Differential diagnosis of benign and malignant serous ovarian lesions using radiomics analysis of magnetic resonance imaging (T2WI and T1WI) by machine learning: a retrospective cross-sectional study

Full Text

ОБОСНОВАНИЕ

Заболевания яичников, включая доброкачественные и злокачественные опухоли, остаются значительной проблемой для женского здоровья. По данным Всемирной организации здравоохранения, рак яичников занимает восьмое место среди всех злокачественных новообразований у женщин и является одной из наиболее частых причин смерти от онкологических заболеваний¹. В структуре онкологических заболеваний женского населения России рак яичника занимает девятое место (4,2% в 2021 году). В частости, заболеваемость раком яичников в России в 2021 году составила 17,05 случаев на 100 тыс. женского населения, что в абсолютном выражении составило 13,3 тыс. новых случаев заболевания [1]. Раннее выявление опухолей яичников имеет решающее значение для выбора оптимальной тактики лечения и снижения риска смерти.

К серозным эпителиальным образованиям яичников относят серозные цистаденомы, низкозлокачественные серозные аденокарциномы, высокозлокачественные серозные аденокарциномы и некоторые другие относительно редкие гистологические подтипы, в том числе с промежуточным статусом — пограничные папиллярные серозные опухоли яичника. Серозные цистаденомы являются доброкачественными серозными опухолями яичников, выстланными однослойным или многослойным эпителием серозного типа без клеточной атипии. Сосочковые структуры отсутствуют или минимальны [2]. Низкозлокачественные серозные аденокарциномы, 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) [3]. Большинство серозных аденокарцином (около 95%) являются высокозлокачественными серозными аденокарциномами, которые обычно возникают de novo или из интраэпителиальной карциномы маточной трубы, характеризуются сложным папиллярным строением с выраженной ядерной атипией, частыми митозами, зонами некроза и мутациями в гене TP53 (2 тип) [3]. Низкозлокачественные серозные аденокарциномы характеризуются более благоприятным в сравнении с высокозлокачественными аденокарциномами прогнозом, но хуже реагируют на химиотерапию [4, 5]. Последние, как правило, агрессивны, их часто диагностируют на поздних стадиях, а 5-летняя выживаемость составляет около 40% [4]. В связи с этим принципиальное значение для планирования лечения имеет ранняя дифференциальная диагностика образований яичников.

Традиционные методы визуализации, такие как ультразвуковое исследование (УЗИ), компьютерная томография (КТ) и магнитно-резонансная томография (МРТ), широко используют для диагностики опухолей яичников. Согласно результатам метаанализа W.H. Wang и соавт. [6], чувствительность и специфичность КТ в дифференциальной диагностике доброкачественных и злокачественных новообразований яичников в целом, без уточнения гистологического типа опухоли, составляет в среднем 0,79 и 0,87, тогда как МРТ — 0,94 и 0,91 соответственно. Вместе с тем существуют трудности дифференциальной диагностики серозных опухолей яичников по данным МРТ, которые преобладают среди всех злокачественных новообразований (70%), связанные с ограничениями метода и морфологическим сходством различных типов образований: доброкачественных, пограничных и злокачественных [7]. Например, кистозно-солидная структура характерна как для доброкачественных (цистаденомы и цистаденофибромы), так и для злокачественных серозных опухолей (цистаденокарциномы). Папиллярные разрастания и перегородки наблюдают в 60–70% случаев при обоих типах поражения [2]. Таким образом, магнитно-резонансные (МР) семиотические признаки не позволяют достоверно различать доброкачественный и злокачественный генез образований яичников, что требует новых диагностических подходов. С этой целью с 2021 года в клиническую практику рентгенологов внедрили новую стратификационную шкалу вероятности злокачественности образований яичников — O-RADS (Ovarian-Adnexal Reporting and Data System). Однако её дискриминационная способность имеет свои ограничения. Так, категории шкалы O-RADS 4 и 5 отличаются достаточно большим диапазоном риска злокачественности по данным МРТ (положительная прогностическая ценность составляет 50 и 90% соответственно), что обусловливает сложности в диагностике и выборе тактики лечения пациентки. В свою очередь, это крайне важно для пациенток репродуктивного возраста, у которых необходимо сохранить наибольший объём фолликулярного аппарата яичника [8]. Различия в дифференциации данных категорий основаны исключительно на типе кинетической кривой накопления контрастного препарата при динамическом контрастном усилении (ДКУ) в солидном компоненте опухоли и может принимать промежуточные значения, не относящиеся ко второму или третьему типу накопления. Таким образом, один параметр, оцениваемый субъективно исследователем, влияет на выбор тактики лечения врачом-онкологом, гинекологом. Именно поэтому существует необходимость разработки более точных и надёжных методов диагностики.

В последние годы всё большее внимание привлекает радиомика — направление научной деятельности, включающее радиологические методы исследования, математическое моделирование и глубокое машинное обучение. В основе радиомики лежат биомаркёры изображений, полученные с помощью анализа текстуры цифровых изображений и характеризующие различные патологические изменения [9]. Радиомические признаки могут быть связаны с биологическими свойствами опухолей и их агрессивностью, что открывает новые возможности для диагностики и прогноза опухолей различных органов и систем [10, 11]. Использование для анализа таких данных алгоритмов обработки изображений и машинного обучения может помочь в более точной оценке гистологического типа опухолей [12, 13]. В последние 5 лет отмечают рост числа публикаций, в частности посвящённых дифференциальной диагностике образований яичников, в которых продемонстрированы преимущества применения радиомических моделей или клинико-радиомических моделей по сравнению с традиционными методами визуализации КТ и МРТ [14]. Так, при внешней валидации предсказательная ценность радиомической модели (площадь под характеристической кривой — Area Under the Curve, AUC=0,939) была выше таковой для шкалы O-RADS (AUC=0,862; p=0,047) и заключения врача без стажа, основанного на данных МРТ (AUC=0,802; p=0,003), но не опытного врача-рентгенолога (AUC=0,886; p=0,231). Важно также отметить, что радиомика — неинвазивная процедура, и при достижении информативности близкой к таковой при патоморфологическом исследовании, может стать методом выбора в целях предоперационной диагностики в клинически сложных случаях или у соматически тяжёлых пациенток. Кроме того, остаётся проблема субъективности при оценке некоторых МР-паттернов по шкале O-RADS:

• определение количества перегородок;
• анализ близко расположенных кистозных структур и их восприятие как единых (мультикистозных) или разных (близко прилежащих) образований;
• малые узловые образования, слабо визуализируемые на фоне серозной жидкости;
• нарушение техники ДКУ у пациенток с сердечной патологией [15].

