Full Text

Введение 

Эпидемиология

Липосаркома — это злокачественная опухоль мезенхимального происхождения, характеризующаяся способностью опухолевых клеток к адипоцитарной дифференцировке.

Доля липосарком достигает 20%, что занимает 2-е место (после фибросарком) по частоте встречаемости среди всех гистологических подтипов сарком по данным SEERs (программа наблюдения эпидемиологии и конечных результатов Национального института онкологии США) в период с 2001 по 2021г [1].

При этом показатели пятилетней выживаемости, по данным различных исследований, характеризуются значительным разбросом - от 57,2% до 93% [2, 4].

Такая низкая встречаемость является определяющим фактором в методологии сбора и анализа данных. В отличие от высоко распространённых форм рака, таких как рак легких, молочной железы или толстой кишки, липосаркома не фигурирует в списках наиболее частых онкологических заболеваний в крупных мировых отчетах, включая статистику, представленную Международным агентством по изучению рака (IARC) и Канцер-регистром (РФ).

Заболеваемость - не более 2,5 случая на 1 млн населения. Частота возникновения липосарком увеличивается с возрастом, достигая наивысшего уровня у людей 50–60 лет с преобладанием в мужской популяции [1, 4].

Липосаркомы могут поражать любые участки тела, но наиболее часто данный тип опухолей локализуется на нижней конечности (35,5%) на бедре и в области коленного сустава. Вторым по частоте местом локализации этих опухолей является туловище (28,7%) [1, 3].

Что касается оценки заболеваемости липосаркомами в Российской Федерации, то следует отметить, что надёжные прямые публичные данные в открытых национальных сводках отсутствуют.

Российские ежегодные сборники – по данным статистического отчета за 2024 год «Злокачественные новообразования в России» и Канцер регистра публикуют полные данные по опухолям, но в общедоступных сводках отсутствует уточнения по подробной гистологической раскладке по редким подтипам (например, липосаркомам) в разрезе всей страны [5]. Также исследования указывают на неоднородность полноты регистров в регионах РФ.

За 2023 год зарегистрировано 3214 случая заболевания саркомами мягких тканей.

Анализ статистики по заболеваемости саркомами мягких тканей в России с 2019 по 2024 г. свидетельствует, что липосаркомы встречаются в 22% всех случаев сарком мягких тканей [5].

Заболеваемость саркомами мягких тканей в Российской Федерации составляет от 2,2 до 1,7 случаев на 100.000 населения [5, 6].

 

Морфология

Липомы - доброкачественные опухоли мягких тканей, состоящие из зрелой жировой ткани, и являются наиболее распространенными опухолями мягких тканей, составляя около 50% всех случаев [7]. Чаще всего они располагаются в поверхностных мягких тканях конечностей, спины и шеи.

Визуализирующие исследования (УЗИ, КТ, МРТ) демонстрируют липомы как образования с характерными семиотическими признаками. На УЗИ липома визуализируется как четко очерченная, эхогенная масса без заднего акустического усиления. На КТ липома имеет однородную низкую (жировую) плотность в диапазоне от -120 до -65 HU [8], а на МРТ - инкапсулированное образование, изоинтенсивное подкожному жиру на всех импульсных последовательностях (Т1ВИ, Т2ВИ, Т1FS) [9]. Многие липомы имеют тонкие внутренние перегородки, не накапливающие контрастных препарат (58%) по сравнению с выраженным усилением в перегородках у высокодифференцированных липосарком (75%).

 

Липосаркомы

Согласно современным классификациям ВОЗ, существует более 100 подтипов сарком мягких тканей, которые характеризуются различными гистологическими и молекулярными профилями и различным клиническим проявлением [10, 11].

На основании гистологических данных, саркомы мягких тканей подразделяются на 4 подтипа [4, 10].

Высокодифференцированная саркома мягких тканей (WDLS)/атипичная липоматозная опухоль (ALT) является наиболее распространенным видом липосарком с частотой встречаемости 40-45% от всех случаев. Обычно обнаруживается в глубоких мягких тканях конечностей, особенно бедра и забрюшинного пространства, но может также появляться в грудной стенке, голове и шее [12, 13]. Данный тип опухоли характеризуется медленным ростом и низким риском метастазирования, но часто рецидивирует.

Гистологически состоит из зрелых адипоцитов, атипичных стромальных клеток и липобластов. Более того, онкогены MDM2 и CDK4, которые облегчают дифференциацию WDLS от доброкачественных липом с помощью ИГХ или молекулярного тестирования, часто имеют повышенную активность [13].

Визуализирующие исследования (МРТ или КТ) демонстрируют WDL как жировую массу с утолщенными перегородками или узловыми элементами, которые могут указывать на злокачественность.

Диагностика включает в себя визуализацию, биопсию и молекулярное тестирование на амплификацию MDM2 или CDK4 [14].

 

Дедифференцированная липосаркома (DDLS) встречается примерно в 20% случаев липосарком и часто представляет собой растущую, изначально безболезненную опухоль [10]. По мере увеличения она может вызывать дискомфорт, сдавливая близлежащие структуры. Данный тип опухоли характеризуется быстрым ростом, более высокой частотой рецидивов по сравнению с WDLS, а также способностью метастазировать в легкие или печень.

Гистологически DDLS имеет уникальные характеристики, отмечающие ее эволюцию из WDLS, и включает дифференцированную жировую ткань в сочетании с нежировыми (саркоматозными) фиброзными элементами. Дедифференцированные области могут выглядеть серовато-белыми и более плотными. Более крупные опухоли могут демонстрировать некроз или кровоизлияние, тогда как опухоли в забрюшинном пространстве часто выглядят как большие, многоузловые массы [10, 14].

Визуализирующие исследования (МРТ или КТ) демонстрируют DDLS как образование с чётко очерченным жировым компонентом и прилегающей к нему нежировой (солидной) зоной [15].

Диагностика включает гистологическое исследование, при этом ИГХ является ключевым методом для идентификации диагностических маркеров. Амплификация генов MDM2 и CDK4, обнаруживаемая с помощью ИГХ или флуоресцентной гибридизации in situ (FISH), служит для дифференциации DDLS от других сарком. Дополнительным маркером, указывающим на адипоцитарную дифференцировку, может выступать белок S100 [10, 13, 14].

 

Миксоидная липосаркома (MLS) составляет 20-30% от общего числа липосарком [4, 10]. Обычно представляет собой медленно растущую, безболезненную массу. Опухоль преимущественно поражает взрослых в возрасте 30–60 лет, причем наиболее распространенной локализацией являются глубокие мягкие ткани конечностей [4, 16].

