Application of radiomics in differential diagnostics of malignant and benign ovarian tumors

Full Text

Применение радиомики в дифференциальной диагностике злокачественных и доброкачественных образований яичников.

Обоснование.

Заболевания яичников, включая доброкачественные и злокачественные опухоли, представляют собой значительную проблему для женского здоровья. По данным Всемирной организации здравоохранения (ВОЗ), рак яичников занимает восьмое место среди всех злокачественных новообразований у женщин и является одной из основных причин смертности от онкологических заболеваний [1]. Раннее выявление и точная диагностика опухолей яичников имеют решающее значение для выбора адекватной тактики лечения и улучшения прогноза для пациенток.

Традиционные методы визуализации, такие как ультразвуковое исследование (УЗИ), компьютерная томография (КТ) и магнитно-резонансная томография (МРТ), широко используются для диагностики опухолей яичников. Однако, несмотря на их распространенность, эти методы имеют свои ограничения. Например, УЗИ может быть недостаточно информативным для оценки сложных образований, а на МРТ (золотой стандарт диагностики опухолей яичников согласно рекомендациям ESUR и ACR) не всегда можно точно различить доброкачественные и злокачественные опухоли [2]. Трудности дифференциальной диагностики серозных опухолей яичников на МРТ связаны с ограничениями метода и морфологическим сходством различных типов образований. Например, кистозно-солидная структура характерна как для доброкачественных (цистаденомы и цистаденофибромы), так и для злокачественных (цистаденокарциномы) опухолей. Папиллярные разрастания и перегородки наблюдаются в 60-70% случаев при обоих типах [3].

Серозные цистаденомы являются доброкачественными эпителиальными опухолями яичников, выстланы однослойным или многослойным эпителием серозного типа без клеточной атипии. Сосочковые структуры отсутствуют или минимальны.

Низкозлокачественные серозные аденокарциномы (LGSC), которые часто развиваются из доброкачественных или пограничных серозных опухолей, составляют около 5% серозных аденокарцином и характеризуются микропапиллярной или железистой структурой с низкой ядерной атипией и наличием мутаций в генах KRAS, BRAF или ERBB2 (1 тип). В то время как большинство серозных аденокарцином (около 95%) являются высокозлокачественными серозными аденокарциномами (HGSC), которые обычно возникают de novo или из интраэпителиальной карциномы маточной трубы, характеризуются сложным паппилярным строением с выраженной ядерной атипией, частыми митозами, зонами некроза и мутациями в гене TP53 (2 тип) [4].

LGSC имеют лучший прогноз по сравнению с HGSC, но хуже реагируют на традиционную химиотерапию. HGSC агрессивны, часто диагностируются на поздних стадиях, имеют 5-летнюю выживаемостью около 40%. В связи с чем ранняя и точная дифференциальная диагностика крайне важна для планирования лечения. 

Несмотря на широкое внедрение стратификационных шкал IOTA для УЗИ и O-RADS для УЗИ и МРТ отмечается слишком большой диапазон риска злокачественности в категориях O-RADS 4 и 5 (10- <50%; ≥50% соответственно), что приводит к сложностям в прогнозировании и выборе тактики лечения пациентки.  В результате, существует необходимость в разработке более точных и надежных методов диагностики.

В последние годы радиомика, как новая область, использующая алгоритмы обработки изображений и машинного обучения (МО), привлекает внимание исследователей и клиницистов. Радиомика позволяет извлекать количественные характеристики из медицинских изображений, что может помочь в более точной оценке опухолей [5, 6]. Широко используемые модели МО включают линейную регрессию (для прогнозирования числовых значений), логистическую регрессию (для бинарной классификации), деревья решений (с использованием иерархических условий или правил), случайный лес (метод ансамбля) и нейронные сети (сложное распознавание образов).   Исследования показывают, что радиомические признаки могут быть связаны с биологическими свойствами опухолей и их агрессивностью, что открывает новые горизонты для диагностики и прогноза опухолей различных органов и систем [7, 8].

Радиомика показывает некоторые преимущества по сравнению с традиционными методами визуализации. Во-первых, она позволяет проводить анализ изображений без использования инвазивных процедур, что делает ее более безопасной для пациенток. Во-вторых, количественные характеристики, полученные с помощью радиомики, могут уменьшить субъективность интерпретации изображений, что является важным аспектом в клинической практике [9]. 