Вместе с тем количество исследований, посвящённых радиомическим признакам, применимым для дифференциальной диагностики именно серозных новообразований яичников, остаётся ограниченным. Большинство существующих работ ориентировано преимущественно на стратификацию доброкачественных и злокачественных новообразований яичников без учёта их гистологической принадлежности. Так, Н. Zhang и соавт. [16], а также X. Song и соавт. [17] изучали доброкачественные образования, включая эндометриоидные кисты, тератомы, фибромы/фибротекомы, характеризующиеся типичной для них МР-семиотикой. В частности, для фибром характерен низкий сигнал на T2-взвешенных изображениях (ВИ) и диффузионно-взвешенных изображениях (ДВИ) (Dark T2-ВИ и Dark ДВИ), тогда как для тератом — гиперинтенсивный МР-сигнал на Т2-ВИ и T1-ВИ с подавлением сигнала от жировой ткани. Указанные образования, как правило, могут быть достоверно дифференцированы при стандартной нативной МРТ и в большинстве случаев не требуют применения дополнительных методов диагностики, включая радиомический анализ. Y. Zheng и соавт. [18] анализировали исключительно солидные опухоли с акцентом на фибромы/фибротекомы, а также злокачественные солидные опухоли стромы полового тяжа. Более того, большинство проведённых исследований направлено на дифференциацию доброкачественных и злокачественных опухолей яичников без акцента на их гистологическом типе либо выполнено на малых выборках [16–19].

В связи с этим считаем актуальным проведение радиомического исследования на выборке пациенток с подтверждёнными серозными образованиями яичника, представляющими наибольшее клиническое значение для онкологии.

ЦЕЛЬ

Разработать модель для дифференциальной диагностики доброкачественных и злокачественных серозных образований яичника по данным радиомического анализа изображений МРТ с применением машинного обучения.

МЕТОДЫ

Дизайн исследования

Проведено одноцентровое ретроспективное одномоментное исследование. Дизайн исследования в части процесса радиомики представлен на рис. 1.

 

Рис. 1. Дизайн исследования в части процесса радиомики.

 

Условия проведения исследования

В исследование включали данные пациенток, которые проходили обследование и лечение, в частности амбулаторное, в Российском научном центре рентгенорадиологии (Москва) по поводу патологии яичников в период с января 2012 по декабрь 2024 г.

Критерии отбора

Критерии включения:

• пациентки с верифицированной серозной аденокарциномой яичника или серозной цистаденомой яичника;
• наличие изображений МРТ органов малого таза, полученных при первичной диагностике в течение 1 мес. до начала противоопухолевого лечения или динамического наблюдения, если выбрана данная стратегия у пациенток с цистаденомой яичника.

Критерии невключения:

• артефакты на изображениях МРТ;
• малый объём опухоли (<1 см³), недостаточный для оконтуривания.

Критерии исключения: не запланированы.

Диагноз серозной аденокарциномы во всех случаях подтверждён послеоперационным патоморфологическим исследованием. Диагноз серозной цистаденомы устанавливали по данным послеоперационного патоморфологического исследования (n=38) и/или в результате динамического наблюдения в течение 1 года с применением лучевых методов исследования (УЗИ, МРТ органов малого таза) (n=15). При этом диагноз серозный цистаденомы устанавливали при визуализации жидкостного компонента по данным Т2-ВИ (гиперинтенсивный МР-сигнал) и Т1-ВИ, включая и T1-ВИ с подавлением сигнала от жировой ткани (гипоинтенсивный сингал). Информация о диагнозе получена из заключений гинеколога и патоморфологического исследования постоперационного материала.

Соотношение пациенток в группах сравнения запланировано как 1:1. Необходимый размер выборки предварительно не рассчитывали.

Получение изображений магнитно-резонансной томографии

МРТ выполняли с использованием томографов с напряжённостью магнитного поля 1,5 Тл [Vantage Atlas® (Canon Medical System, Япония) в 2012–2024 гг.; МAGNETOM Aero® (Siemens Healthineers, Германия) в 2018–2024 гг.]. Протокол МРТ органов малого таза в течение всего периода соответствовал рекомендациям Европейского общества урогенитальной радиологии от 2020 года (European Society of Urogenital Radiology, ESUR) и протоколу O-RADS [20]. Он включал проведение исследования в режиме Т2-ВИ в трёх взаимно перпендикулярных плоскостях и Т1-ВИ, в частности с подавления сигнала от жировой ткани, ДВИ c b-фактором взвешенности до 800 мм²/с и ДКУ препаратами гадолиния. В некоторых случаях для наилучшей визуализации структуры придатков матки проводили косые исследования параллельно оси тела матки с малым полем обзора.

Сегментация области интереса

Дооперационные изображения МРТ экспортировали на персональный компьютер из системы архивации и передачи медицинских изображений PACS (Picture Archiving and Communication System) в формате DICOM (Digital Imagingand Communications in Medicine). Перед обработкой данные деперсонализировали — из файлов удалена вся информация, позволяющая идентифицировать пациенток (ФИО, дата рождения, идентификационный номер, дата исследования). Сегментацию области интереса проводили ручным (Т2-ВИ) и полуавтоматическим (Т1-ВИ) способами независимо два исследователя (с опытом работы 2 года в области визуализации органов малого таза методом МРТ) на нативных Т1- и Т2-ВИ в бесплатном программном обеспечении 3D-Slicer® версии 5.6.2, (Slicer Community, США) с максимальной функцией выгрузки 107 радиомических показателей, доступных для данного программного обеспечения. Результаты разметки проверяли, в случаях расхождения (например, включения в область опухоли прилежащих органов или структур, различий в объёме или числе срезов) принимали решение на основе совместного консенсуса. Область интереса определяли путём консенсуса двух исследователей и подтверждением правильности выбора при консультации с врачом-экспертом в области патологии органов малого таза (10 лет стажа в области визуализации малого таза методом МРТ). Оконтуривание проводили произвольно всего объёма опухоли, доступного для визуализации, на каждом Т1- и Т2-ВИ. Пример оконтуривания единичного среза на аксиальном Т2-ВИ представлен на рис. 2. Предварительную обработку изображений МРТ перед оконтуриванием не проводили. У пациенток с двусторонними опухолями яичников оконтуривание проводили той опухоли, которая была наилучшим образом визуализирована на T2- и Т1-ВИ: весь объём опухоли включён в зону сканирования, нет наложения петли кишки, нет артефактов.

 

Рис. 2. Пример оконтуривания образования правого яичника на 2D Т2-взвешенных изображениях в аксиальной плоскости с 3D визуализацией всего объёма опухоли (режим 3D реконструкции).