Несмотря на радиочувствительность и склонность к локальному рецидивированию, MLS имеет тенденцию метастазировать в нетипичные места, включая кости [17, 18].

Гистологически MLS отличается от WDLS и DDLS и характеризуется уникальной желатинозной миксоидной стромой, перемежающейся с липобластами и выраженной капиллярной сетью.

Визуализирующие исследования для стадирования MLS, такие как МРТ всего тела и КТ органов грудной клетки, позволяют оценить распространенность процесса. На МРТ характеризуются высоким содержанием жидкости, что проявляется гипоинтенсивным сигналом на T1-ВИ и выраженным гиперинтенсивным сигналом на T2-ВИ, имитируя кистозные образования [19].

Диагностика MLS сложна из-за широкого спектра клинических проявлений. Ключевую роль в верификации играет ИГХ-исследование: белок DDIT3 является чувствительным и специфичным маркером при его диффузном присутствии в опухолевых клетках [20].

 

            Плеоморфная липосаркома (PLS) является наиболее редким и агрессивным подтипом липосарком с частотой встречаемости 5-8% от всех случаев [4, 10]. Опухоль преимущественно поражает пожилых людей в возрасте 50–70 лет. У большинства пациентов с PLS наблюдается быстрорастущее безболезненное объемное образование, локализующееся преимущественно в конечностях [10]. Хотя PLS часто развивается в глубоких мягких тканях, он также может встречаться в забрюшинном пространстве и в поверхностных тканях, таких как подкожная клетчатка или дерма [21, 22].

Гистологически опухоль состоит из многочисленных неправильных групп клеток и обильных изолированных, неадгезивных клеток с выраженным полиморфизмом и характерными полями плеоморфных одно- или многовакуолизированных липобластов. Диагноз требует дифференциации от других сарком высокой степени злокачественности, часто с применением ИГХ [16].

В отличие от других подтипов липосарком, таких как WDLS и DDLS, при PLS не наблюдается амплификация MDM2 или CDK4. Молекулярные исследования затруднены из-за редкости PLS [22, 23].

Визуализирующие исследования КТ и МРТ обычно выявляют четко отграниченные объемные образования с гетерогенными признаками, указывающими на некроз и кровоизлияние, что наблюдается примерно в 60% случаев [24].

Диагностика. Гистопатологическая оценка является золотым стандартом, часто дополняемая ИГХ для дифференциации PLS от других сарком высокой степени злокачественности. 

 

Более подробный анализ семиотических различий представлен в статье “Магнитно-резонансная томография в дифференциальной диагностике липом и липосарком мягких тканей” Нуднов Н.В. и соавторы [25].

Подводя итог характеристикам гистологических подтипов липосарком следует отметить, что процесс их диагностики сопряжен со значительными трудностями.

Верификация липосарком требует комплексного подхода, интегрирующего данные визуализации и морфологического исследования.

Большинство пациентов обращаются с уже пальпируемым образованием, а появление болевого синдрома или нарушения функции обычно свидетельствует о запущенной стадии [6].

Сложность диагностики обусловлена морфологическим разнообразием и необходимостью дифференциации с другими новообразованиями мягких тканей.

Таким образом, для эффективного лечения и улучшения прогноза заболевания критически важна ранняя диагностика, которая возможна лишь при междисциплинарном взаимодействии специалистов, направленном на своевременное выявление патологии.

Радиомика, как неинвазивный подход, обладает рядом преимуществ перед традиционной визуализацией, включая повышенную безопасность для пациентов и возможность предоставления количественных, а не субъективных характеристик тканей. Это позволяет снизить субъективность интерпретации изображений, что имеет важное значение для клинической практики [26].

Одним из ключевых направлений исследований является разработка неинвазивной методики на основе радиомических признаков МРТ для прогнозирования амплификации гена MDM2 — ключевого маркера, отличающего WDLPS/ALT от липом [BE26]. В данном контексте радиомика рассматривается как перспективная альтернатива инвазивной биопсии [7, 26, 30].

Модели машинного обучения на основе радиомики, часто использующие комбинацию T1- и T2-взвешенных изображений, демонстрируют высокую точность (AUC) в дифференциальной диагностике, в ряде случаев показывая статистически значимое превосходство над визуальной оценкой опытных радиологов [7, 26, 28].

Это позволит рассматривать радиомику как перспективный инструмент для повышения объективности и точности дифференциальной диагностики липом и липосарком, потенциально интегрируемый в клиническую практику для поддержки принятия решений.

 

Цель исследования.

Исследование направлено на анализ информативности и сравнительный анализ эффективности моделей машинного обучения, основанных на семиотических, радиомических признаках и комбинированных моделей, интегрирующих радиомические и клинико-семиотические данные, для дифференциальной диагностики липом и липосарком.

Материалы и методы

 

Пациенты.

 

Настоящее исследование является наблюдательным, ретроспективным, мультицентровым, выборочным.

• Центр 1 – ФГБУ РНЦРР Минздрава России
• Центр 2 – Московский научно-исследовательский онкологический институт имени П.А. Герцена – филиал ФГБУ «НМИЦ радиологии» Минздрава России
• Центр 3 – Медицинский радиологический научный центр имени А.Ф. Цыба – филиал ФГБУ «НМИЦ радиологии» Минздрава России

Все участники исследования подписали информированное согласие.

 

За период с 2012 по 2025 год была собрана и проанализирована выборка, включившая данные 1890 пациентов с верифицированным диагнозом липома или липосаркома.

Критерии включения: В исследование включались пациенты с гистологически верифицированными липомами или липосаркомами, которым до начала лечения было выполнено МР-исследование.

Критерии исключения: из анализа исключались пациенты со следующими характеристиками: отсутствие гистологической верификации опухоли; гистологический диагноз, отличный от липомы или липосаркомы; неполный протокол МРТ-исследования; наличие выраженных артефактов, затрудняющих интерпретацию изображений.

Схема изменения состава выборки представлена на рис. 1.

Рис. 1. Блок-схема отбора пациентов для исследования

Fig. 1. Flow chart of patient selection for the study

С учетом критериев исключения в окончательную выборку вошли 95 пациентов: 50 (52.6%) с гистологически подтвержденным диагнозом D17, D21 – липома, и 45 (47.4%) с гистологически подтвержденным диагнозом С49 – липосаркома (соотношение 10:9). Возраст пациентов составил от 27 до 90 лет, средний возраст 58 лет.

