123022, Москва, ул. Заморёнова, 27
27 Zamorenova St., Moscow 123022
115093, Москва, ул. Большая Серпуховская, 27
27 Bolshaya Serpukhovskaya St., Moscow 115093
115093, Москва, ул. Большая Серпуховская, 27
27 Bolshaya Serpukhovskaya St., Moscow 115093
115093, Москва, ул. Большая Серпуховская, 27
27 Bolshaya Serpukhovskaya St., Moscow 115093
115093, Москва, ул. Большая Серпуховская, 27
27 Bolshaya Serpukhovskaya St., Moscow 115093
Актуальность: Дифференциальная диагностика кистозных образований поджелудочной железы имеет решающее значение для выбора оптимальной тактики лечения и предотвращения прогрессирования заболевания. В связи с этим актуальной задачей современной лучевой диагностики является разработка и внедрение новых методов, которые могут повысить точность диагностики и снизить зависимость от субъективной интерпретации данных. Цель: Исследование возможностей МРТ и радиомического анализа МРТ-изображений в дифференциальной диагностике кистозных новообразований поджелудочной железы, а также разработка радиомических моделей на основе машинного обучения для определения злокачественного потенциала кистозных образований поджелудочной железы. Материалы и методы: Ретроспективно были проанализированы МРТ-изображения 67 пациентов с верифицированными (по результатам оперативного вмешательства) кистозными новообразованиями поджелудочной железы. Разметку и извлечение радиомических признаков исследований проводил врач-рентгенолог с опытом абдоминальной визуализации и выполнения разметки патологий поджелудочной железы. Образования были разделены для бинарной задачи классификации. Было использовано 7 моделей машинного обучения. Эффективность моделей оценивалась с помощью различных метрик (ROC-AUC, PR-AUC, точность, чувствительность, специфичность, F1). Наилучшая модель была определена по результатам ROC-AUC. Результаты: Наилучшие результаты показали алгоритмы Random Forest с ROC-AUC = 0.83, и LightGBM с ROC-AUC = 0.77. Анализ SHAP выявил ключевые радиомические признаки. Выводы: Полученные результаты демонстрируют перспективность данного подхода и служат основанием для проведения дальнейших исследований, направленных на повышение точности и обобщаемости моделей.
Introduction: Accurate differential diagnosis of pancreatic cystic lesions is crucial for selecting the optimal management strategy and for timely identification of lesions with malignant potential. A key objective of radiology is the development and implementation of quantitative imaging approaches that can improve diagnostic performance and reduce reliance on subjective image interpretation. Purpose: To evaluate the value of magnetic resonance imaging (MRI) and MRI-based radiomic analysis for the differential diagnosis of pancreatic cystic neoplasms, and to develop machine-learning radiomic models for predicting the malignant potential of pancreatic cystic lesions. Materials and methods: In this retrospective study, MRI examinations of 67 patients with surgically and pathologically confirmed pancreatic cystic neoplasms were analyzed. Lesion segmentation and radiomic feature extraction were performed by a radiologist experienced in abdominal imaging. Seven supervised machine-learning models were trained. Model performance was assessed using area under the receiver operating characteristic curve (ROC-AUC), precision–recall AUC (PR-AUC), accuracy, sensitivity, specificity, and F1-score. The best-performing model was selected based on ROC-AUC. Model interpretability was evaluated using SHapley Additive exPlanations (SHAP). Results: The Random Forest classifier showed the best performance (ROC-AUC = 0.83), followed by LightGBM (ROC-AUC = 0.77). SHAP analysis highlighted the radiomic features with the greatest impact on the model outputs. Conclusion: MRI-based radiomics may support risk stratification of pancreatic cystic lesions. Further studies with larger cohorts are needed to confirm these findings and improve model generalizability.
The authors declare that there are no conflicts of interest present.