Radiogenomika

• Autorzy: Walecki Jerzy , Wasilewski Piotr Gustaw , Półtorak-Szymczak Gabriela
• Języki publikacji: PL

Abstrakty

PL

W ostatnich latach w wielu dyscyplinach medycznych istnieje silna tendencja do ilościowego przedstawiania wyników, co wiąże się z terminem „medycyna ilościowa” (ang. quantitative medicine). Medycyna ilościowa wpisuje się w cyfryzację medycyny i coraz szersze zastosowanie metod sztucznej inteligencji. Korzyść z tych rozwiązań ma wiele kluczowych technik diagnostycznych, w tym m.in. genetyka i diagnostyka obrazowa – skojarzenie obu tych metod nosi nazwę radiogenomiki.

Słowa kluczowe

PL

genomika; fenotyp badania obrazowego; glejak; diagnostyka obrazowa

• Wydawca: Indygo Zahir Media
• Czasopismo: Inżynier i Fizyk Medyczny
• Rocznik: 2021
• Tom: Vol. 10, nr 5
• Strony: 363--367
• Opis fizyczny: Bibliogr. 24 poz., fot.

Twórcy

autor

Walecki Jerzy

• Zakład Diagnostyki Radiologicznej, Centrum Medyczne Kształcenia Podyplomowego, Centralny Szpital Kliniczny MSWiA w Warszawie

autor

Wasilewski Piotr Gustaw

• Zakład Diagnostyki Radiologicznej, Centrum Medyczne Kształcenia Podyplomowego, Centralny Szpital Kliniczny MSWiA w Warszawie

autor

Półtorak-Szymczak Gabriela

• Zakład Diagnostyki Radiologicznej, Centrum Medyczne Kształcenia Podyplomowego, Centralny Szpital Kliniczny MSWiA w Warszawie

Bibliografia

• 1. M. Bredel, D.M. Scholtens, G.R. Harsh, et al.: A network model of a cooperative genetic landscape in brain tumors, JAMA, 302(3), 2009, 261-275.
• 2. D. Sturm, H. Witt, V. Hovestadt, et al.: Hotspot mutations in H3F3A and IDH1 define distinct epigenetic and biological subgroups of glioblastoma, Cancer Cell, 22(4), 2012, 425-437.
• 3. H. Noushmehr, D.J. Weisenberger, K. Diefes, et al.: Identification of a CpG island methylator phenotype that defines a distinct subgroup of glioma, Cancer Cell, 17(5), 2010, 510-522.
• 4. O. Gevaert, J. Xu, C.D. Hoang, et al.: Non-small cell lung cancer: identifying prognostic imaging biomarkers by leveraging public gene expression microarray data – methods and preliminary results, Radiology, 264(2), 2012, 387-396.
• 5. V.S. Nair, O. Gevaert, G. Davidzon, et al.: Prognostic PET 18F-FDG uptake imaging features are associated with major oncogenomic alterations in patients with resected non-small cell lung cancer, Cancer Res., 72(15), 2012, 3725-3734.
• 6. O. Gevaert, S. Plevritis: Identifying master regulators of cancer and their downstream targets by integrating genomic and epigenomic features, Pac Symp Biocomput, 2013, 123-134.
• 7. O. Gevaert, V. Villalobos, B.I. Sikic, S.K. Plevritis: Identification of ovarian cancer driver genes by using module network integration of multi-omics data, Interface Focus, 3(4), 2013, 20130013.
• 8. D.L. Rubin, C. Rodriguez, P. Shah, C. Beaulieu: iPad: Semantic annotation and markup of radiological images, AMIA Annu Symp Proc., 6, 2008, 626-630.
• 9. J. Friedman, T. Hastie, R. Tibshirani: Regularization paths for generalized linear models via coordinate descent, J Stat Softw., 33(1), 2010, 1-22.
• 10. M. Kanehisa, S. Goto, Y. Sato, M. Kawashima, M. Furumichi, M. Tanabe: Data, information, knowledge and principle: back to metabolism in KEGG, Nucleic Acids Res., 42(Database issue), 2014, D199-D205.
• 11. Y. Benjamini, Y. Hochberg: Controlling the false discovery rate: a practical and powerful approach to multiple testing, J R Stat Soc Series B Stat Methodol., 57(1), 1995, 289-300.
• 12. J. Pan, S. Li, P. Chi, Z. Xu, X. Lu, Y. Huang: Lentivirus-mediated RNA interference targeting WWTR1 in human colorectal cancer cells inhibits cell proliferation in vitro and tumor growth in vivo, Oncol Rep., 28(1) 2012, 179-185.
• 13. E. Segal, C.B. Sirlin, C. Ooi, et al.: Decoding global gene expression programs in liver cancer by noninvasive imaging, Nat Biotechnol., 25(6), 2007, 675-680.
• 14. M. Diehn, C. Nardini, D.S. Wang, et al.: Identification of noninvasive imaging surrogates for brain tumor gene-expression modules, Proc Natl Acad Sci USA, 105(13), 2008, 5213-5218.
• 15. C.C. Jaffe: Imaging and genomics: is there a synergy?, Radiology, 264(2), 2012, 329-331.
• 16. Cancer Genome Atlas Research Network: Comprehensive genomic characterization defines human glioblastoma genes and core pathways, Nature, 455(7216), 2008, 1061-1068, [Published correction appears in Nature, 494(7438), 2013, 506.]
• 17. D.A. Gutman, L.A. Cooper, S.N. Hwang, et al.: MR imaging predictors of molecular profile and survival: multi-institutional study of the TCGA glioblastoma data set, Radiology, 267(2), 2013, 560-569.
• 18. R. Jain, L. Poisson, J. Narang, et al.: Genomic mapping and survival prediction in glioblastoma: molecular subclassification strengthened by hemodynamic imaging biomarkers, Radiology, 267(1), 2013, 212-220.
• 19. P.O. Zinn, B. Mahajan, P. Sathyan, et al.: Radiogenomic mapping of edema/cellular invasion MRI-phenotypes in glioblastoma multiforme, PLoS ONE, 6(10), 2011, e25451.
• 20. P.O. Zinn, P. Sathyan, B. Mahajan, et al.: A novel volume-age-KPS (VAK) glioblastoma classification identifies a prognostic cognate microRNA-gene signature, PLoS ONE, 7(8), 2012, e41522.
• 21. VASARI Research Project, https://wiki.cancerimagingarchive. net/display/Public/VASARI+Research+Project. Updated February 28, 2013, accessed April 25, 2014.
• 22. O. Gevaert, L.A. Mitchell, A.S. Achrol, et al.: Glioblastoma multiforme: exploratory radiogenomic analysis by using quantitative image features, [published correction appears in Radiology, 276(1), 2015, 313], Radiology, 273(1), 2014, 168-174. DOI: 10.1148/radiol.14131731.
• 23. C.H. Suh, H.S. Kim, S.C. Jung, C.G. Choi, S.J. Kim: Clinically Relevant Imaging Features for MGMT Promoter Methylation in Multiple Glioblastoma Studies: A Systematic Review and Meta-Analysis, AJNR Am J Neuroradiol., 39(8), 2018, 1439-1445, DOI: 10.3174/ajnr.A5711.
• 24. D.N. Louis, H. Ohgaki, O.D. Wiestler, et al.: The 2007 WHO classification of tumours of the central nervous system [published correction appears in Acta Neuropathol., 114(5), 2007, 547], Acta Neuropathol., 114(2), 2007, 97-109, DOI: 10.1007/s00401-007-0243-4.