Получение МР-изображений

МРТ проводилась на томографах с напряженностью магнитного поля 1,5 Тл (Siemens: Aera, Amira, Symphony, Magnetom Vida; GE: Signa Excite, Signa Voyager, Optima, Brivo; Toshiba: Titan; Phillips: Ingenia). Протокол МРТ мягких тканей соответствовал рекомендациям Европейского общества радиологов от 2024 г. (European Society of Musculoskeletal Radiology, ESSR) [27].

Протокол МР исследования включал в себя проведение Т2-ВИ, Т1-ВИ, импульсной последовательности (ИП) с подавлением сигнала от жировой ткани (Т1-ВИ fat sat, Т2 fat sat, STIR, DIXON (выбор ИП зависел от вендора томографа, наличия металла в зоне сканирования и окончательно принимался лечащим врачом с учетом анамнеза пациента и направления лечащего врача), диффузионно-взвешенных изображений (ДВИ) c b-фактором взвешенности 8000–1000 мм3/с и Т1fat sat c контрастным усилением солями гадолиния. В ряде случаев для наилучшей визуализации структуры опухоли мягких тканей проводились исследования с косой ориентацией срезов для лучшей визуализации анатомо-топографических взаимоотношений с сосудами.

У пациентов с множественными опухолями для оконтуривания выбиралась опухоль, с наилучшей визуализаций на T2-ВИ и Т1-ВИ.

Примеры визуализации липоматозных опухолей приведены на рисунках 2 и 3.

Рис. 2. Пациентка А., 60 лет, МРТ мягких тканей левого бедра с контрастным усилением.

Гистологический диагноз: липома, а – изображение в аксиальной плоскости (T2-ВИ);

б – изображение в аксиальной плоскости (T2 fatsat)

Fig. 2. Patient A., 60 years old, MRI of the soft tissues of the left thigh with contrast enhancement.

Histological diagnosis: lipoma. a – image in the axial plane (T2-WI); b – image in the axial plane (T2 fatsat)

Рис. 3. Пациентка Б., 63 лет, МРТ мягких тканей ягодичной области с контрастным усилением. Гистологический диагноз: высокодифференцированная фиброзирующая липосаркома, grade 1. а – изображение в аксиальной плоскости (T2-ВИ); б – изображение в аксиальной плоскости (T2 fatsat)

Fig. 3. Patient B., 63 years old, contrast-enhanced MRI of the soft tissues of the gluteal region. Histological diagnosis: highly differentiated fibrosing liposarcoma, grade 1. a – image in the axial plane (T2-WI); b – image in the axial plane (T2 fatsat)

Наряду с клиническими характеристиками больных (возраст, пол, локализация опухоли, гистологический диагноз) ретроспективно регистрировались семиотические признаки по данным МРТ: локализация, расположение относительно компартментов, форма, интенсивность сигнала на ИП с подавлением сигнала от жировой ткани, количество перегородок, толщина перегородок, наличие солидной ткани.

Сегментация опухоли на МР-изображениях

Сегментация областей интереса проводилась ручным способом одним исследователем на Т1- и Т2- последовательностях в бесплатном программном обеспечении 3D-Slicer (рис. 4) с функцией выгрузки радиомических показателей из областей интереса. Для каждого образования было рассчитано по 107 радиомических показателей из Т1- и Т2- последовательностей соответственно.

Рис. 4. Пример оконтуривания образования на

Т2-ВИ (а) и Т1-ВИ (б)

Fig. 4. Example of contouring a lesion on

T2-WI (a) and T1-WI (b) 

Машинное обучение и построение модели.

Данные были разделены на обучающую и тестовую выборки с процентным соотношением 80% к 20%, где 20% данных использовались в качестве тестовой выборки, а остальные 80% - для обучения. Для масштабирования признаков применялся метод StandardScaler.

Для оценки статистической значимости и первичного отбора наиболее информативных радиомических признаков был применен одномерный статистический анализ с использованием метода SelectKBest. В качестве функции оценки использовался F-критерий (f_classif). В результате для каждого признака были рассчитаны два ключевых параметра: F-Score, отражающий степень различия между группами выборок, и соответствующее значение P-Value, количественно оценивающее вероятность того, что наблюдаемые различия возникли случайно.

Признаки с высоким F-Score и низким P-Value (<0.05) рассматривались как статистически значимые и отбирались для дальнейшего анализа.

Машинное обучение и построение модели.

Построение моделей машинного обучения проводилось на языке Python 3.12 с использованием специализированных библиотек, включая pandas, numpy, matplotlib, seaborn, sklearn и scipy.stats.

В качестве базовых моделей для оценки использовались следующие классификаторы: логистическая регрессия (Logistic Regression), линейный дискриминантный анализ (Linear Discriminant Analysis, LDA), метод опорных векторов (Support Vector Classifier, SVC), случайный лес (Random Forest Classifier), наивный байесовский классификатор Гаусса (Gaussian Naive Bayes), метод ближайших соседей (KNeighbors Classifier, KNN), дерево решений (Decision Tree).

Оптимизация гиперпараметров моделей проводилась с использованием RandomizedSearchCV с 5-кратной кросс-валидацией. К этим гиперпараметрам относятся: c param _grid для LASSO; n_estimators, max_features, max_depth, criterion- для Random Forest. Каждый гиперпараметр тестировался в предопределенных диапазонах: n_estimators: от 50 до 300; max_features: sqrt, log 2; max_depth: от 4 до 8; criterion: gini; entropy.

Для выбора и оценки наиболее эффективных моделей использовались следующие стандартные метрики машинного обучения: точность (accuracy), сходство (precision), полнота (Recall), F1-score, площадь под характеристической кривой ROC-AUC, матрица ошибок (confusion matrix).

Дизайн исследования схематически представлен на рис 5.

Рис. 5. Дизайн исследования

Fig. 5. Research design

Результаты исследования

В исследование вошло 95 пациентов: 50 (52.6%) с гистологически подтвержденным диагнозом D17, D21 – липома, и 45 (47.4%) с гистологически подтвержденным диагнозом С49 – липосаркома (соотношение 10:9).

Распределение пациентов в зависимости от гистологического подтипа представлено в таблице 1.

Таблица 1. распределение пациентов в зависимости от гистологического подтипа

Table 1. Distribution of patients according to histological subtype

 

Гистологический диагноз Histological diagnosis	Подтип опухоли Tumor subtype	Количество пациентов Number of patients
Липома / Lipoma		50
Липосаркома Liposarcoma	Атипичная липоматозная опухоль Atypical lipomatous tumor (ALT/WDLS)	5
	Дедифференцированная липосаркома Dedifferentiated liposarcoma (DDLPS)	8
	Миксоидная липосаркома Myxoid liposarcoma (MLPS)	14
	Плеоморфная липосаркома Pleomorphic liposarcoma (PLPS) 4	4
	Не уточнен (none)	14
Всего / total		95

 На рисунке 6 представлено сравнение визуализации различных гистотипов липоматозных опухолей.