Таким образом, радиомика представляет собой многообещающий инструмент для дифференциальной диагностики доброкачественных и злокачественных образований яичников.  

Цель. 

Выявить значимые критерии (радиомические маркеры) на основе радиомического анализа, позволяющие спрогнозировать злокачественный потенциал эпителиальных образования яичников. 

Материалы и методы. 

Пациенты. 

Одобрение этического комитета не требовалось. 

Было проведено ретроспективное, одноцентровое, выборочное исследование на базе ФГБУ РНЦРР Минздрава России. В ходе работы проанализировано 304 пациента, которым проводилось обследование и лечение по поводу патологии яичников в период с 2012 по 2024 год. Критерии включения: гистологически верифицированные аденокарцинома яичника, гистологически и/или клинически подтвержденные цистаденомы яичника.

С учетом критериев исключения из 304 пациентов было отобрано 53 пациентки с аденокарциномой яичника и 53 пациентки с цистаденомой яичника (в сумме 106 пациентов, соотношение 1:1). Диагноз цистаденокарциномы был во всех наблюдений подтвержден послеоперационным патоморфологическим исследованием. Диагноз цистаденомы устанавливался по данным послеоперационного патоморфологического исследования и /или клинического динамического наблюдения с применением лучевых методов исследования (УЗИ, МРТ). Критерии исключения: (1) отсутствие доступных изображений МРТ до начала противоопухолевого лечения; (2) проведение неоадъювантной терапии или радиохимиотерапии перед операцией; (3) малый объем опухоли, недостаточный для анализа. 

У пациенток с двусторонними опухолями яичника для оконтуривания выбиралась опухоль, наилучшим образом визуализирующаяся на T2ВИ и Т1ВИ. 

Получение МРТ и сегментация опухоли. 

Сегментация областей интереса проводилась ручным и полуавтоматическим способом двумя исследователями на Т1- и Т2- последовательностях в бесплатном программном обеспечении 3D-Slicer с функцией выгрузки показателей радиомики из областей интереса. Для каждого образования было рассчитано по 107 радиомических показателей из Т1- и Т2- последовательностей соответственно (всего 214). 

Машинное обучение и построение модели.

Данные были разделены на обучающую и тестовую выборки с процентным соотношением 80%:20%. Для сокращения признакового пространства использовались статистический критерий Манна-Уитни, корреляционный анализ с применением критерия Пирсона, а также проводилась оценка значимости каждого признака мерой feature_importances на основе модели Lasso. Построение моделей машинного обучения проводилась на языке программирования Python 3.12 с использованием специализированных библиотек. Подбор гиперпараметров модели производился с помощью алгоритма поиска по сетке GridSearchSV с количеством фолдов для кросс-валидации 10. Для выбора наиболее эффективных моделей использовались стандартные метрики машинного обучения: индекс конкордантности (С-индекс), accuracy и площадь под характеристической кривой ROC-AUC, матрица ошибок (confusion matrix). Дизайн исследования схематически представлен на рисунке 1.

Результаты.

Для анализа выборка была разделена следующим образом: 53 цистаденом и 53 аденокарцином.

На следующем этапе нами были построены модели машинного обучения для дифференциальной диагностики цистаденом и аденокарцином яичника. Данные были разделены на две группы:

• радиомические признаки, извлеченные с T1-последовательности;
• радиомические признаки, извлеченные с T2-последовательности.

Для каждой из выборок был произведен отбор наиболее значимых признаков и построены различные модели машинного обучения с выбором наиболее эффективных алгоритмов и их гиперпараметров.

Для модели, основанной на радиомических признаках, извлеченных с Т1-последовательности, наиболее эффективный результат показала модель LASSO, включающая 16 прогностических признаков. Наиболее важные признаки, отобранные регрессией Lasso на основе Т1-модели, представлены в Таблице 1. ROC-кривая для модели, построенной на основе радиомических параметров, извлеченных из Т1-ВИ изображений, представлена на Рисунке 2. Площадь под ROC-кривой составила 0,98.  Accuracy: 0.98, C-индекс: 1.624. Матрица ошибок для модели, построенной на основе текстурных характеристик опухоли, извлеченных из Т1-ВИ изображений, представлена на Рисунке 3. Диаграмма, отображающая важность признаков Lasso коэффициентов для Т1-модели, изображена на Рисунке 4.

