BACKGROUND: Differential diagnosis of ovarian tumors using common imaging and risk stratification methods has certain limitations, complicating the selection of optimal treatment strategies. However, the accuracy of diagnosing malignant tumors can be improved using machine learning methods and analysis of tumor radiomic signatures.
AIM: To develop a model for the differential diagnosis of benign and malignant serous ovarian lesions based on radiomics analysis of magnetic resonance imaging images using machine learning.
METHODS: Data from patients with serous ovarian adenocarcinoma and serous ovarian cystadenoma were analyzed. Ovarian lesions were segmented on T1- and T2-weighted images using 3D-Slicer software. A total of 107 radiomic features were extracted for each lesion. The data were divided into training and test sets (4 : 1 ratio). Machine learning models were developed in Python 3.12. Model performance was assessed using accuracy, area under the characteristic curve (AUC), confusion matrix, precision, recall, and F1. The McNemar and DeLong tests were used to select the most effective model based on the obtained metrics. The significance level (α) was set at 0.05 (5%).
RESULTS: The LASSO model, built on 8 radiomic features of T1-weighted images, demonstrated the following diagnostic indicators: AUC = 0.98; Accuracy = 0.90; Precision = 0.90; Recall = 0.90; Specificity = 0.91; F1 = 0.90. The RandomForest model based on T1-weighted image features demonstrated the following performance indicators: AUC = 0.95; Accuracy = 0.86; Precision = 0.89; Recall = 0.80; Specificity = 0.91; F1 = 0.84. The LASSO model based on 8 radiomic features of T2-weighted images demonstrated the maximum values of all metrics: AUC = 1.00; Accuracy = 1.00; Precision = 1.00; Recall = 1.00; Specificity = 1.00; F1 = 1.00. The RandomForest model based on T2-weighted image features demonstrated the following performance indicators: AUC = 0.98; Accuracy = 0.95; Precision = 0.91; Recall = 1.00; Specificity = 0.91; F1 = 0.95. The combined LASSO model based on 7 radiomic features of T1- and T2-weighted images demonstrated the following metrics: AUC = 1.00; Accuracy = 0.95; Precision = 0.91; Recall = 1.00; Specificity = 0.91; F1 = 0.95. The combined RandomForest model demonstrated the following performance indicators: AUC = 0.96; Accuracy = 0.85; Precision = 0.89; Recall = 0.80; Specificity = 0.91; F1 = 0.84. When comparing the performance of all models using the McNemar test, no statistically significant differences were found (p = 1.0000; p = 1.0000; p = 0.5000, respectively). All LASSO models have high sensitivity (90%–100%) and specificity (91%–100%).
CONCLUSION: Radiomic markers extracted from T1- and T2-weighted images can be used for reliable differential diagnosis of benign and malignant serous ovarian lesions.
Обоснование. Дифференциальная диагностика опухолей яичников с использованием распространённых методов визуализации и стратификации риска имеет определённые ограничения, что затрудняет выбор оптимальной лечебной тактики. Однако точность диагностики злокачественных новообразований можно увеличить с помощью методов машинного обучения, а также анализа радиомических признаков опухоли.
Цель исследования. Разработать модель для дифференциальной диагностики доброкачественных и злокачественных серозных образований яичника по данным радиомического анализа изображений магнитно-резонансной томографии с применением машинного обучения.
Методы. Анализировали данные пациенток с серозной аденокарциномой яичника и серозной цистаденомой яичника. Сегментацию образований яичников выполняли на основе Т1- и Т2-взвешенных изображений с использованием программного обеспечения 3D-Slicer. Для каждого образования извлекли 107 радиомических признаков. Данные разделили на обучающую и тестовую выборки (соотношение 4:1). Модели машинного обучения разработаны на языке программирования Python 3.12. Эффективность моделей оценивали по показателям точности (Accuracy) и площадь под характеристической кривой (AUC), матрице ошибок (Confusion Matrix), Precision, Recall и F1. Для выбора наиболее эффективной модели проводили тест МакНемара и Делонга на основе полученных метрик. Уровень значимости (α) установлен на 0,05 (5%).