Рис. 6 Аксиальное Т2-взвешенное МР-изображение бедра, демонстрирующее различные гистологические подтипы опухолей: А - липома, Б - атипичная липоматозная опухоль (ALT), В - дедифференцированная липосаркома (DDLS), Г - миксоидная липосаркома (MLS).

Fig. 6 Axial T2-weighted MR image of the thigh showing various histological subtypes of tumors: A - lipoma, B - atypical lipomatous tumor (ALT), C - dedifferentiated liposarcoma (DDLS), D - myxoid liposarcoma (MLS). 

 

Анализ семиотических данных

Для анализа был сформирован набор данных, содержащий семиотические (клинические/морфологические) признаки, полученные при оценке T1- и T2-взвешенных изображений, ИП с подавлением сигнала от жировой ткани, ДВИ и Т1ВИ с контрастным усилением.

            В результате проведенного отбора из первоначального набора признаков было оставлено 7 наиболее значимых  (локализация опухоли, расположение относительно компартментов, форма, интенсивность МР-сигнала на T2-ВИ с подавлением, количество перегородок, толщина перегородок, наличие солидного компонента).

Отбор признаков проводился на основе статистической значимости их связи с изучаемыми параметрами, оцененной с использованием критерия хи-квадрата Пирсона для таблиц сопряженности. Пороговый уровень статистической значимости был установлен на значении p <0,05.

 

Полный перечень признаков с соответствующими значениями p представлен в Таблице 2

 

Таблица 2.  Перечень семиотических признаков с соответствующими значениями p-value

Table 2. Semiotic features and their associated p-values.

	Липомы	Липосаркомы	p-value
Общее количество, n	50	45	p>0,05
Мужчин, n	17	18
Женщин, n	33	27
Возраст			p>0,05
<50 лет	21	12
>50 лет	29	33
Локализация:			p<0,001
верхний плечевой пояс	30	4
нижние конечности	20	41
Сторона поражения			p>0,05
правая	24	16
левая	26	29
Расположение опухоли относительно кожи			p>0,05
поверхностное	14	7
глубокое	36	38
Расположение опухоли относительно компартментов			p<0,05
внутри компартмента	14	33
между компартментами	36	12
Форма			p<0,05
овоидная	49	27
неправильная	1	18
Объем			p>0,05
<100 см3	28	20
>100 см3	22	25
МР-сигнал на Т2ВИ			p=0.172
гиперинтенсивный	38	34
изоинтенсивный	11	8
гипоинтенсивный	0	3
МР-сигнал на Т1ВИ			р<0.05
гиперинтенсивный	30	16
изоинтенсивный	13	16
гипоинтенсивный	6	12
МР-сигнал на ИП с подавлением сигнала от жировой ткани			p<0,001
гиперинтенсивный	14	36
изоинтенсивный	23	1
гипоинтенсивный	13	8
Толщина перегородок			p<0,001
<3	32	5
от 3 до 6	9	18
>6	9	22
Толщина перегородок			p<0,05
< 2 мм	42	20
> 2 мм	8	25
Солидная ткань			p<0,05
есть	5	28
нет	45	17

 

В результате были отобраны семь наиболее информативных признаков, которым были присвоены числовые значения для анализа: локализация опухоли (1 - нижняя конечность, 0 - иные), расположение относительно компартментов (1 - между компартментами , 0 - внутри компартмента), форма (1 - неправильная, 0 - правильная), интенсивность МР-сигнала на T2-ВИ с подавлением жира (1 - гиперинтенсивный, 0 - иной), количество перегородок (1 - до 3 перегородок, 2 - 3–6 перегородок, 3 - более 6 перегородок), толщина перегородок (1 - более 2 мм, 0 - до 2 мм включительно) и наличие солидного компонента (1 - да, 0 - нет).

Структура данных и пример их кодировки представлены в таблице 3.

 

Таблица 3. Структура данных и пример их кодировки (для модели semiotic)

Table 3. Data Structure and Sample Encoding (for the Semiotic Model)

ФИО	Локализация	Расположение относительно компартментов	Форма	Гиперинтенсивный сигнал с FS	количество перегородок	толщина перегородок	наличие солидной ткани
Пациент А.	0	0	1	0	3	1	1

 

 

Построение радиомических моделей

 

Было проанализировано 7 моделей машинного обучения (ML) до (Базовая оценка) и после подбора гиперпараметров (Тюнинг) с использованием алгоритма RandomizedSearchCV. Сравнение проводилось по ключевым метрикам, включая Accuracy (Точность) и ROC-AUC (Площадь под кривой ROC), Recall, Precision, F1 score на восьми различных наборах признаков.

Все проанализированные модели машинного обучения были классифицированы на три группы согласно типу используемых признаков: 1) модели, основанные исключительно на семиотических признаках; 2) модели, использующие радиомические признаки, извлеченные из T1-ВИ, T2-ВИ и их комбинации (T1+T2); 3) комбинированные модели, интегрирующие как семиотические, так и радиомические признаки в различных комбинациях (T1+семиотика, T2+семиотика, T1+T2+семиотика). Данная классификация позволила провести сравнительный анализ эффективности различных типов признаков для решения поставленной задачи.

 

Пациенты были рандомизированы на обучающую и внутреннюю валидационную выборки, как представлено в таблице 4

 

Таблица 4. Распределение пациентов на обучающую и тестовые выборки (на примере выборки для T1+T2)

Table 4. Distribution of patients into training and test samples (using the sample for T1+T2 as an example)

 

	Обучающая выборка (n=70)	Выборка для внутренней валидации (n=18)
Липома (кол-во, %)	37 (53%)	9 (50%)
Липосаркома (кол-во, %)	33 (47%)	9 (50%)
Средний возраст	58	58
Минимальный возраст	33	27
Максимальный возраст	89	90

 

 

 

Построение модели на основе семиотических признаков по данным магнитно-резонансной томографии и клинических данных.

 

Набор данных Semiotic включал семиотические (клинико-морфологические) признаки, полученные при анализе T1-ВИ, T2-ВИ, ИП с подавлением сигнала от жировой ткани, ДВИ и Т1ВИ с контрастным усилением. Размер этого набора данных составляет 95 пациентов, каждое из которых описывалось 7 семиотическими признаками.

