI: 10.1016/j.Ctro.2020.06.002.

43. Котляров П.М., Лагкуева И.Д., Сергеев Н.И., Солодкий В.А. Магнитно-резонансная томография в диагностике заболеваний легких. Пульмонология. 2018; 28 (2): 217–223. DOI: 10.18093/0869-0189-2018-28-2-217-223.

44. Котляров П.М., Сергеев Н.И. Лучевые методы исследования в дифференциальной диагностике паразитарных и опухолевых поражений легких. Сибирский онкологический журнал. 2016; 15 (4): 33–39. DOI: 10.21294/1814-4861-2016-15-4-33-39.

45. Chung M.H., Lee H.G., Kwon S.S., Park S.H. MR imaging of solitary pulmonary lesion: emphasis on tuberculomas and comparison with tumors. J. Magn. Reson. Imaging. 2000; 11 (6): 629–637. DOI: 10.1002/1522-2586(200006)11:6%3C629::aid-jmri9%3E3.0.co;2-r.

46. Alexopoulou E., Economopoulos N., Priftis K.N. et al. MR imaging findings of an atypical pulmonary hamartoma in a 12-year-old child. Pediatr. Radiol. 2008; 38 (10): 1134–1137. DOI: 10.1007/s00247-008-0938-2.

47. Usuda K., Ishikawa M., Iwai S. et al. Pulmonary nodule and mass: superiority of MRI of diffusion-weighted imaging and t2-weighted Imaging to FDG-PET/CT. Cancers (Basel). 2021; 13 (20): 5166. DOI: 10.3390/cancers13205166.

48. Liu H., Liu Y., Yu T.,Ye N. Usefulness of diffusionweighted MR imaging in the evaluation of pulmonary lesions. Eur. Radiol. 2010; 20 (4): 807–815. DOI: 10.1007/s00330-009-1629-6.

49. Jiang B, Liu H, Zhou D. Diagnostic and clinical utility of dynamic contrast-enhanced MR imaging in indeterminate pulmonary nodules: a metaanalysis. Clin. Imaging. 2016; 40 (6): 1219–1225. DOI: 10.1016/j.clinimag.2016.08.017.

50. Aziz M., Krishnam M., Madhuranthakam A.J., Rajiah P. Update on MR imaging of the pulmonary vasculature. Int. J. Cardiovasc. Imaging. 2019; 35 (8): 1483–1497. DOI: 10.1007/s10554-019-01603-y.

51. Мелдо А.А., Уткин Л.В. Обзор методов машинного обучения в диагностике рака легкого. Искусственный интеллект и принятие решений. 2018; (3): 28–38. DOI: 10.14357/20718594180313.

52. Мелдо А.А., Уткин Л.В., Моисеенко В.М. и др. Реализация инновационного подхода в медицине на примере интеллектуальной системы диагностики рака легкого Doctor Aizimov. Практическая онкология. 2019; 20 (1): 64–71. DOI: 10.31917/2001064.

53. Liang M., Tang W., Xu D.M. et al. Low-dose CT screening for lung cancer: computer-aided detection of missed lung cancers. Radiology. 2016; 281 (1): 279–288. DOI: 10.1148/radiol.2016150063.

54. Ozdemir О., Russell R.L., Berlin A.A. A 3D probabilistic deep learning system for detection and diagnosis of lung cancer using low-dose CT scans. IEEE Trans. Med. Imaging. 2020; 39 (5): 1419–1429. DOI: 10.1109/TMI.2019.2947595.

55. Trajanovski S., Mavroeidis D., Swisher C.L. et al. Towards radiologist-level cancer risk assessment in CT lung screening using deep learning. Comput. Med. Imaging. Graph. 2021; 90: 101883. DOI: 10.1016/j.compmedimag.2021.101883.

56. Zhou M., Leung A., Echegaray S. et al. Non-small cell lung cancer radiogenomics map identifies relationships between molecular and imaging phenotypes with prognostic implications. Radiology. 2018; 286 (1): 307–315. DOI: 10.1148/radiol.2017161845.

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

58. Wang S., Shi J., Ye Z., et al. Predicting EGFR mutation status in lung adenocarcinoma on computed tomography image using deep learning. Eur. Respir. J. 2019; 53 (3): 1800986. DOI: 10.1183/13993003.00986-2018.

59. Zhang T., Xu Z., Liu G. et al. Simultaneous identification of EGFR, KRAS, erbb2, and tp53 mutations in patients with non-small cell lung cancer by machine learning-derived three-dimensional radiomics. Cancers (Basel). 2021; 13 (8): 1814. DOI: 10.3390/cancers13081814.

60. Le V.H., Kha Q.H., Hung T., Le N.Q.K. Risk score generated from CT-based radiomics signatures for overall survival prediction in non-small cell lung cancer. Cancers (Basel). 2021; 13 (14): 3616. DOI: 10.3390/cancers13143616.

61. Abdurixiti M., Nijiati M., Shen R. et al. Current progress and quality of radiomic studies for predicting egfr mutation in patients with non-small cell lung cancer using pet/ct images: a systematic review. Br. J. Radiol. 2021; 94 (1122): 20201272. DOI: 10.1259/bjr.20201272.