 

Для каждого образования яичника рассчитали по 107 радиомических показателей для 2D Т1- и Т2-ВИ соответственно (всего 214 у каждой пациентки). Радиомические признаки подразделяли на 7 классов [14]:

• признаки первого порядка (First Order) определяли распределение интенсивности внутри опухоли без учёта пространственного расположения пикселей (n=18);
• формообразующие признаки (Shape) — геометрию и форму образования (n=14);
• матрица совместной встречаемости уровней серого (Gray Level Co-occurrence Matrix, GLCM) описывает частоту встречаемости пары вокселей с определёнными интенсивностями на заданном расстоянии и направлении (n=24);
• матрица зависимости уровней серого (Gray Level Dependence Matrix, GLDM) описывает частоту зависимости вокселей с определённой интенсивностью от соседних вокселей (n=14);
• матрица зон однородности уровней серого (Gray Level RunLength Matrix, GLRLM) описывает длины последовательностей вокселей с одинаковой интенсивностью (n=16);
• матрица размера зоны уровней серого (Gray Level Size Zone Matrix, GLSZM) описывает размер зон с одинаковой интенсивностью (n=16);
• матрица соседних тонов (NeighbouringGrayToneDifference Matrix, NGTDM) описывает разницу между интенсивностью вокселя и средним значением соседних вокселей (n=5).

Построение диагностических моделей

Предобработку первичных данных не проводили.

Радиомические данные отдельных пациенток методом рандомизации разделили на обучающую и тестовую выборки в соотношении 4:1 с применением программной библиотеки sklearn.model_selection. Обучение и подбор гиперпараметров моделей осуществляли на обучающей выборке (n=84), а оценку её качества — на тестовой выборке (n=22). Оценку значимости каждого признака проводили мерой feature_importances на основе модели LASSO (логистическая регрессия с L1-регуляризацией). Построение моделей машинного обучения (LASSO, RandomForest) проводили на языке программирования Python 3.12 с использованием специализированных библиотек (pandas; scipy; sklearn.model_selection; sklearn.linear_model; sklearn.preprocessing; sklearn.metrics; matplotlib.pyplot; seaborn; numpy; sklearn.utils; mlxtend.evaluate). Подбор гиперпараметров модели выполнен с помощью алгоритма поиска по сетке GridSearchСV с количеством фолдов для кросс-валидации 10. Для модели LASSO осуществляли подбор гиперпараметра С в диапазоне от 10⁻⁴ до 10⁴. Для модели RandomForest подбирали следующие гиперпараметры: n_estimators (значения 50, 100, 200, 300), max_features (значения sqrt, log 2) и max_depth (значения от 4 до 8), criterion (значения gini; entropy).

Для каждой модели рассчитали следующие метрики:

• точность (Accuracy);
• AUC;
• матрицу ошибок (Confusion Matrix);
• долю объектов, названных моделью положительными и при этом действительно являющимися положительными (Precision);
• доля объектов положительного класса из всех объектов положительного класса — полнота (Recall);
• специфичность (Specificity);
• параметр F1 (F1).

Значения всех метрик выше 0,80 рассматривали как критерий высокой диагностической точности модели. Для сравнения моделей использовали статистические методы: тест χ² по методу МакНемара и тест Делонга (сравнение значений ROC-AUC). Уровень значимости (α) был установлен на 0,05.

Этическая экспертиза

Проведение исследования (доступ к локальной системе архивации и передачи медицинских изображений PACS в формате DICOM, ретроспективный анализ данных пациенток и доступ к их амбулаторным картам), одобрено независимым этическим комитетом Российского научного центра рентгенорадиологии (протокол № 5 от 27.06.2025). Все пациентки при обращении за медицинской помощью в Центр подписывали информированное добровольное согласие на использование результатов исследования и лечения с научной целью. Перед обработкой изображений МРТ данные деперсонализировали — из файлов удалена вся информация, позволяющая идентифицировать пациенток (ФИО, дата рождения, идентификационный номер, дата исследования).

РЕЗУЛЬТАТЫ

Выборка исследования

Проанализировали медицинскую документацию 304 пациенток с патологией яичников, проходивших обследование и лечение в период с января 2012 по декабрь 2024 г. В исследование были отобраны данные 53 пациенток с серозной аденокарциномой яичника и 53 — с серозной цистаденомой яичника (рис. 3). В обучающую выборку включили по 42 пациентки из каждой группы, а в тестовую — по 11. Обучающая и тестовая выборки были сопоставимы по возрасту женщин и их распределению по различным периодам репродуктивного возраста (табл. 1). Содержание онкомаркёра СА-125 (Cancer Antigen 125) в обучающей и тестовой выборках статистически значимо различалось (p <0,05).

 

Рис. 3 . Формирование выборки исследования. МРТ — магнитно-резонансная томография.

 

Таблица 1. Характеристики пациенток с серозными опухолями яичников
Показатели	Обучающая выборка (n=84)	Тестовая выборка (n=22)	p
Доброкачественные образования, n (%)	42 (50)	11 (50)	—
Злокачественные образования, n (%)	42 (50)	11 (50)	—
Возраст, лет	55,0±13,8 (от 21 до 86)	54,6±15,6 (от 20 до 88)	>0,05
СА-125, Ед/мл	130 [44; 521]	402,5 [181; 978, 5]	<0,05
Репродуктивный период, n (%)
Постменопауза	58 (69)	13 (59)	<0,05
Перименопауза	2 (2)	2 (9)
Пременопауза	24 (29)	7 (32)
Примечание. СА-125 (Cancer Antigen 125) — онкомаркёр рака яичников. Установление репродуктивного периода женщины проводили на основании заключений гинеколога. Описание количественных признаков выполнено в виде M±SD, где M — среднее арифметическое, а SD — стандартное отклонение или в виде Me [Q1; Q3], где Me — медиан, а Q1 и Q3 — 1-й и 3-й квартиль соответственно.

 

Диагностические параметры моделей машинного обучения

Результаты моделей на основе радиомических признаков, извлечённых из Т1-взвешенных изображений

Модели оценивали на тестовой выборке (n=22). Так, у модели T1 LASSO наибольшее влияние оказали 16 диагностических признаков. Остальные радиомические признаки (n=91) были статистически не значимы (коэффициент регрессии LASSO=0). Далее мы отобрали 8 наиболее значимых радиомических признаков (табл. 2) и построили новую модель (T1R LASSO). Формула Radscore для модели T1R LASSO имеет следующий вид:

$\begin{array}{l}Radscore=0+2,275133\\ \times \mathrm{T}{1}_{\mathrm{Maximum}2\mathrm{DDiameterColumn}}\\ +0,945669\times \mathrm{T}{1}_{\mathrm{MinorAxisLength}}\\ -1,267733\times \mathrm{T}{1}_{\mathrm{Maximum}}-0,672278\\ \times \mathrm{T}{1}_{\mathrm{Median}}-1,190213\times \mathrm{T}{1}_{\mathrm{Range}}\\ -0,454553\times \mathrm{T}{1}_{\mathrm{InverseVariance}}-4,801447\\ \times \mathrm{T}{1}_{\mathrm{SmallDependenceLowGrayLevelEmphasis}}\\ +1,219035\times \mathrm{T}{1}_{\mathrm{LongRunLowGrayLevelEmphasis}}\end{array}$, (1)