Для модели, основанной на радиомических признаках, извлеченных с Т2-последовательности, наиболее эффективный результат показала модель Lasso, включающая 18 прогностических признаков. Такое большое количество показателей может указывать на сильные различия в текстуре ткани разных видов образований на МРТ, которые могут быть не видны глазу врача-рентгенолога. Наиболее важные признаки, отобранные регрессией Lasso на основе Т2-модели, представлены в Таблице 2.  ROC-кривая для модели, построенной на основе радиомических параметров, извлеченных из Т2-ВИ изображений, и представлена на Рисунке 5. Площадь под ROC-кривой составила 0,97. C-индекс = 0.616, Accuracy: 0.91.  Матрица ошибок для модели, построенной на основе текстурных характеристик опухоли, извлеченных из Т2-ВИ изображений, представлена на Рисунке 6. Диаграмма, отображающая важность признаков Lasso коэффициентов для Т2-модели, изображена на Рисунке 7.

Полученные модели обладают высокой точностью и чувствительностью к дифференциации цистаденом и аденокарцином яичников. Прогностическая производительность моделей, основанных на Т1 и Т2 взвешенных МР-изображениях представлена в  Таблице 3.  

Обсуждение. 

Выявленные нами признаки демонстрируют значительный потенциал и перспективы применения радиомических признаков для дифференциации доброкачественных и злокачественных серозных образований яичников, которые подтверждаются результатами исследований зарубежных коллег. Так, Xu Yi at all. извлекли радиомичексие показатели из карт ADC и DWI для различения пограничных эпителиальных опухолей яичника от эпителиального рака яичника (по сравнению с клинической моделью радиомическая сигнатура и номограмма показали лучшую производительность для различения пограничных эпителиальных опухолей яичника от эпителиального рака яичника в обучающей когорте (0,915 против 0,852, P = 0,21; 0,954 против 0,852, P = 0,01) и в когорте проверки (0,974 против 0,736, P = 0,01; 0,954 против 0,736, P = 0,004) по опухоли.) и для различия 1 и 2 типов эпителиального рака яичников (с AUC 0,905 с точностью, чувствительностью и специфичностью 88,1%, 94,3% и 79,2% соответственно) [10].

Wei et al. создали модель на основе T2ВИ МРТ для различия доброкачественных и пограничных опухолей яичников (AUC 0,86 ± 0,07, специфичностью 0,76 ± 0,11, чувствительностью 0,82 ± 0,13, положительная предсказательная ценность метода 0,82 ± 0,11 и негативная предсказательная ценность метода 0,78 ± 0,08) [11].

Liu et al. оценили способность радиомики на основе T2-взвешенных импульсных последовательностей отличать пограничные опухоли яичников (ПОЯ) от злокачественных новообразований на основе методов двухмерной (2D) и трехмерной (3D) сегментации опухолей. При рассмотрении двух протоколов получения данных как коронарные, так и сагиттальные характеристики на основе МРТ показали конкурентоспособную точность в различении ПОЯ от злокачественных новообразований как в режиме 2D, так и 3D сегментации (2D AUC: 0,82 против 0,84 и 3D AUC: 0,79 против 1,0 соответственно). 3D сагиттальные T2 взвешенные изображения с подавлением сигнала от жировой ткани имели наилучшую производительность по сравнению с другими тремя методами в дифференциации злокачественных новообразований от ПОЯ с точностью 99% в тестовой модели [12].

Ye et al. оценивали диагностическую эффективность текстурного анализа для дифференциации пограничных эпителиальных опухолей яичников от злокачественных эпителиальных опухолей яичников I/II стадии по классификации FIGO. Площадь под кривой AUC наиболее важных текстурных признаков, извлеченных из изображений постконтрастных Т1ВИ, диффузионно-взвешенных изображений и T2ВИ, составила 0,690, 0,728 и 0,818 соответственно. AUC модели, основанной на клинических данных,  составляет 0,818, а комбинированной модели — 0,962 [13].

Song et al. оценивали модели, построенные на радиомических показателях, извлеченных из постконтрастных Т1FS ВИ МРТ, для дифференцировки доброкачественных и пограничных опухолей (ROC (AUC) 0,899), доброкачественных и злокачественных (ROC (AUC) 0,865), и пограничных и злокачественных опухолей (ROC (AUC) 0,893) [14]. 

Как мы видим, все модели, включая наши,  показывают довольно хорошие прогностические метрики, что позволяет использовать их в клинической практике для дифференциальной диагностики серозных образований яичников, что является ключевым для выбора специализированного лечения, особенной у пациенток пременопаузального периода с нереализованным репродуктивным потенциалом.  

