Разработка и внутренняя валидация предсказательной модели для прогнозирования класса очаговых образований печени при магнитно-резонансной томографии с помощью текстурного анализа (RadLiver)
- Авторы: Васильев Ю.А.1, Владзимирский А.В.1, Голубев Ф.В.1, Омелянская О.В.1, Савин Н.А.1, Гордиенко Д.В.1, Блохин И.А.1
-
Учреждения:
- ГБУЗ города Москвы «Научно-практический клинический центр диагностики и телемедицинских технологий Департамента здравоохранения города Москвы»
- Выпуск: Том 53, № 5 (2025)
- Страницы: 260-267
- Раздел: ОРИГИНАЛЬНЫЕ СТАТЬИ
- URL: https://journal-vniispk.ru/2072-0505/article/view/358423
- DOI: https://doi.org/10.18786/2072-0505-2025-53-024
- ID: 358423
Цитировать
Полный текст
Аннотация
Актуальность. Дифференциальная диагностика очаговых образований печени остается сложной задачей, особенно в ситуациях, когда применение контрастных препаратов при магнитно-резонансной томографии (МРТ) противопоказано (например, при почечной недостаточности или аллергии) или когда выявленные изменения на Т2-взвешенных изображениях (Т2-ВИ) не имеют патогномоничных признаков. В качестве дополнительного диагностического инструмента для поддержки принятия врачебных решений в таких клинических сценариях может выступать клинико-радиомическая модель, способная с высокой точностью классифицировать очаговые образования по данным нативных Т2-ВИ.
Цель – разработка и внутренняя валидация клинико-радиомической модели для дифференциальной диагностики очаговых образований печени на основе Т2-ВИ, полученных при МРТ.
Материал и методы. Проведено ретроспективное кросс-секционное одноцентровое исследование. Использован открытый анонимизированный набор данных WORC-Liver, содержащий Т2-ВИ органов брюшной полости пациентов с очаговыми образованиями печени (данные собраны в Университете Эразма Роттердамского в 2002–2018 гг. на 1,5 Т томографах Philips, Siemens, GE). Обработка изображений включала нормализацию (SimpleITK, Z-score) и интерполяцию до изотропного разрешения 1 × 1 × 1 мм³. Радиомические признаки извлекались с использованием гистограмм и матриц серых тонов (PyRadiomics). Классификация выполнялась алгоритмом XGBoost с разделением выборки 80:20.
Результаты. Из исходного набора данных в 186 случаев для анализа было отобрано 146 пациентов (72 со злокачественными и 74 с доброкачественными образованиями). На внутренней валидационной выборке (n = 30) модель показала высокую диагностическую точность: AUC = 96% (95% доверительный интервал (ДИ) 0,89–1,00), чувствительность – 87% (95% ДИ 77–97), специфичность – 93% (95% ДИ 85–100). Анализ важности признаков выявил наибольший вклад следующих признаков: возраст пациента (SHAP +0,88), manufacturer: GE (SHAP +0,35), пол пациента (SHAP +0,29), original_gldm_DependenceNonUniformity (SHAP +0,17).
Заключение. Разработана высокоточная клинико-радиомическая модель для неинвазивной дифференциальной диагностики очаговых образований печени по нативным Т2-ВИ, обладающая потенциалом для применения в клинической практике, особенно при противопоказаниях к контрастированию. Для внедрения необходимы дальнейшие исследования на более крупных и разнообразных наборах данных.
Полный текст
Диагностика очаговых образований печени (ООП) – одна из ключевых задач современной клинической практики. Масштабный ретроспективный анализ данных 45 319 пациентов, которым проводилось ультразвуковое исследование органов брюшной полости (как в рамках скрининга, так и по клиническим показаниям), показал, что у 15,1% от общего числа обследованных было идентифицировано как минимум одно ООП [1]. Для выявления гепатоцеллюлярного рака (ГЦР) рекомендуется многофазная компьютерная томография (КТ) и/или магнитно-резонансная томография (МРТ) печени и брюшной полости с контрастированием1, при этом МРТ при сопоставимой с КТ специфичности характеризуется более высокой чувствительностью [2]. Вместе с тем существуют трудности дифференциальной диагностики злокачественных и доброкачественных ООП, обусловленные как объективным сходством изображений вследствие перекреста признаков, так и субъективными ошибками при их интерпретации [3–5].