где Т1_{Maximum2DDiameterColumn} — максимальный 2D диаметр по столбцам (вертикально), характеристика размера опухоли на Т1-ВИ; Т1_{MinorAxisLength} — длина малой оси эллипсоидной формы опухоли, отражает геометрическую форму на Т1-ВИ; Т1_Maximum — максимальное значение интенсивности в образовании на Т1-ВИ; Т1_Median — медианное значение интенсивности, срединное значение гистограммы на Т1-ВИ; Т1_Range — разброс интенсивностей (максимум–минимум) внутри опухоли, отражает вариабельность сигнала на Т1-ВИ; Т1_{InverseVariance} — обратная вариация, характеризует однородность текстуры, чем выше, тем текстура более однородна; Т1_{SmallDependenceLowGrayLevelEmphasis} — акцент на маленьких зависимых зонах с низкой интенсивностью, характеризует тонкую структуру; Т1_{LongRunLowGrayLevelEmphasis} — акцент на длине ряда низкоинтенсивных пикселей, указывает на структурные особенности.

 

Таблица 2. Радиомические признаки, отобранные регрессией LASSO (T1-взвешенные изображения)
Название признака	Класс	Коэффициент регрессии	Описание
T1-SmallDependenceLowGrayLevelEmphasis	Texture (GLDM)	−4,801 447	Акцент на маленьких зависимых зонах с низкой интенсивностью, характеризует тонкую структуру
T1-Maximum2DDiameterColumn	Shape	2,275 133	Максимальный 2D диаметр по столбцам (вертикально), характеристика размера опухоли
T1-Maximum	First Order (Image-original)	−1,267 733	Максимальное значение интенсивности в образовании
T1-LongRunLowGrayLevelEmphasis	Texture (GLRLM)	1,219 035	Акцент на длине ряда низкоинтенсивных пикселей, указывает на структурные особенности
T1-Range	First Order	−1,190 213	Разброс интенсивностей (максимум–минимум) внутри опухоли, отражает вариабельность сигнала
T1-MinorAxisLength	Shape	0,945 669	Длина малой оси эллипсоидной формы опухоли, отражает геометрическую форму
T1-Median	First Order	−0,672 278	Медианное значение интенсивности, срединное значение гистограммы
T1-InverseVariance	Texture (GLCM)	−0,454 553	Обратная вариация, характеризует однородность текстуры, чем выше, тем текстура более однородна
Примечание. GLDM (Gray Level Dependence Matrix) — матрица зависимости уровней серого; Texture — текстурные признаки; Shape — формообразующие признаки; First Order — показатели первого порядка; GLRLM (Gray Level Run Length Matrix) — матрица зон однородности уровней серого; GLCM (Gray-Level Co-Occurrence Matrix) — матрица совместной встречаемости уровней серого. Признаки упорядочены сверху вниз по убыванию значимости (величине коэффициента регрессии).

 

Модель T1 RandomeForest построена с использованием всех 107 радиомических признаков, однако наиболее значимые совпадают с моделью T1 LASSO. На основе значимых радиомических признаков (n=8), представленных в табл. 2, построена новая модель (T1R RandomForest). AUC моделей и матрица ошибок для тестовых моделей T1R LASSO и T1R RandomForest, построенных на основе радиомических признаков опухоли, извлечённых из Т1-ВИ, не различались (для AUC тест МакНемара p=1,0000; тест Делонга: Z-статистика=−0,9915, p=0,3215). Согласованность предсказаний моделей составила 95,24%. Матрица ошибок для модели T1R LASSO и ROC-кривые для моделей T1R LASSO и T1R RandomForest представлены на рис. 4 и 5.

 

Рис. 4. ROC-кривые для моделей Т1R LASSO и Т1R RandomForest, построенных на основе 8 радиомических признаков, извлечённых из Т1-взвешенных изображений. AUC (Area Under the Curve) — площадь под характеристической кривой.

 

Рис. 5. Матрица ошибок для модели Т1R LASSO, построенной на основе текстурных характеристик опухоли, извлечённых из Т1-взвешенных изображений: группа 0 и 0 — доля истинно положительных результатов; группа 0 и 1 — доля ложноположительных результатов; группа 1 и 0 — доля ложноотрицательных результатов; группа 1 и 1 — доля истинно отрицательных результатов.

 

Результаты моделей на основе радиомических признаков, извлечённых из Т2-взвешенных изображений

Модели оценивали на тестовой выборке (n=22). У модели T2 LASSO наибольшее влияние оказали 18 диагностических признаков. Остальные радиомические признаки (n=89) были статистически не значимы (коэффициент регрессии LASSO=0). Такое большое количество показателей может указывать на сильные различия в текстуре ткани разных видов образований по данным МРТ, не выявляемые при стандартной визуальной оценке врачом-рентгенологом. Далее мы отобрали 8 наиболее значимых радиомических признаков (табл. 3) и построили новую модель Т2R LASSO. Формула Radscore для модели T2R LASSO имеет следующий вид:

$\begin{array}{l}Radscore=0,523864+1,006101\\ \times \mathrm{T}{2}_{\mathrm{Maximum}2\mathrm{DDiameterColumn}}-0,181341\\ \times \mathrm{T}{2}_{\mathrm{Sphericity}}-0,877454\times \mathrm{T}{2}_{\mathrm{SurfaceVolumeRatio}}\\ +0,567924\times \mathrm{T}{2}_{\mathrm{Skewness}}-1,958694\\ \times \mathrm{T}{2}_{\mathrm{DifferenceVariance}}+0,015633\\ \times \mathrm{T}{2}_{\mathrm{Imc}2}+1,852194\\ \times \mathrm{T}{2}_{\mathrm{DependenceNonUniformityNormalized}}\\ +3,330334\times \mathrm{T}{2}_{\mathrm{RunVariance}}\end{array}$, (2)

где T2_{Maximum2DDiameterColumn} — максимальный диаметр опухоли вдоль колонны, отражает размер образования на Т2-ВИ; T2_Sphericity — мера округлости опухоли на Т2-ВИ; T2_{SurfaceVolumeRatio} — отношение площади поверхности опухоли к её объёму на Т2-ВИ; T2_Skewness — асимметрия распределения интенсивности на Т2-ВИ; T2_{DifferenceVariance} — показатель различий в интенсивности между соседними пикселями на Т2-ВИ; T2_Imc2 — индекс корреляции импульсного момента 2, характеризует взаимосвязь между значениями пикселей на Т2-ВИ; T2_{DependenceNonUniformityNormalized} — нормализированная мера неоднородности зависимостей между пикселями на Т2-ВИ; T2_RunVariance — вариация длин серий одинаковых уровней серого на Т2-ВИ.