Ограничения.

Следует отметить несколько ограничений. Во-первых, для радиомического исследования размер выборки одного центра недостаточен. Для проверки результатов данного исследования следует провести многоцентровое крупномасштабное исследование. Во-вторых, невозможно полностью избежать вмешательства эффекта объема, поскольку граница опухоли выделяются вручную. При этом можно ожидать, что совершенствование полуавтоматического программного обеспечения позволит распознавать изображения качественнее.

Заключение.

Заболевания яичников продолжают неуклонно расти и по-прежнему являются одними из самых часто встречающихся заболеваний у женщин. В медицинском сообществе особенно остро стоит вопрос дифференциальной диагностики доброкачественных и злокачественных образований, поскольку это значительно влияет на дальнейшую тактику лечения пациенток. Ввиду этого ученые продолжают искать способы усовершенствовать диагностику в данной области.  В многочисленных исследованиях подтверждена эффективность использования радиомики в дифференциальной диагностике доброкачественных и злокачественных серозных опухолей яичников, что отражается в высоких показателях точности моделей на основе МР-изображений. Однако остаются нерешёнными вопросы обеспечения достаточного объема выборок, стандартизации методов сегментации и минимизации субъективности при анализе изображений.

Полученные нами результаты машинного обучения с использованием радиомических показателей из T1- и T2-взвешенных МР изображений продемонстрировали высокую точность (ROC-AUC до 0,98), подтверждая диагностический потенциал применения радиомики для предоперационной оценки злокачественности эпителиальных образований яичников. Эти результаты вносят вклад в улучшение неинвазивной диагностики, позволяя повысить объективность и точность выявления злокачественных опухолей, что крайне важно для выбора адекватной терапии и сохранения репродуктивного потенциала пациенток. Дальнейшее масштабирование исследований и разработка автоматизированных методов сегментации будут способствовать клинической интеграции данной технологии и улучшению диагностики.

 

Источник финансирования. Авторы заявляют об отсутствии внешнего финансирования при проведении исследования. 

Funding source. This study was not supported by any external sources of funding.

Конфликт интересов. Авторы декларируют отсутствие явных и потенциальных конфликтов интересов, связанных с публикацией настоящей статьи. 

Competing interests. The authors declare that they have no competing interests.

Этическая экспертиза. Научное исследование было рассмотрено и одобрено независимым этическим комитетом при ФГБУ “РНЦРР” Минздрава России (выписка из протокола №5 от 27.06.2025). 

Ethics approval: The scientific study was reviewed and approved by an independent ethics committee at the Russian Scientific Center of Roentgenology and Radiology of the Ministry of Health of the Russian Federation (extract from protocol No. 5 dated June 27, 2025).

Генеративный искусственный интеллект. При создании настоящей статьи технологии генеративного искусственного интеллекта не использовали.

Generative AI: No generative artificial intelligence technologies were used to prepare this article.

Вклад авторов. 

Кузнецова Д.Д., Аксенова С.П. Нуднов Н.В.: разработка дизайна исследования; Кузнецова Д.Д., Грибанов Н.А., Аксенова С.П. Нуднов Н.В., : получение данных для анализа, анализ полученных данных, статистическая обработка материала; Кузнецова Д.Д., Аксенова С.П.: написание текста рукописи; Кузнецова Д.Д., Аксенова С.П. Нуднов Н.В.: обзор публикаций по теме статьи.

Authors' contribution. 

Kuznetsova D.D., Aksenova S.P., Nudnov N.V.: development of study design; Kuznetsova D.D., Gribanov N.A., Aksenova S.P., Nudnov N.V.: obtaining data for analysis, analysis of the obtained data, statistical processing of the material; Kuznetsova D.D., Aksenova S.P.: writing the manuscript; Kuznetsova D.D., Aksenova S.P., Nudnov N.V.: review of publications on the topic of the article.

 

Таблицы.

Таблица 1 Наиболее важные признаки, отобранные регрессией Lasso (T1).

