MD, Dr. Sci. (Medicine), Professor
д-р мед. наук, профессор
MD, Dr. Sci. (Medicine), Professor
Ph.D. in Medicine, researcher
канд. мед. наук, научный сотрудник
Ph.D. in Medicine, researcher
Traditional imaging methods are widely used but have limitations in tumor differential diagnosis. Existing stratification systems (e.g., O-RADS) do not always accurately assess malignancy risk, complicating treatment decisions.
Radiomics is a new technology that can improve the accuracy of ovarian tumor diagnosis compared to traditional imaging methods, making it a promising tool for the differential diagnosis of benign and malignant tumors.
Segmentation of regions of interest was performed by two independent researchers on T1 and T2 sequences in 3D-Slicer software. For each formation, 107 radiomic indicators were calculated from T1 and T2 sequences.
The data were divided into training and testing sets (ratio 80%:20%). Feature reduction was performed using statistical and correlation analysis and feature significance assessment based on the Lasso model. Machine learning models were built in Python 3.12 programming language using specialized libraries. The selection of the model hyperparameters was performed using the GridSearchSV grid search algorithm using cross-validation. The effectiveness of the models was assessed using such metrics as the concordance index, accuracy and area under the ROC-AUC characteristic curve, and the confusion matrix.
Традиционные методы визуализации широко применяются, но имеют ряд ограничений в дифференциальной диагностике опухолей. А существующие стратификационные системы (например, O-RADS) не всегда позволяют точно определить риск злокачественности, что затрудняет выбор оптимальной лечебной тактики.
Радиомика — новая технология, использование которой может потенциально повысить точность диагностики опухолей яичника по сравнению с традиционными методами визуализации, поэтому рассматривается как перспективный инструмент для дифференциальной диагностики доброкачественных и злокачественных образований.
Проведено ретроспективное одноцентровое выборочное исследование с анализом данных 304 пациентов. С учетом критериев исключения в окончательную выборку вошли 106 пациентов: 53 с аденокарциномой яичника, подтвержденной гистологически, и 53 с цистаденомой яичника, подтвержденной гистологически и/или клинически (соотношение 1:1).
Сегментация областей интереса выполнялась двумя независимыми исследователями на Т1- и Т2- последовательностях в программном обеспечении 3D-Slicer. Для каждого образования было рассчитано по 107 радиомических показателей из Т1- и Т2- последовательностей.
Данные были разделены на обучающую и тестовую выборки ( соотношение 80%:20%). Проводились сокращение признаков с использованием статистического и корреляционного анализа и оценка значимости признаков на основе модели Lasso. Построение моделей машинного обучения проводилась на языке программирования Python 3.12 с использованием специализированных библиотек. Подбор гиперпараметров модели производился с помощью алгоритма поиска по сетке GridSearchSV с использованием кросс-валидации. Эффективность моделей оценивали по таким метрикам, как индекс конкордантности (С-индекс), accuracy и площадь под характеристической кривой ROC-AUC, матрица ошибок (confusion matrix).
Для модели, основанной на радиомических признаках, извлеченных с Т1-последовательности, наиболее эффективный результат показала модель LASSO, включающая 16 прогностических признаков. ROC-AUC: 0.98, accuracy: 0.98, C-индекс: 1.624. Для модели, основанной на радиомических признаках, извлеченных с Т2-последовательности, наиболее эффективный результат показала модель Lasso, включающая 18 прогностических признаков. ROC-AUC: 0.97, accuracy: 0.91, C-индекс = 0.616, accuracy: 0.91. Обе модели характеризуются высокой чувствительностью и специфичностью.
Полученные данные свидетельствуют о высоком потенциале радиомических маркеров, извлекаемых из Т1- и Т2-ВИ, для надежной дифференциальной диагностики доброкачественных и злокачественных образований яичников.