Среди базовых моделей на наборе Semiotic лучшую прогностическую способность продемонстрировали модели: Gaussian Naive Bayes с результатами: ROC-AUC = 0.944, Accuracy = 0.842, Случайный лес (Random forest) с результатами: ROC-AUC = 0.944, Accuracy = 0.842.

Среди анализируемых моделей, Логистическая регрессия (Logistic Regression) и Линейный дискриминантный анализ (LDA) также показали очень высокий базовый показатель: ROC-AUC = 0.933 при Accuracy = 0.789. Модель метода опорных векторов (SVC) в базовом варианте показала следующие результаты: ROC-AUC = 0.914, Accuracy = 0.841.

После подбора гиперпараметров с использованием RandomizedSearchCV, лучшей моделью по ROC-AUC стал Линейный дискриминантный анализ (LDA) с результатом ROC-AUC = 0.944. Модель Gaussian Naive Bayes достигла такого же максимального показателя ROC-AUC = 0.944 после тюнинга. Accuracy для этих настроенных моделей составила 0.842.

Тюнинг гиперпараметров привел к повышению ROC-AUC для LDA (с 0.933 до 0.944). Настроенная логистическая регрессия (Tuned Logistic Regression) также показала высокий результат: ROC-AUC = 0.933, что соответствует лучшему базовому результату LDA и Logistic Regression. Настроенный метод опорных векторов (Tuned SVC) также достиг ROC-AUC = 0.933.

Таким образом, наилучшая производительность до тюнинга была достигнута с помощью Gaussian Naive Bayes (ROC-AUC = 0.945), а лучшая производительность после тюнинга — с помощью Линейного дискриминантного анализа (LDA) и Gaussian Naive Bayes (ROC-AUC = 0.944).

 

Построение моделей на основе радиомических данных, извлеченных из МР-изображений.

 

Набор данных Т1_radiomics содержит радиомические признаки, извлеченные из МР-изображений T1 последовательности. Размер этого набора данных составляет 90 пациентов со 107 радиомическими признаками.

Среди базовых моделей на наборе Т1_radiomics лучшую прогностическую способность продемонстрировала модель метода опорных векторов (SVC). Результаты: ROC-AUC = 0.852, Accuracy = 0.778

После подбора гиперпараметров, прогностическая способность большинства моделей в наборе Т1_radiomics резко снизилась, многие из них показали ROC-AUC = 0.500

Лучший результат по ROC-AUC после тюнинга показала модель Random Forest. Результаты: ROC-AUC = 0.691, accuracy = 0.722.

Оптимизация гиперпараметров привела к значительному снижению ROC-AUC для лучшей модели: SVC (Базовая): до тюнинга ROC-AUC = 0.852, после ROC-AUC = 0,500

Таким образом, для набора T1_radio лучшая производительность до оптимизации (тюнинга) была достигнута с помощью метода опорных векторов (SVC) (ROC-AUC = 0.852), а лучшая производительность после оптимизации (тюнинга) - с помощью Random Forest (ROC-AUC = 0.691).

Отмечается, что подбор гиперпараметров не привел к улучшению прогностической силы на этом наборе радиомических данных, а, наоборот, резко ухудшил её для большинства классификаторов.

 

Таблица 5. Наиболее важные признаки, отобранные регрессией Lasso (модель T1 радиомика).

Table 5. The most important features selected by Lasso regression (model T1 radiomic).

Название признака/ feature	Коэффициент регрессии / F_score
Skewness	20.610622
MeshVolume	9.350074
VoxelVolume	9.350012
SurfaceArea	9.052003
Maximum2DDiameterColumn	8.715846
GrayLevelNonUniformity.1	8.695610
Maximum2DDiameterRow	7.722820
LeastAxisLength	7.519202
Busyness	7.464389
GrayLevelNonUniformity	7.412511

 

 

Набор данных Т2_radiomics содержит радиомические признаки, извлеченные из МР-изображений T1 последовательности. Размер этого набора данных составляет 93 пациентов с 107 радиомическими признаками.

Среди базовых моделей на наборе Т2_radiomics лучшую прогностическую способность продемонстрировала модель метода опорных векторов (SVC). Результаты: ROC-AUC = 0.833, Accuracy = 0.842

После подбора гиперпараметров, прогностическая способность большинства моделей в наборе Т2_radiomics резко снизилась. Многие из них, включая базовую SVC, показали ROC-AUC = 0.500.

Лучший результат по ROC-AUC после тюнинга показала модель Random Forest. Результаты: ROC-AUC = 0.700, Accuracy = 0.632.

Таким образом, для набора Т2_radiomics лучшая производительность до тюнинга была достигнута с помощью метода опорных векторов (SVC) (ROC-AUC = 0.833), а лучшая производительность после тюнинга - с помощью Random Forest (ROC-AUC = 0.700).

Отмечается, что тюнинг не привел к улучшению прогностической силы на этом наборе радиомических данных, а, наоборот, резко ухудшил её для большинства классификаторов, что связано с переобучением модели и малым объемом выборки.

 

Набор данных T1+T2 (radiomics) содержит радиомические признаки, извлеченные из Т1 и Т2 последовательностей одновременно. Модель была основана на наборе из 214 радиомических признаков, извлеченных из Т1 и Т2-исследвоаний (по 107 дескрипторов из каждой последователости). Выборка составила 88 пациентов.

Среди базовых моделей на наборе T1+T2 (radiomics) лучшую прогностическую способность продемонстрировала модель Логистической регрессии (Logistic Regression). Результаты: ROC-AUC = 0.887, Accuracy = 0.722.

После подбора гиперпараметров, прогностическая способность большинства моделей в наборе T1+T2 (radiomics) резко снизилась, результаты показали ROC-AUC = 0.500 (в том числе и модель на основе логистической регрессии (Logistic Regression)).

Лучший результат по ROC-AUC после тюнинга показала модель Random Forest. Результаты: ROC-AUC = 0.617, Accuracy = 0.722.

Тюнинг гиперпараметров привел к значительному снижению ROC-AUC для лучшей базовой модели: Логистическая регрессия (Базовая) имела до тюнинга ROC-AUC = 0.887, а после тюнинга ROC-AUC составил 0.724 (AUC=0.72), хотя в других случаях падение было до 0.500.

Таким образом, для набора T1+T2 (radiomics) лучшая производительность до подбора гиперпараметров была достигнута с помощью Логистической регрессии (ROC-AUC = 0.887). Лучшая производительность после тюнинга - с помощью Random Forest (ROC-AUC = 0.617).