Table 1 Most important features selected by Lasso regression (T1)

Название признака	Коэффициент регрессии
SmallDependenceLowGrayLevelEmphasis	-3.951098
MinorAxisLength	1.457792
Range	-1.331887
Maximum	-1.100072
Maximum2DDiameterColumn	0.825941
Median	-0.778592
InverseVariance	-0.737963
LongRunLowGrayLevelEmphasis	0.579601
Sphericity	-0.560966
ZoneEntropy	0.522106
SmallAreaEmphasis	-0.421764
RunLengthNonUniformity	0.339166
MCC	-0.328915
SizeZoneNonUniformityNormalized	-0.282778
Skewness	0.150489
Maximum2DDiameterRow	0.139718

 

Таблица 2 Наиболее важные признаки, отобранные регрессией Lasso (T2ВИ).

Table 2 Most important features selected by Lasso regression (T2).

Название признака	Коэффициент регрессии
DependenceNonUniformityNormalized	0.765533
Imc2	0.386603
RunVariance	0.637387
SurfaceVolumeRatio	-1.068241
DifferenceVariance	-0.508037
Maximum2DDiameterColumn	-0.485399
Skewness	0.426760
Sphericity	-0.263883
Variance	-0.211253
Minimum	-0.763912
GrayLevelVariance.1	-0.201617
ClusterShade	-0.189404
LongRunLowGrayLevelEmphasis	0.166456
GrayLevelVariance.2	-0.159106
SmallDependenceLowGrayLevelEmphasis	-0.105978
Kurtosis	-0.093388
GrayLevelVariance	-0.077030
SumSquares	-0.014919

 

Таблица 3. Прогностическая производительность моделей, основанных на Т1 и Т2 взвешенных МР-изображениях. 

Table 3. Predictive performance of models based on T1 and T2 weighted MR images.

	AUC	Accuracy	C-индекс
T1	0.98	0.95	1.62
T2	0.97	0.97	0.616

 

Рисунки.

Рисунок 1. Дизайн исследования. 

Figure 1. Research design.

 

Рисунок 2. ROC-кривая для модели, построенной на основе радиомических параметров, извлеченных из Т1-ВИ изображений. 

Figure 2. ROC-curve for a model built on T1-WI images.

 

Рисунок 3. Матрица ошибок для модели, построенной на основе текстурных характеристик опухоли, извлеченных из Т1-ВИ изображениях.

Figure 3. Error matrix for the model constructed based on T1-WI images.

 

Рисунок 4. Диаграмма, отображающая важность признаков Lasso коэффициентов для модели, построенной на основе текстурных характеристик опухоли, извлеченных из Т1-ВИ изображений.

Figure 4. Plot showing the feature importance of Lasso coefficients for a model built based on tumor texture characteristics extracted from T1-WI images.

 

Рисунок 5. ROC-кривая для модели, построенной на основе радиомических параметров, полученных из Т2-ВИ изображений. 

Figure 5. ROC-curve for a model built on T2-WI images.

 

Рисунок 6. Матрица ошибок для модели, построенной на основе текстурных характеристик опухолей, извлеченных из Т2-ВИ изображений.

Figure 6. Error matrix for the model constructed based on T2-WI images.

Рисунок 7. Диаграмма, отображающая важность признаков Lasso коэффициентов для модели, построенной на основе текстурных характеристик опухолей, извлеченных из Т2-ВИ изображений.

Figure 7. Plot showing the feature importance of Lasso coefficients for a model built based on tumor texture characteristics extracted from T2-weighted images.

About the authors

Nikolay V. Nudnov

Russian Scientific Center of Roentgenoradiology; Russian Medical Academy of Continuous Professional Education; Peoples’ Friendship University of Russia

Email: nudnov@rncrr.ru
ORCID iD: 0000-0001-5994-0468
SPIN-code: 3018-2527

MD, Dr. Sci. (Medicine), Professor

Russian Federation, Moscow; Moscow; Moscow

Svetlana P. Aksenova

Russian Scientific Center of Roentgenoradiology, RUDN University

Email: fabella@mail.ru
ORCID iD: 0000-0003-2552-5754
SPIN-code: 4858-4627

Ph.D. in Medicine, researcher

Russian Federation, Moscow

Darya D. Kuznetsova

Russian Scientific Center of Roentgenoradiology

Author for correspondence.
Email: sssdasha@mail.ru
ORCID iD: 0009-0004-2560-4879
SPIN-code: 2047-5006
Russian Federation, Moscow

Nikita A. Gribanov

Russian Scientific Center of Roentgenoradiology

Email: Griboeshkanikita@gmail.com
ORCID iD: 0009-0007-9837-1983
Moscow

References

Supplementary files