 

Таблица 3. Радиомические признаки, отобранные регрессией LASSO (T2-взвешенные изображения)
Название признака	Класс	Коэффициент регрессии	Описание
Т2-RunVariance	Texture (GLRLM)	3,330 334	Вариация длин серий одинаковых уровней серого, отражает неоднородность структуры
Т2-DifferenceVariance	Texture (GLCM)	−1,958 694	Обращает внимание на различия в интенсивности между соседними пикселями
Т2-DependenceNonUniformityNormalized	Texture (GLDM)	1,852 194	Нормализированная мера неоднородности зависимостей между пикселями; отражает вариабельность текстуры
Т2-Maximum2DDiameterColumn	Shape	1,006 101	Максимальный диаметр опухоли вдоль колонны, отражает размер образования
Т2-SurfaceVolumeRatio	Shape	−0,877 454	Отношение площади поверхности опухоли к её объёму, характеризует форму и гладкость поверхности
Т2-Skewness	First Order	0,567 924	Асимметрия распределения интенсивности, показывает скошенность гистограммы
Т2-Sphericity	Shape	−0,181 341	Мера округлости опухоли, насколько она близка к сфере
Т2-Imc2	Texture (GLCM)	0,015 633	Индекс корреляции импульсного момента 2, характеризующий взаимосвязь между значениями пикселей
Примечание. GLDM (Gray Level Dependence Matrix) — матрица зависимости уровней серого; Texture — текстурные признаки; Shape — формообразующие признаки; First Order — показатели первого порядка; GLRLM (Gray Level Run Length Matrix) — матрица зон однородности уровней серого; GLCM (Gray-Level Co-Occurrence Matrix) — матрица совместной встречаемости уровней серого. Признаки упорядочены сверху вниз по убыванию значимости (величине коэффициента регрессии).

 

Модель T2 RandomeForest использовала все 107 радиомических признаков, однако наиболее значимые совпадают с параметрами модели T2 LASSO. На основе значимых радиомических параметров (n=8), представленных в табл. 3., построена новая модель (T2R RandomForest). AUC моделей и матрица ошибок для тестовых моделей LASSO и RandomForest, построенных на основе радиомических признаков опухоли, извлечённых из Т2-ВИ, не различались (для AUC тест МакНемара p=1,0000; тест Делонга: Z-статистика=−0,8321, p=0,4054). Согласованность предсказаний моделей составила 95,24%. Матрица ошибок для модели T2R LASSO и ROC-кривые для моделей T2R LASSO и T2R RandomForest представлены на рис. 6 и 7.

 

Рис. 6. ROC-кривые для моделей T2R LASSO и T2R RandomForest, построенных на основе радиомических признаков, извлечённых из Т2-взвешенных изображений. AUC (Area Under the Curve) — площадь под характеристической кривой.

 

Рис. 7. Матрица ошибок для модели Т2R LASSO, построенной на основе текстурных характеристик опухолей, извлечённых из Т2-взвешенных изображений: группа 0 и 0 — доля истинно положительных результатов; группа 0 и 1 — доля ложноположительных результатов; группа 1 и 0 — доля ложноотрицательных результатов; группа 1 и 1 — доля истинно отрицательных результатов.

 

Результаты моделей на основе радиомических признаков, извлечённых из T1- и Т2-взвешенных изображений

Модели оценивали с использованием тестовой выборки (n=22). Выбраны 16 значимых параметров модели Т1 LASSO и 18 параметров Т2 LASSO (n=33), на основании которых построена модель T1 + T2 LASSO. У данной комбинированной модели наибольшее влияние оказали 22 диагностических признака. Остальные радиомические признаки (n=11) были статистически не значимы (коэффициент регрессии LASSO=0). Далее выбраны 7 наиболее значимых радиомических признаков, представленных в табл. 4, с использованием которых построена модель Т1 + Т2R LASSO. Формула Radscore для модели T2 + Т2R LASSO имеет следующий вид:

$\begin{array}{l}Radscore=0+3,174558\times \mathrm{T}{1}_{\mathrm{MinorAxisLength}}\\ -2,972446\times \mathrm{T}{1}_{\mathrm{Range}}-7,590069\\ \times \mathrm{T}{1}_{\mathrm{SmallDependenceLowGrayLevelEmphasis}}\\ +1,537004\times \mathrm{T}{1}_{\mathrm{LongRunLowGrayLevelEmphasis}}\\ -3,241872\times \mathrm{T}{1}_{\mathrm{SmallAreaEmphasis}}\\ -1,658194\times \mathrm{T}{2}_{\mathrm{Minimum}}+2,838594\\ \times \mathrm{T}{2}_{\mathrm{DependenceNonUniformityNormalized}}\end{array}$, (3)

где Т1_{MinorAxisLength} — длина малой оси эллипсоидной формы опухоли на Т1-ВИ; Т1_Range — разброс интенсивностей (максимум–минимум) внутри опухоли на Т1-ВИ; Т1_{SmallDependenceLowGrayLevelEmphasis} — доля небольших текстурных зависимостей с низкими значениями интенсивности серого на Т1-ВИ; Т1_{LongRunLowGrayLevelEmphasis} — характеристика наличия на Т1-ВИ длинных последовательностей пикселей с низкими значениями интенсивности; Т1_{SmallAreaEmphasis} — характеристика мелких зонах одинаковой интенсивности на Т1-ВИ; Т2_Minimum — минимальное значение интенсивности в объёме опухоли на Т2-ВИ; Т2_{DependenceNonUniformityNormalized} — нормализированная мера неоднородности зависимостей между пикселями на Т2-ВИ.

 

Таблица 4. Радиомические признаки, отобранные регрессией LASSO (T1- и T2-взвешенные изображения)
Название признака	Класс	Коэффициент регрессии	Описание
T1-SmallDependenceLowGrayLevelEmphasis	Texture (GLDM)	−7,590 069	Акцент на маленьких зависимых зонах с низкой интенсивностью, характеризует тонкую структуру
Т1-SmallAreaEmphasis	Texture (GLRLM)	−3,241 872	Этот показатель оценивает распределение коротких сегментов (серий) пикселей с одинаковой яркостью в изображении
T1-MinorAxisLength	Shape	3,174 558	Длина малой оси эллипсоидной формы опухоли, отражает геометрическую форму
T1-Range	First Order	−2,972 446	Разброс интенсивностей (максимум–минимум) внутри опухоли, отражает вариабельность сигнала
Т2-DependenceNonUniformityNormalized	Texture(GLDM)	2,838 594	Нормализированная мера неоднородности зависимостей между пикселями; отражает вариабельность текстуры
Т2-Minimum	First Order	−1,658 194	Отражает минимальное значение интенсивности (яркости) среди всех пикселей или вокселей внутри выбранной области интереса
T1-LongRunLowGrayLevelEmphasis	Texture (GLRLM)	1,537 004	Акцент на длине ряда низкоинтенсивных пикселей, указывает на структурные особенности
Примечание. GLDM (Gray Level Dependence Matrix) — матрица зависимости уровней серого; Texture — текстурные признаки; Shape — формообразующие признаки; First Order — показатели первого порядка; GLRLM (Gray Level Run Length Matrix) — матрица зон однородности уровней серого. Признаки упорядочены сверху вниз по убыванию значимости (величине коэффициента регрессии).