 

Таблица 6. Наиболее важные признаки, отобранные регрессией Lasso (модель T1+Т2).

Table 6. The most important features selected by Lasso regression (model T1+T2).

Название признака/ feature	Коэффициент регрессии / F_score
Skewness	19.429370
Kurtosis.1*	17.592321
Skewness.1*	10.710048
Maximum2DDiameterColumn.1*	9.953866
Maximum2DDiameterColumn	9.782074
VoxelVolume	9.592370
MeshVolume	9.591756
SurfaceArea	9.535897
MeshVolume.1*	8.803046
VoxelVolume.1*	8.802865

Примечание к таблице:

Цифра «1» в окончании названия радиомического признака указывает на его принадлежность к Т2- последовательности. Признаки без цифры «1» в окончании относятся к Т1-последовательности.

Note to the table:

The number “1” at the end of the name of the radioisotope indicates that it belongs to the T2 sequence. Isotopes without the number “1” at the end belong to the T1 sequence.

 

Построение комбинированных моделей на основе радиомических и семиотических данных:

 

Набор данных T1_radiomis+sem содержит объединенные признаки, включающие семиотические и радиомические данные, извлеченные из МР-изображений T1 последовательности. Размер этого набора данных составляет 90 пациентов с 115 признаками.

Среди базовых моделей на наборе T1_radiomis+sem лучшую прогностическую способность продемонстрировала модель Логистической регрессии (Logistic Regression). Результаты: ROC-AUC = 0.889, Accuracy = 0.889, модель Support Vector Classifier (SVC) также показала высокую точность и ROC-AUC = 0.877.

После подбора гиперпараметров, прогностическая способность большинства моделей в наборе T1_radiomis+sem резко снизилась, демонстрируя высокую нестабильность. Пять из семи настроенных моделей показали ROC-AUC = 0.500.

Лучший результат по ROC-AUC после тюнинга показала модель Random Forest. Результаты: ROC-AUC = 0.648, Accuracy = 0.722.

Оптимизация гиперпараметров привела к значительному снижению ROC-AUC для лучшей базовой модели: Логистическая регрессия (Базовая) имела до оптимизации ROC-AUC = 0.889, а после оптимизации ROC-AUC = 0.500.

Таким образом, для набора T1_radiomis+sem лучшая производительность до тюнинга была достигнута с помощью Логистической регрессии (ROC-AUC = 0.889), а лучшая производительность после тюнинга - Random Forest (ROC-AUC = 0.648). В данном случае подбор гиперпараметров не только не улучшил, но и сильно ухудшил прогностическую силу моделей на объединенном наборе T1-признаков.

 

Набор данных T2_radiomis+sem содержит объединенные признаки, включающие семиотические и радиомические данные, извлеченные из МР-изображений T2 последовательности. Размер этого набора данных составляет 93 пациента с 115 признаками.

Среди базовых моделей на наборе T2_radiomis+sem лучшую прогностическую способность продемонстрировала модель Логистической регрессии (Logistic Regression). Результаты: ROC-AUC = 0.944, Accuracy = 0.789.

После подбора гиперпараметров, прогностическая способность большинства моделей в наборе T2_radiomis+sem резко снизилась, результаты показали ROC-AUC = 0.500 (в том числе и модель на основе логистической регрессии (Logistic Regression)).

Лучший результат по ROC-AUC после тюнинга показала модель Random Forest. Результаты: ROC-AUC = 0.911, Accuracy = 0.737.

Тюнинг гиперпараметров привел к значительному снижению ROC-AUC для лучшей базовой модели: Логистическая регрессия (Базовая) имела до тюнинга ROC-AUC = 0.944, а после тюнинга ROC-AUC составил 0.500.

Таким образом, для набора T2_radiomis+sem лучшая производительность до подбора параметров была достигнута с помощью Логистической регрессии (ROC-AUC = 0.944), а лучшая производительность после тюнинга - с помощью Random Forest (ROC-AUC = 0.911). Модель Random Forest оказалась самой устойчивой при подборе гиперпараметров на этом объединенном наборе, сохранив высокую прогностическую силу, в то время как другие модели утратили способность к вероятностному разделению классов.

 

Таблица 7. Наиболее важные признаки, отобранные регрессией Lasso (модель T2 radiomic+sem).

Table 7. The most important features selected by Lasso regression (model T2 radiomic+sem).

Название признака/ feature	Коэффициент регрессии / F_score
Наличие солидной ткани	37.003679
Гиперинтенсивный сигнал с FS	31.945581
Форма	30.324545
Количество перегородок	29.119190
Локализация	28.754825
Расположение относительно компартментов	27.980041
Толщина перегородок	21.731027
Maximum2DDiameterColumn	13.171629
Kurtosis	12.401458
MeshVolume	11.023257

 

 

Модель T1+T2 (radiomics+ sem) использует самый большой набор из 221 признака: 214 радиомических дескрипторов (107 из T1- и 107 из T2-последовательностей) и 7 семиотических признаков. Анализ проведен на когорте из 88 пациентов.

Среди базовых моделей на наборе T1+T2 (radiomics+ sem) лучшую прогностическую способность продемонстрировала модель Логистической регрессии (Logistic Regression). Результаты: ROC-AUC = 0.848, Accuracy = 0.833.

После подбора гиперпараметров (RandomizedSearchCV), прогностическая способность большинства моделей в наборе T1+T2 (radiomics+ sem) * резко снизилась, демонстрируя сильную нестабильность. Четыре модели (SVC, Logistic Regression, LDA, Decision Tree) показали ROC-AUC = 0.500.

Лучший результат по ROC-AUC после тюнинга показала модель Random Forest. Результаты: ROC-AUC = 0.753, Accuracy = 0.722.

Оптимизация гиперпараметров привела к значительному снижению ROC-AUC для лучшей базовой модели: Логистическая регрессия (Базовая) имела до тюнинга ROC-AUC = 0.848, а после тюнинга ROC-AUC составил 0.500.

Таким образом, для набора T1+T2 (radiomics+ sem) лучшая производительность до тюнинга была достигнута с помощью Логистической регрессии (ROC-AUC = 0.848), а лучшая производительность после тюнинга - с помощью Random Forest (ROC-AUC = 0.753).

Объединение всех признаков (221) не привело к устойчивому улучшению после тюнинга.

 

Сравнительный анализ производительности исследуемых моделей машинного обучения представлен в Таблице 8, где приведены сводные результаты по ключевым метрикам.

Детализированные данные, включая значения всех оцениваемых показателей, представлены в Приложении 1.

