Оценка возможностей моделей машинного обучения и радиомического анализа для дифференциальной диагностики кистозных новообразований поджелудочной железы

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.

1. Скульский СК, Ратников ВА, Лубашев ЯА, и др. Магнитно-резонансная томография в лучевой диагностике кистозных неоплазий поджелудочной железы на этапах медицинского обследования. Врач. 2022;33(11):40-47.

2. Ardeshna DR, Cao T, Rodgers B, et al. Recent advances in the diagnostic evaluation of pancreatic cystic lesions. World J Gastroenterol. 2022;28(6):624-34. https://doi.org/10.3748/wjg.v28.i6.624

3. Rogowska J, Semeradt J, Durko Ł, Małecka-Wojciesko E. Diagnostics and Management of Pancreatic Cystic Lesions-New Techniques and Guidelines. J Clin Med. 2024 Aug 8;13(16):4644. https://doi.org/10.3390/jcm13164644

4. Кондратьев ЕВ, Шмелева СА, Усталов АА и др. Теоретические основы текстурного анализа КТ-изображений образований органов брюшной полости: обзор. Лучевая диагностика и терапия. 2025;16(1):33-46.

5. Ștefan PA, Lupean RA, Lebovici A, et al. Quantitative MRI of Pancreatic Cystic Lesions: A New Diagnostic Approach. Healthcare (Basel). 2022;10(6):1039. https://doi.org/10.3390/healthcare10061039

6. Yao L, Zhang Z, Demir U, et al. Radiomics Boosts Deep Learning Model for IPMN Classification. Mach Learn Med Imaging. 2023;14349:134 143. https://doi.org/10.1007/978-3-031-45676-3_14

7. Zwanenburg A, Vallières M, Abdalah MA, et al. The Image Biomarker Standardization Initiative: Standardized Quantitative Radiomics for High-Throughput Image-based Phenotyping. Radiology. 2020;295(2):328-338. https://doi.org/10.1148/radiol.2020191145

8. Lambin P, Woodruff HC, Mali SA, et al. Radiomics Quality Score 2.0: towards radiomics readiness levels and clinical translation for personalized medicine. Nat Rev Clin Oncol. 2025;22(11):831-846. https://doi.org/10.1038/s41571-025-01067-1