Результаты. В исследование включены данные 53 пациенток с серозной аденокарциномой яичника и 53 — с серозной цистаденомой яичника. Модель LASSO, построенная на основе 8 радиомических признаков Т1-взвешенных изображений, имеет следующие диагностические показатели: AUC — 0,98; Accuracy — 0,90; Precision — 0,90; Recall — 0,90; Specificity — 0,91; F1 — 0,90. Показатели эффективности модели RandomForest, основанной на признаках T1-взвешенных изображений: AUC — 0,95; Accuracy — 0,86; Precision — 0,89; Recall — 0,80; Specificity — 0,91; F1 — 0,84. Модель LASSO, основанная на 8 радиомических признаках Т2-взвешенных изображений, продемонстрировала максимальные значения всех метрик: AUC — 1,00; Accuracy — 1,00; Precision — 1,00; Recall — 1,00; Specificity — 1,00; F1 — 1,00. Показатели эффективности модели RandomForest, основанной на признаках T2-взвешенных изображений: AUC — 0,98; Accuracy — 0,95; Precision — 0,91; Recall — 1,00; Specificity — 0,91; F1 — 0,95. Комбинированная модель LASSO, основанная на 7 радиомических признаках Т1- и Т2-взвешенных изображений, характеризуется следующими метриками: AUC — 1,00; Accuracy — 0,95; Precision — 0,91; Recall — 1,00; Specificity — 0,91; F1 — 0,95. Показатели эффективности комбинированной модели RandomForest: AUC — 0,96; Accuracy — 0,85; Precision — 0,89; Recall — 0,80; Specificity — 0,91; F1 — 0,84. При сравнении производительности всех моделей с использованием теста МакНемара статистически значимых различий не выявлено (p=1,0000; p=1,0000; p=0,5000 соответственно). Все модели LASSO характеризуются высокой чувствительностью (90–100%) и специфичностью (91–100%).
Заключение. Радиомические маркёры, извлекаемые из Т1- и Т2-взвешенных изображений, могут быть использованы для надёжной дифференциальной диагностики доброкачественных и злокачественных серозных образований яичников.
论证：使用广泛应用的成像和风险分层方法对卵巢肿瘤进行鉴别诊断存在一定局限性，这阻碍了最佳治疗策略的选择。然而，借助机器学习方法以及分析肿瘤的放射组学特征，可以提高恶性肿瘤诊断的准确性。
目的：开发一个模型，通过应用机器学习对MRI影像进行放射组学分析，用于鉴别卵巢的良性和恶性浆液性肿瘤。
方法：分析了患有卵巢浆液性腺癌和卵巢浆液性囊腺瘤患者的数据。基于T1加权和T2加权图像使用3D-Slicer软件对卵巢病灶进行分割。从每个病灶中提取了107个影像组学特征。数据被划分为训练集和测试集（比例为4:1）。 机器学习模型使用Python 3.12编程语言开发。 通过准确率（Accuracy）、受试者工作特征曲线下面积（AUC）、混淆矩阵（Confusion Matrix）、精确率（Precision）、召回率（Recall）和F1分数评估模型效能。 基于获得的指标采用McNemar和DeLong检验选择最有效的模型。显著性水平（α）设定为0.05（5%）。
结果：研究纳入了53例卵巢浆液性腺癌患者和53例卵巢浆液性囊腺瘤患者数据。基于T1加权图像8个影像组学特征构建的LASSO模型诊断指标为：AUC—0.98；准确率—0.90； 精确率—0.90；召回率—0.90；特异性—0.91；F1—0.90。基于T1加权图像特征的RandomForest模型效能指标：AUC—0.95；准确率—0.86；精确率—0.89；召回率—0.80；特异性—0.91；F1—0.84。基于T2加权图像8个影像组学特征的LASSO模型所有指标均达最大值：AUC—1.00；准确率—1.00；精确率—1.00；召回率—1.00；特异性—1.00；F1—1.00。 基于T2加权图像特征的RandomForest模型效能指标：AUC—0.98；准确率—0.95；精确率—0.91；召回率—1.00；特异性—0.91；F1—0.95。基于T1和T2加权图像7个影像组学特征的组合LASSO模型指标：AUC—1.00；准确率—0.95；精确率—0.91；召回率—1.00；特异性—0.91；F1—0.95。组合RandomForest模型效能指标：AUC—0.96；准确率—0.85；精确率—0.89；召回率—0.80；特异性—0.91；F1—0.84。使用McNemar检验比较所有模型性能未发现统计学显著差异（p=1.0000；p=1.0000；p=0.5000）。所有LASSO模型具有高灵敏度（90-100%）和特异性（91-100%）。
结论：从T1和T2加权图像提取的影像组学标志物可用于卵巢良恶性浆液性病灶的可靠鉴别诊断。