 

 

Таблица 8. Показатели метрик моделей машинного обучения на разных наборах данных

Table 8. Machine learning model metrics performance on different datasets

 

Набор данных	Наиболее эффективная Модель	Базовая ROC-AUC	Тюнинг ROC-AUC	График ROC-AUC
Т1_radiomics*	Random forest	0,741	0,691
T2_radiomics*	Random forest	0,767	0,700
T1_radiomis+sem*	Random forest	0,846	0,648
T2_radiomis+sem*	Random forest	0,911	0,911
T1+T2 (radiomics)*	Логистическая регрессия (Logistic Regression)	0,802	0,722
T1+T2 (radiomics+ sem)*	Random forest	0,846	0,753
Semiotic *	Линейный дискриминантный анализ (LDA)	0,933	0,944

 

Примечание к таблице:

Т1_radiomics, T2_radiomics - модели, основанные исключительно на радиомических признаках из T1-ВИ и T2-ВИ соответственно.

T1_radiomis+sem, T2_radiomis+sem - комбинированные модели, включающие семиотические и радомические данные.

T1+T2 (radiomics) - модель, использующая объединенный набор радиомических признаков из T1- и T2-взвешенных последовательностей

T1+T2 (radiomics+ sem) - комплексная модель, объединяющая радиомические и семиотические данные, извлеченные одновременно из T1-ВИ и T2-ВИ

Semiotic - модель на основе семиотических характеристик МР-изображений.

 

Note to the table:

T1_radiomics, T2_radiomics - models based exclusively on radiomic features from T1-WI and T2-WI, respectively.

T1_radiomis+sem, T2_radiomis+sem - combined models including semiotic and radiomic data.

T1+T2 (radiomics) - a model using a combined set of radiomic features from T1- and T2-weighted sequences

T1+T2 (radiomics+ sem) - a comprehensive model combining radiomic and semiotic data extracted simultaneously from T1-WI and T2-WI

Semiotic - a model based on the semiotic characteristics of MR images.

 

 

Заключение по моделям

Наиболее надежные алгоритмы: Линейный дискриминантный анализ (LDA) и Gaussian Naive Bayes показали лучшие результаты на низкоразмерных семиотических данных (набор Semiotic).

Наиболее устойчивый к переобучению алгоритм на сложных наборах данных (радиомические данные, радиомические+семиотические данные) явилась модель на основе Random Forest, хотя его производительность, как правило, снижалась по сравнению с базовой оценкой (например, с 0.846 до 0.753 на наборе T1+T2 (radiomics+ sem)).

Проблема метрик: В нескольких случаях (например, Tuned LDA на наборе T1+T2 (radiomics+ sem)) модели достигали высокой точности  (Accuracy (0.889)), но при этом их ROC-AUC снижался до 0.500, что указывает на то, что модель может точно классифицировать тестовые данные, но не способна генерировать адекватное распределение вероятностей для прогностического использования.

Таким образом, анализ подтвердил, что семиотические признаки являются наиболее прогностически ценными, обеспечивая устойчивые результаты даже после оптимизации гиперпараметров. Добавление большого количества радиомических признаков увеличивает риск нестабильности и переобучения моделей при оптимизации гиперпараметров.

 

 

Обсуждение

Большинство исследований акцентировали внимание на наиболее сложном, но узком разграничении: липомы против высокодифференцированной липосаркомы (WDLPS) или атипичной липоматозной опухоли (ALT), поскольку эти две группы наиболее схожи при МР-визуализации

В эту группу входят исследования Vos и соавт. [28] (WDLPS против липомы), Tang и соавт. [29] (ALT против липомы конечностей) и Malinauskaite и соавт. [BA] (Липосаркома, включая WDLPS, против липомы).

Наше исследование, которое, согласно представленным сравнительным данным, сфокусировано на дифференциации липом от всех основных гистотипов липосарком (включая низкодифференцированные и дедифференцированные формы), представляет собой клинически более сложную задачу, чем большинство опубликованных работ, которые сосредоточены исключительно на разграничении липом и ALT/WDLPS.

Так, исследователь Vos и соавт. (2019) [28] разработали модель на основе радиомики для прогнозирования статуса MDM2-амплификации (WDLPS против липомы). Модель, основанная только на признаках T1-взвешенных изображений (T1-ВИ), показала среднюю площадь под кривой (AUC) 0,83. Добавление признаков T2-ВИ значительно улучшило модель до средней AUC 0,89. Модель радиомики превзошла оценки трех экспертов-радиологов, чьи показатели AUC составили 0,74, 0,72 и 0,61. При этом специфичность радиологов была значительно ниже (0,55, 0,36 и 0,59) по сравнению со специфичностью радиомической модели (0,84 и 0,88 соответственно).

 В исследовании по дифференциации липом и ALT конечностей Tang и соавт. (2022) [29] показано, что объединенная модель T1+T2-ВИ достигла AUC=0,968 в независимой тестовой выборке. Хотя в тренировочной когорте и общей выборке модель превзошла радиологов, в тестовой выборке статистически значимых различий в дискриминационной способности между моделью и опытными радиологами обнаружено не было. Модель машинного обучения, основанная на 86 признаках, извлеченных из T1-ВИ, в исследовании Malinauskaite и соавт. (2020) [26] достигла диагностической точности 94,7% и AUC-ROC 0,926. Данное исследование продемонстрировало, что радиомика значительно превосходит специализированных радиологов (AUC 0,685, 0,805 и 0,785). Наши показатели производительности (AUC 0,69 для T1-ВИ и AUC 0,72 для T1+T2-ВИ, согласно сравнительным данным) ниже, чем в приведенных выше работах. Вероятно, это объясняется клинически более сложной задачей — дифференциацией от всех гистотипов липосарком, что повышает гетерогенность выборки.

 

Вклад различных последовательностей МРТ

В литературе подчеркивается, что использование дополнительных последовательностей, в частности T2-взвешенных изображений, значительно повышает прогностическую ценность радиомических моделей. Так, в исследовании Vos et al. (2019) добавление признаков T2-ВИ к модели, основанной только на T1-ВИ, привело к улучшению AUC с 0.83 до 0.89 (на полной когорте). В подгруппе с сопоставимым объемом (для уменьшения «смещения по объему») добавление T2-ВИ улучшило AUC с 0.69 до 0.81. В тоже время в исследовании Tang et al. (2022) объединенная модель T1+T2-ВИ показала наилучший AUC 0.968 в тестовой выборке, превосходя модели, основанные только на T1-ВИ (0.952) или T2-ВИ (0.944). Мы наблюдали схожую, хотя и менее выраженную, тенденцию. Модель на основе только T1-ВИ показала ROC-AUC 0.69. Добавление T2-ВИ (модель T1+T2) увеличило ROC-AUC до 0.72.

