Роль перфузионной компьютерной томографии в диагностике рака почки
Хасигов А.В., Тебиев В.Т., Тимошенкова А.В.
Обоснование: Ведущая роль в выявлении образований почек отводится методам медицинской визуализации, таким как ультразвуковое исследование (УЗИ), компьютерная томография (КТ), позитронно-эмиссионная томография, магнитно-резонансная томография (МРТ). КТ почек – стандарт диагностики почечно-клеточного рака (ПКР). Цифровые данные параметров перфузионной КТ (ПКТ) зоны опухоли и здоровой ткани позволяют определить нормализованные значения «и» каждого параметра ПКТ (BF – кровоток, BV – объем крови, MTT – среднее время прохождения, TTP – время до достижения пика).
Несмотря на многолетнюю историю изучения ПКР, методов диагностики и медицинской визуализации, КТ и/или МРТ не обладают достаточной специфичностью. По результатам статистического анализа ПКТ обладает большим потенциалом в диагностике образований почек и может открывать новые перспективы в оптимизации хирургической тактики за счет высокой информативности при дифференциальной диагностике доброкачественных и злокачественных образований почек.
Цель исследования: Определить диагностическую ценность ПКТ в оптимизации хирургической тактики лечения и оценки функциональной способности почечной паренхимы при ПКР.
Материалы и методы: В исследовании проанализированы данные 119 пациентов (58,3±12,6 года) с подтвержденным диагнозом ПКР, которым выполнялась ПКТ до начала лечения, через 1 и 3 месяца после начала терапии. Оценивались 4 показателя перфузии для диагностики ПКР: BF, BV, MTT и TTP.
Результаты: По результатам проведенного анализа, через 1 месяц лечения у пациентов (n=45), отвечающих на терапию, отмечено снижение BF и BV в опухолевой ткани (p<0,01). В группе пациентов, не отвечающих на терапию (n=34), изменения перфузионных параметров были незначимыми (p>0,05). У пациентов, отвечающих на терапию через 3 месяца, продолжалось снижение перфузионных параметров. При этом средний BF составил 85,2±15,3 мл/100 г/мин, а BV – 10,7±2,1 мл/100 г.
Заключение: ПКТ обладает большим потенциалов и открывает новые перспективы в диагностике, оценке и хирургической тактике ПКР.
Для цитирования: Хасигов А.В., Тебиев В.Т., Тимошенкова А.В. Роль перфузионной компьютерной томографии в диагностике рака почки. Фарматека. 2025;32(9):152-157. DOI: https://dx.doi.org/10.18565/pharmateca.2025.9.152-157
Вклад авторов: Хасигов А.В. – рецензирование научной статьи (30%). Тебиев В.Т. – написание текста, обзор литературы, рецензирование данных (50%). Тимошенкова А.В. – написание текста, рецензирование (20%).
Конфликт интересов: Авторы декларируют отсутствие явных и потенциальных конфликтов интересов, связанных с публикацией настоящей статьи.
Финансирование: Работа выполнена без спонсорской поддержки.
Одобрение этического комитета: Исследование одобрено этическим комитетом ФГБОУ ВО СОГМА Минздрава России.
Согласие пациентов на публикацию: Все пациенты подписали добровольное информированное согласие на публикацию своих данных.
Обмен исследовательскими данными: Данные, подтверждающие выводы этого исследования, доступны по запросу у автора, ответственного за переписку, после одобрения ведущим исследователем.
Ключевые слова
почечно-клеточного рак
перфузионная компьютерная томография
перфузионные параметры
объем кровотока
объем крови
время до пика
среднее транзитное время
Список литературы
1. Gigli F., Zattoni F., Zamboni G., et al. Correlation between pathologic features and perfusion CT of renal cancer: a feasibility study. Urologia. 2010;77:223–31.
2. Mazzei F.G., Mazzei M.A., Cioffi Squitieri N., et al. CT perfusion in the characterisation of renal lesions: an added value to multiphasic CT. Biomed Res Int. 2014;2014:135013.