 

Для модели RandomeForest использовали все 33 значимых радиомических признака моделей Т1 RandomForest и T2 RandomForest. На основе значимых сокращённых радиомических признаков модели T1 + T2 RandomForest (n=7), представленных в табл. 4, построена новая модель (T1 + Т2R RandomForest). AUC моделей и матрица ошибок для тестовых моделей Т1 + Т2R LASSO и Т1 + Т2R RandomForest, построенных на основе радиомических признаков опухоли, извлечённых из T1- и Т2-ВИ, не различались (для AUC тест МакНемара p=0,5000; тест Делонга: Z-статистика=−1,0565, p=0,2907). Согласованность предсказаний моделей составила 90,48%. Матрица ошибок для модели T1 + Т2R LASSO и ROC-кривые для моделей T1 + Т2R LASSO и T1 + Т2R RandomForest представлены на рис. 8 и 9.

 

Рис. 8. ROC-кривые для моделей T1 + T2R LASSO и T1 + T2R RandomForest, построенных на основе радиомических признаков, извлечённых из Т1- и Т2-взвешенных изображений. AUC (Area Under the Curve) — площадь под характеристической кривой.

 

Рис. 9. Матрица ошибок для модели Т1 + Т2R LASSO, построенной на основе текстурных характеристик опухолей, извлечённых из Т1- и Т2-взвешенных изображений: группа 0 и 0 — доля истинно положительных результатов; группа 0 и 1 — доля ложноположительных результатов; группа 1 и 0 — доля ложноотрицательных результатов; группа 1 и 1 — доля истинно отрицательных результатов.

 

Прогностическая производительность всех моделей, основанных на признаках, извлечённых из Т1- и Т2-ВИ МРТ, а также комбинированных моделей представлена в табл. 5.

 

Таблица 5. Диагностические показатели моделей LASSO и RandomForest, основанных на признаках, извлечённых из Т1- и Т2-взвешенных изображений магнитно-резонансной томографии
Модели	AUC	Accuracy (Точность)	Specificity (Специфичность)	Precision (Точность)	Recall (Полнота)	F1-score
T1 LASSO	0,98 (0,92–1,00)	0,95 (0,86–1,00)	1,00 (1,00–1,00)	1,0(1,00–1,00)	0,91 (0,70–1,00)	0,95 (0,82–1,00)
T1R LASSO	0,98 (0,92–1,00)	0,90 (0,76–1,00)	0,91 (0,69–1,00)	0,90(0,67–1,00)	0,90 (0,67–1,00)	0,90 (0,71–1,00)
T1 RandomForest	0,98 (0,68–1,00)	0,86 (0,88–1,00)	0,82 (0,56–1,00)	0,83(0,59–1,00)	0,91 (0,70–1,00)	0,87 (0,6667–1,0000)
T1R RandomForest	0,95 (0,84–1,00)	0,86 (0,67–1,00)	0,91 (0,69–1,00)	0,89(0,64–1,00)	0,80 (0,50–1,00)	0,84 (0,60–1,00)
T2 LASSO	0,97 (0,88–1,00)	0,91 (0,77–1,00)	0,91 (0,69–1,00)	0,91 (0,67–1,00)	0,91 (0,69–1,00)	0,91 (0,73–1,00)
T2R LASSO	1,00 (1,00–1,00)	1,00 (1,00–1,00)	1,00 (1,00–1,00)	1,00 (1,00–1,00)	1,00 (1,00–1,00)	1,00 (1,00–1,00)
T2 RandomForest	0,94 (0,81–1,00)	0,82 (0,64–0,95)	1,0 (1,00–1,00)	1,00 (1,00–1,00)	0,64 (0,33–0,90)	0,78 (0,50–0,95)
T2R RandomForest	0,98 (0,91–1,00)	0,95 (0,86–1,00)	0,91 (0,70–1,000)	0,91 (0,73–1,00)	1,00 (1,00–1,00)	0,95 (0,84–1,00)
T1 + T2 LASSO	1,00 (1,00–1,00)	0,95 (0,86–1,00)	0,91 (0,69–1,00)	0,91 (0,71–1,00)	1,00 (1,00–1,00)	0,95 (0,83–1,00)
T1 + T2R LASSO	1,00 (1,00–1,00)	0,95 (0,86–1,00)	0,91 (0,69–1,00)	0,91 (0,71–1,00)	1,00 (1,00–1,00)	0,95 (0,83– 1,00)
T1 + T2 RandomForest	0,96 (0,85–1,00)	0,81 (0,62–0,95)	0,82 (0,54–1,00)	0,80 (0,50–1,00)	0,80 (0,50–1,00)	0,80 (0,54–0,96)
T1 + T2R RandomForest	0,96 (0,85–1,00)	0,86 (0,67–1,00)	0,91 (0,69–1,00)	0,89 (0,64–1,00)	0,91 (0,50–1,00)	0,84 (0,60–1,00)
Примечание. Результаты тестовой выборки (n=22). В скобках представлены показатели 95% доверительного интервала. T1R — радиомическая модель с сокращённым количеством радиомических признаков (n=8); T2R — радиомическая модель с сокращённым количеством радиомических признаков (n=8); T1 + T2R — радиомическая модель с сокращённым количеством радиомических признаков (n=7); AUC (Area Under the Curve) — площадь под характеристической кривой.

 

ОБСУЖДЕНИЕ

Резюме основных результатов исследования

Модель LASSO, построенная на основе 8 радиомических признаков, извлечённых из Т1-ВИ, имеет следующие диагностические показатели: AUC — 0,98; Accuracy — 0,90; Precision — 0,90; Recall — 0,90; Specificity — 0,91; F1 — 0,90. Модель LASSO, основанная на 8 радиомических признаков, извлечённых из Т2-ВИ, продемонстрировала максимальные значения всех метрик: AUC — 1,00; Accuracy — 1,00; Precision — 1,00; Recall — 1,00; Specificity — 1,00; F1 — 1,00. Комбинированная модель T1 + T2R LASSO, построенная на 7 значимых радиомических признаках, характеризуется следующими диагностическими метриками: AUC — 1,00; Accuracy — 0,95; Precision — 0,91; Recall — 1,00; Specificity — 0,91; F1 — 0,95. Все построенные модели показали высокие диагностические показатели (>0,6 по всем метрикам). Вместе с тем наилучшие результаты (по значениям AUC) показали комбинированные модели, основанные на текстурных характеристиках, извлечённых из Т1- и Т2-ВИ. Не выявлено статистически значимой разницы диагностической информативности между моделями LASSO и RandomForest, основанными как на признаках Т2-ВИ, так и на Т1-ВИ, а также в комбинированных моделях.