 

Вклад количественных признаков и семиотики

В то время как многие исследования концентрируются только на извлечении радиомических признаков, наше исследование использовало комплексный подход, который также включал семиотические признаки (например, наличие утолщений перегородок, нежировых компонентов, локализация). В исследовании Vos et al. (2019): показали, что модели, основанные только на клинических/мануально оцененных признаках (например, глубина, многоузловость), имели более низкий AUC (0.67 и 0.67 соответственно) по сравнению с моделью, основанной на T1-радиомике (0.83). Комбинированная модель (радиомика + ручные признаки) показала худшие результаты, чем только радиомика T1, что позволяет предположить, что мануально оцененные признаки не добавили значимой ценности в их наборе данных. Мы наблюдали, что модель, включающая только семиотические признаки (Semiotic*), показала AUC 0.933-0.944 в то время как комбинированные модели (T2_radiomis+sem*, T1_radiomis+sem*_) показали результат AUC 0.648-0.911. Таким образом, в отличие от результатов Vos et al., наши данные демонстрируют, что семиотические признаки обладают высокой прогностической способностью сами по себе (AUC 0.93-0.94). Более того, их интеграция с радиомическими данными в комбинированных моделях позволяет достичь сопоставимого результата (AUC до 0.911), с “семиотической” моделью, что свидетельствует о комплексном характере прогноза.

 

Сравнение с радиологами

В литературе наблюдается тенденция, что радиологи могут демонстрировать лучшую чувствительность (например, 0,74–0,91 у радиологов против 0,68–0,74 у радиомических моделей в исследовании Vos и соавт.), но значительно худшую специфичность. Радиомика же обеспечивает более высокую специфичность и объективность.

Кроме того, отмечается слабая согласованность между радиологами при классификации липоматозных опухолей (средний коэффициент Каппа 0,23 и 0,16 в когортах Vos и соавт.). Это подчеркивает, что радиомические модели могут служить объективной системой поддержки принятия решений, компенсируя субъективность визуальной оценки, которая сильно зависит от опыта врача.

 

Ограничения

Несмотря на обнадеживающие результаты, необходимо признать ограничения, которые являются общими для большинства радиомических исследований, включая наше:

1. Объем выборки и гетерогенность: Хотя использование гетерогенных данных (как в Vos и соавт., где изображения были получены с 41 различного МРТ-сканера) повышает обобщаемость, ограниченный размер выборки (например, 38 пациентов в Malinauskaite et al. и 81 в Leporq et al [31].; 122 в Tang et al.) является распространенным ограничением. Для обеспечения лучшей репрезентативности необходимы более крупные и разнообразные наборы данных.
2. Сегментация ROI: Ручная сегментация областей интереса (ROI), используемая в большинстве исследований, включая наше, является трудоемкой и может приводить к изменчивости результатов, что влияет на извлеченные признаки. В работе Leporq et al [31] только 63.2% признаков были признаны воспроизводимыми, а признаки формы оказались наименее воспроизводимыми. Это подчеркивает необходимость в будущем применения автоматизации сегментации.

 

Итог

Можно сделать вывод, что радиомические модели могут выступать в качестве системы поддержки принятия решений, обеспечивая более точную и объективную классификацию по сравнению с визуальным анализом, зависящим от опыта врача, и потенциально снижая количество инвазивных процедур.

Заключение

Наибольшую эффективность в дифференциации липом и липосарком продемонстрировала модель, основанная исключительно на семиотических признаках, превзойдя как модели, использующие только радиомические параметры, так и комбинированные подходы. Это указывает на то, что тщательный визуальный анализ качественных характеристик опухоли, выполняемый опытным радиологом, сохраняет первостепенное значение и обладает высокой диагностической ценностью.

При этом интеграция радиомических данных, особенно из T2-взвешенных последовательностей, с семиотическими признаками также показала высокую разделительную способность. Модели машинного обучения, такие как логистическая регрессия и случайный лес, продемонстрировали свою эффективность при работе с объединенными данными.

Таким образом, настоящее исследование подтверждает, что разработанные модели могут лечь в основу перспективного инструмента поддержки принятия клинических решений. В дальнейшем такие системы способны стать ценным дополнением к работе радиолога, помогая в стандартизации диагностики и снижении оператор-зависимости при дифференциации липом и липосарком, особенно в сложных и сомнительных случаях.

About the authors

Aleksandr Urazov

RUDN University: Peoples' Friendship University of Russia

Author for correspondence.
Email: sanek14325@gmail.com
ORCID iD: 0009-0004-8226-2449

Аспирант

Russian Federation, 117198, г. Москва, ул. Миклухо-Маклая, 6

Svetlana P. Aksenova

Russian Scientific Center of Roentgenoradiology

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

MD, Cand. Sci. (Medicine)

Russian Federation, Moscow

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

N V Kharchenko

Peoples' Friendship University of Russia

Email: kharchenco-nv@rudn.ru
Russian Federation, Moscow, Russia

Nikolay I. Sergeev

Russian Scientific Center of Roentgenoradiology

Email: sergeevnickolay@yandex.ru
ORCID iD: 0000-0003-4147-1928
SPIN-code: 2408-6502

MD, Dr. Sci. (Medicine), Head of  Laboratory of  Roentgenoradiology of the Complex Diagnostics of Diseases and Radiotherapy department

Russian Federation, Moscow

Vladimir A. Solodkiy

FGBI «Russian Scientific Center for Radiology» of the Ministry of Healthcare of the Russian Federation

Email: mailbox@rncrr.rssi.ru
ORCID iD: 0000-0002-1641-6452
SPIN-code: 9556-6556

Ph.D., MD, professor, Academician of RAS, Director

Russian Federation, Moscow

Andrey D. Kaprin

Patrice Lumumba Peoples’ Friendship University of Russia; Herzen Moscow Research Institute of Oncology of the National Medical Research Centre for Radiology; National Medical Research Centre for Radiology

Email: kaprin@mail.ru
ORCID iD: 0000-0001-8784-8415

Dr. Med. Sci., Professor, Academician of the RAS, Academician of the Russian Academy of Education, Head of the Kharchenko Department of Oncology and Radiology of the Medical Institute; Director; General Director

Russian Federation, 8, Miklukho-Maklay St., Moscow, 117198; 3, 2nd Botkinsky Dr., Moscow, 125284; 3, 2nd Botkinsky Dr., Moscow, 125284

References

Supplementary files