3. Chandarana H., Rosenkrantz A.B., Mussi T.C., et al. Histogram analysis of whole-lesion enhancement in differentiating clear cell from papillary subtype of renal cell cancer. Radiology. 2012;265:790–8. https://doi.org/10.1148/radiol.12111281
4. Chen Y., Zhang J., Dai J., et al. Angiogenesis of renal cell carcinoma: perfusion CT findings. Abdom Imaging. 2010;35:622–8. https://doi.org/10.1007/s00261-009-9565-0
5. Zhang J., Wang R., Lou H., et al. Functional computed tomographic quantification of angiogenesis in rabbit VX2 soft-tissue tumor before and after interventional therapy. J Comput Assist Tomogr. 2008;32:697–705. https://doi.org/10.1097/RCT.0b013e31815b7dcf
6. Reiner C.S., Roessle M., Thiesler T., et al. Computed tomography perfusion imaging of renal cell carcinoma: systematic comparison with histopathological angiogenic and prognostic markers. Invest Radiol. 2013;48:183–91. https://doi.org/10.1097/RLI.0b013e31827c63a3
7. Bianchi M., Sun M., Jeldres C., et al. Distribution of metastatic sites in renal cell carcinoma: a population-based analysis. Ann Oncol. 2012;23:973–80. Doi: 10.1093/annonc/mdr362
8. Bektas C.T., et al. Clear cell renal cell carcinoma: machine learning-based quantitative computed tomography texture analysis for prediction of fuhrman nuclear grade. Eur Radiol. 2019;29(3):1153–63. https://doi.org/10.1007/s00330-018-5698-2
9. Erdim C., et al. Prediction of benign and malignant solid renal masses: machine learning-based CT texture analysis. Acad Radiol. 2020;27(10):1422–9. https://doi.org/10.1016/j.acra.2019.12.015
10. Bellin M.F., Roy C., Kinkel K., Dupas B. Magnetic resonance imaging of renal masses: Diagnostic approach. Eur Radiol. 2005;15(11):2231–41.
11. Sun H. Classification of small renal masses based on CT images and machine learning algorithms. MS Thesis, Univ. of Turku. 2018.
12. Kocak B., et al. Textural differences between renal cell carcinoma subtypes: machine learning-based quantitative computed tomography texture analysis with independent external validation. Eur J Radiol. 2018;107:149–57. https://doi.org/10.1016/j.ejrad.2018.08.014
13. Hodgdon T., et al. Can quantitative CT texture analysis be used to differentiate fat-poor renal angiomyolipoma from renal cell carcinoma on unenhanced CT images? Radiology. 2015;276(3):787–96. https://doi.org/10.1148/radiol.2015142215
14. Jewett M.A., Mattar K., Basiuk J., Active surveillance of small renal masses: progression patterns of early stage kidney cancer. Eur Urol. 2011;60(1):39. https://doi.org/10.1016/j.eururo.2011.03.030
15. Ломоносова Е.В., Гольбиц А.Б., Рубцова Н.А. и др. Перфузионная компьютерная томография в диагностике заболеваний почек (обзор литературы). Медицинская визуализация. 2023;27(2):85–98.
16. Рубцова Н.А., Гольбиц А.Б., Крянева Е.В. и др. Роль КТ-перфузии в диагностике солидных опухолей почек. Лучевая диагностика и терапия. 2021;12(2):70–8.
17. Wang Y., et al. Baseline perfusion CT parameters as potential biomarkers in predicting long-term prognosis of localized clear cell renal cell carcinoma. Abdom Radiol. 2019;44:3370–6. https://doi.org/10.1007/s00261-019-02087-z
18. Chen C., et al. Study of 320-Slice dynamic volume CT perfusion in different pathologic types of kidney tumor: preliminary results. PLoS One. 2014;9(1):e85522. https://doi.org/10.1371/journal.pone.0085522
19. Das C.J., Thingujam U., Panda A., et al. Perfusion computed tomography in renal cell carcinoma. World J Radiol. 2015;7(7):170–9. https://doi.org/Doi: 10.4329/wjr.v7.i7.170
20. Garcia-Figueiras R., et al. CT Perfusion in Oncologic Imaging: A Useful Tool. AJR. 2000. 2013. https://doi.org/10.2214/AJR.11.8476
Об авторах / Для корреспонденции
А.В. Хасигов, Северо-Осетинская государственная медицинская академия, Владикавказ, Россия; alan_hasigov@mail.ru, ORCID: https://orcid.org/0000-0003-1103-4532В.Т. Тебиев, Северо-Осетинская государственная медицинская академия, Владикавказ, Россия; tebiyevv@mail.ru, ORCID: https://orcid.org/0009-0001-2173-8384 (автор, ответственный за переписку)
А.В. Тимошенкова, Северо-Осетинская государственная медицинская академия, Владикавказ, Россия; colorsit21@mail.ru, ORCID: https://orcid.org/0009-0002-4672-4544
Также по теме