Интерпретация основных результатов исследования

В настоящем исследовании получены результаты, подтверждающие прогностическую ценность текстурных признаков, извлечённых из Т1- и Т2-ВИ, в отношении злокачественности серозных образований яичников как самостоятельно, так и в комбинации. Кроме того, на их основании можно проводить дифференциальную диагностику серозных цистаденом и серозных цистаденокарцином яичников. Данный вывод согласуется с результатами ранее проведённых исследований, посвящённых дифференциальной диагностике доброкачественных и злокачественных образований яичников в целом, однако аналогичных исследований, которые включали только серозные опухоли яичников мы не нашли. Так, в наиболее схожем с нашим исследовании Н. Zhang и соавт. [16] показано, что радиомические признаки могут быть связаны с определённым типом опухоли: чувствительность радиомической модели, основанной на Support Vector Machine (SVM), для дифференциальной диагностики доброкачественных и злокачественных образований яичников составила 0,90 при перекрёстной валидации и 0,87 для модели при независимой (внешней) валидации. Наиболее значимые признаки были Low-High-High (LHH), Short-RunhighgrayLevelemphasis (SRHGE), извлечённые из коронарных T2-ВИ (p <0,000). В нашем исследовании выявлены другие значимые признаки, большинство из которых извлечены из Т1-ВИ (5/7):

• Т1-SmallDependenceLowGrayLevelEmphasis;
• Т1-SmallAreaEmphasis;
• Т1-MinorAxisLength;
• Т1-Range;
• Т2-DependenceNonUniformityNormalized;
• Т2-Minimum;
• Т1-LongRunLowGrayLevelEmphasis.

Кроме того, Н. Zhang и соавт. [16] проводили оконтуривание только на единичном МР-срезе, где визуализировали наибольший диаметр образования яичника. В настоящем исследовании радиомические признаки извлекали из всего объёма опухоли, что, по нашему мнению, более достоверно отражает всю структуру опухоли, поскольку срез с наибольшим диаметром может быть в зоне только кистозного или солидного компонента при условии смешанного строения опухоли.

Наиболее полную и схожую с нашим исследованием работу опубликовали летом 2025 года J. Jin и соавт. [14], которая обладает некоторыми преимуществами в сравнении с настоящей работой:

• больший набор данных (497 против 106);
• наличие внешней валидации;
• модель основана на признаках, извлечённых из изображений, полученных с помощью всех ключевых импульсных последовательностей (Т2-ВИ с подавлением сигнала от жировой ткани, ДВИ, Т1-ВИ с подавлением сигнала от жировой ткани с контрастным усилением);
• сравнение со стратификационной шкалой O-RADS МРТ.

Кроме того, J. Jin и соавт. [14] включали пациенток с разными гистологическими подтипами, в том числе отличными от серозных: герминогенные опухоли, опухоли стромы полового тяжа, что могло повлиять на характеристики модели. При этом оконтуривание опухолей авторы проводили всего на трёх срезах, что могло повлиять на распределение и характер радиомических признаков При анализе набора данных внешней проверки модель продемонстрировала высокую эффективность с AUC 0,939 (95% доверительный интервал 0,863–0,981), а также чувствительностью и специфичностью 0,875 и 0,917 соответственно. В нашем исследовании наилучшие метрики при внутренней валидации имели комбинированная модель Т1 + Т2R LASSO: AUC — 1,00; Accuracy — 0,95; и модель T2R LASSO: AUC — 1,00, Accuracy — 1,00. Результаты сопоставимы и даже превышают данные J. Jin и соавт. [14], несмотря на то что радимические параметры извлекали из изображений, полученных с помощью других импульсных последовательностей МРТ.

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

Ограничения исследования

Настоящее исследование имеет существенные ограничения, которые могут влиять на интерпретацию и обобщение полученных результатов. Во-первых, сегментацию опухолевых образований выполняли вручную и полуавтоматически два независимых исследователя, что является трудоёмким и времязатратным процессом. Несмотря на то что опухоли оконтурены по всему объёму, отсутствие полностью автоматизированной сегментации ограничивает воспроизводимость и масштабируемость метода. Использование автоматических методов сегментации могло бы существенно повысить эффективность и стандартизацию процесса [21]. Однако точное автоматическое выделение опухолей без ручного редактирования остаётся технически сложной задачей. Это ограничение может привести к вариабельности результатов, зависящей от оператора [22].

Во-вторых, размер выборки исследования был относительно небольшим, что также является ограничением. Небольшая выборка влияет на статистическую значимость исследования, затрудняет оценку генерализуемости результатов на широкую популяцию пациентов с различными клиническими особенностями. Согласно принципам качественного исследования, участие всех представителей целевой популяции и достаточный объём выборки являются ключевыми факторами для обеспечения воспроизводимости и обоснованности выводов [11]. Мы признаём, что ограниченный размер выборки требует подтверждения данных в условиях более крупных и многоцентровых исследований. Ограничением также являются разные показатели онкомаркёра CА-125 в обучающей и тестовой выборках, однако данный клинический параметр не включали в построение моделей.

В-третьих, в настоящее исследование не включены опухоли яичников других гистологических типов, что сужает клиническую применимость полученных моделей. Для более полной стратификации и дифференциальной диагностики целесообразно включение широкого спектра опухолевых образований, что позволит объективно оценить специфичность и чувствительность радиомических моделей в сравнении с другими патологиями — это особенно важно, учитывая различия в морфологии и биологических свойствах опухолей [22]. Отсутствие такого широкого спектра заболеваний является ограничением, которое может повлиять на практическую применимость результатов в повседневной клинической практике.

Кроме того, ограничения связаны с ретроспективным дизайном, проведением исследования в одном центре и отсутствием внешней валидации. Несмотря на широкое применение ретроспективных подходов в радиологических исследованиях, они подвержены риску систематических ошибок, связанных с отбором пациентов, отсутствием стандартизации протоколов обследования и последующего анализа. Одноцентровой характер исследования и отсутствие внешней валидации ограничивает распространение результатов на другие клиники с различным оборудованием и протоколами. Проспективные многоцентровые исследования с унифицированными протоколами и более длительным периодом наблюдения являются необходимыми для повышения уровня доказательности и воспроизводимости результатов [23].

Наконец, все изображения МРТ в настоящем исследовании получены с использованием томографов с магнитным полем 1,5 Тл. Сравнительный анализ изображений с разной силой магнитного поля (1,5 и 3,0 Тл) отсутствовал, что является важным ограничением, поскольку технические характеристики сканеров влияют на качество получаемых данных и, следовательно, на извлекаемые радиомические признаки [22]. Будущие исследования должны предусматривать включение различных типов томографов для проверки устойчивости и переносимости моделей при изменении параметров сканирования.

Перечисленные ограничения влияют на интерпретацию результатов и подчёркивают необходимость проведения многоцентровых проспективных исследований с более широкой выборкой, а также применением современных методов автоматической сегментации изображений. Эти меры помогут повысить точность, надёжность и клиническую применимость радиомических моделей в диагностике опухолей яичников.

ЗАКЛЮЧЕНИЕ

В настоящем исследовании разработаны модели машинного обучения на основе радиомических признаков, извлечённых из Т1- и Т2-ВИ МРТ для дифференциальной диагностики серозных цистаденом и аденокарцином яичников. Наилучшую диагностическую эффективность на тестовой выборке продемонстрировали модели LASSO, основанные на признаках Т1- и Т2-ВИ, что подтверждает значимость текстурных характеристик опухоли для прогнозирования злокачественного характера образования. Однако к интерпретации результатов следует подходить с учётом ограничений исследования: малого объёма выборки (n=106), одноцентрового ретроспективного дизайна и использования оператор-зависимой ручной и полуавтоматической сегментации. Несмотря на необходимость дальнейшей валидации результатов на независимых выборках, высокая точность разработанных моделей свидетельствует о перспективах внедрения радиомического анализа как дополнительного неинвазивного инструмента предоперационной стратификации риска злокачественности, 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.

ДОПОЛНИТЕЛЬНАЯ ИНФОРМАЦИЯ

Вклад авторов. С.П. Аксенова — определение концепции, работа с данными, анализ данных, проведение исследования, разработка методологии, администрирование проекта, обеспечение исследования, программное обеспечение, валидация, написание черновика рукописи, пересмотр и редактирование текста рукописи; Д.Д. Кузнецова — определение концепции, работа с данными, анализ данных, проведение исследования, разработка методологии, визуализация, написание черновика рукописи, пересмотр и редактирование текста рукописи; Н.В. Нуднов — администрирование проекта, обеспечение исследования, руководство исследованием; Н.А. Грибанов — анализ данных, проведение исследования. Все авторы одобрили финальную версию перед публикацией, а также согласились нести ответственность за все аспекты работы, гарантируя надлежащее рассмотрение и решение вопросов, связанных с точностью и добросовестностью любой её части.

Этическая экспертиза. Проведение исследования (доступ к локальной системе архивации и передачи медицинских изображений PACS в формате DICOM, ретроспективный анализ данных пациентов и доступ к амбулаторным картам пациенток), одобрено независимым этическим комитетом Российского научного центра рентгенорадиологии (протокол № 5 от 27.06.2025). Все пациентки при обращении за медицинской помощью в Центр подписывали информированное добровольное согласие на использование результатов исследования и лечения с научной целью. Перед обработкой изображений МРТ данные деперсонализировали — из файлов удалена вся информация, позволяющая идентифицировать пациенток (ФИО, дата рождения, идентификационный номер, дата исследования).

Источники финансирования. Отсутствуют.

Раскрытие интересов. Авторы заявляют об отсутствии отношений, деятельности и интересов за последние три года, связанных с третьими лицами (коммерческими и некоммерческими), интересы которых могут быть затронуты содержанием статьи.

Оригинальность. При создании настоящей работы авторы не использовали ранее опубликованные сведения (текст, иллюстрации, данные).

Доступ к данным. Редакционная политика в отношении совместного использования данных к настоящей работе не применима.

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

Рассмотрение и рецензирование. Настоящая работа подана в журнал в инициативном порядке и рассмотрена по обычной процедуре. В рецензировании участвовали член редакционной коллегии и научный редактор журнала.

ADDITIONAL INFORMATION

Author contributions: S.P. Aksenova: conceptualization, data curation, formal analysis, investigation, methodology, project administration, resources, software, validation, writing—original draft, writing—review & editing; D.D. Kuznetsova: conceptualization, data curation, formal analysis, investigation, methodology, visualization, writing—original draft, writing—review & editing; N.V. Nudnov: project administration, resources, supervision; N.A. Gribanov: formal analysis, investigation. All the authors approved the version of the manuscript to be published and agreed to be accountable for all aspects of the work, ensuring that questions related to the accuracy or integrity of any part of the work are appropriately investigated and resolved.

Ethics approval: This study (access to the local archiving and transfer system of medical images PACS in DICOM format; retrospective analysis of patient data; and access to outpatient patient records) was approved by the Independent Ethics Committee of the Russian Scientific Center of Roentgenology and Radiology (Minutes No. 5 dated June 27, 2025). All participants provided written informed consent for the use of their clinical assessment and treatment data for research purposes upon admission to the Center. Before processing, all data were anonymized, i.e., any information enabling patient identification, such as name, date of birth, identification number, or date of examination, was removed.

Funding sources: No funding.

Disclosure of interests: The authors have no relationships, activities, or interests for the last three years related to for-profit or not-for-profit third parties whose interests may be affected by the content of the article.

Statement of originality: No previously published material (text, images, or data) was used in this study or article.

Data availability statement: The editorial policy regarding data sharing does not apply to this work.

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

Provenance and peer-review: This article was submitted unsolicited and reviewed following the standard procedure. The peer-review process involved one member of the Editorial Board and the in-house science editor.

 

¹ Ferlay J, Ervik M, Lam F, et al. Global Cancer Observatory: Cancer Today. Lyon, France: International Agency for Research on Cancer [Internet]. 2024–2026. Режим доступа: https://gco.iarc.who.int/today Дата обращения: 28.03.2026.

About the authors

Svetlana P. Aksenova

Russian Scientific Center of Roentgenology and Radiology; Peoples' Friendship University of Russia

Email: fabella667@gmail.com
ORCID iD: 0000-0003-2552-5754
SPIN-code: 4858-4627

MD, Cand. Sci. (Medicine)

Russian Federation, Moscow; Moscow

Daria D. Kuznetsova

Russian Scientific Center of Roentgenology and Radiology

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

MD

Russian Federation, Moscow

Nikolay V. Nudnov

Russian Scientific Center of Roentgenology and Radiology; Peoples' Friendship University of Russia; Russian Medical Academy of Continuous Professional Education

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

MD, Dr. Sci. (Medicine)

Russian Federation, Moscow; Moscow; Moscow

Nikita A. Gribanov

Russian Scientific Center of Roentgenology and Radiology

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

MD

Russian Federation, Moscow

References

Supplementary files