Радиомика предлагает объективный подход к анализу изображений, извлекая из них сотни количественных признаков, неразличимых для человеческого глаза [6, 7]. В условиях вариативности протоколов МРТ при контрастном усилении Т2-взвешенные изображения (Т2-ВИ) представляют собой наиболее стандартизированный компонент исследования с высоким пространственным разрешением [8]. Это делает их прочной основой для построения воспроизводимых радиомических моделей, способных к обобщению данных из разных клиник.
Для оптимизации диагностики и персонализации лечебного процесса перспективным видится создание комбинированных моделей, которые наряду с радиомическими признаками Т2-ВИ учитывают и ключевые клинические данные. С помощью такого подхода можно получить надежный инструмент для поддержки принятия врачебных решений. В рамках настоящего исследования мы разработали алгоритм, основанный на комбинированном анализе радиомических признаков Т2-ВИ и клинических признаков, для дифференциальной диагностики ООП.
Цель – разработка и внутренняя валидация клинико-радиомической модели для дифференциальной диагностики ООП на основе Т2-ВИ, полученных при МРТ.
Материал и методы
В настоящем ретроспективном кросс-секционном исследовании объектом клинико-радиомического анализа были магнитно-резонансные (МР) изображения органов брюшной полости (рис. 1), содержащие ООП, полученные из открытого набора данных WORC – WORC-Liver2 [9]. Набор данных 186 пациентов содержит сведения о поле и возрасте пациентов, данные биопсии, а также Т2-ВИ, информацию о характеристиках МР-томографов, маски ООП. Для клинико-радиомического анализа было отобрано 146 случаев. Все изображения были получены в Университете Эразма Роттердамского (Роттердам, Нидерланды) с использованием томографов 1,5 Т производства Philips (Нидерланды), Siemens (Германия) и General Electric (США) (не менее 5 случаев на тип томографа) в период с 2002 по 2018 г.
Рис. 1. Пример МР-изображения из набора данных WORC – WORC Liver (источник: https://xnat.health-ri.nl/data/projects/worc)
Критериями включения в исследование были ГЦР, внутрипеченочная холангиокарцинома, гепатоцеллюлярная аденома или фокальная нодулярная гиперплазия; патологически подтвержденный фенотип; наличие T2-ВИ МРТ. Критерии невключения: максимальный диаметр образования ≤ 3 см, фоновое заболевание печени, значительные артефакты при визуализации.
Исследование проводилось на базе ГБУЗ г. Москвы «Научно-практический клинический центр диагностики и телемедицинских технологий Департамента здравоохранения города Москвы» (ГБУЗ «НПКЦ ДиТ ДЗМ») в период с 4 ноября по 28 декабря 2024 г. Проведение ретроспективного исследования с вторичным использованием открытого набора данных одобрено независимым этическим комитетом Московского регионального отделения Российского общества рентгенологов и радиологов (протокол № 2/2025).
Сегментация изображений проводилась независимо двумя экспертами с опытом работы 21 год и 8 лет, которые не были осведомлены о характере изменений в печени.
Основной исход исследования: разработка клинико-радиомической модели и оценка показателей ее диагностической точности для дифференциации ООП по Т2-ВИ. «Мягкая» конечная точка – прогноз бинарной классификации опухоли (доброкачественный или злокачественный тип образования).
Формирование репрезентативной выборки данных осуществляли согласно регламенту подготовки наборов данных ГБУЗ «НПКЦ ДиТ ДЗМ» [10]. Для разработки модели данные были разделены на обучающую (80%) и валидационную (20%) подгруппы с использованием стратифицированной выборки для сохранения баланса классов. Обучение алгоритма XGBoost проводили с применением 5-кратной кросс-валидации для минимизации переобучения и обеспечения обобщающей способности моделей [11]. Был также выполнен подбор оптимальных гиперпараметров алгоритма. Для оценки классификатора использовали значение площади под ROC-кривой (англ. area under the curve, AUC), полученное на валидационной выборке. Были рассчитаны показатели диагностической точности, включая чувствительность, специфичность, точность. Положительную и отрицательную прогностическую ценность не рассчитывали в связи с тем, что данные показатели при работе с WORC-Liver не отражают распространенность ООП в популяции (баланс классов 1:1).
Для обработки изображений применяли методы нормализации изображения, а также интерполяторы для преобразования вокселей и изображений масок в изометрические воксели размером 1 × 1 × 1 мм³ [12]. Это обеспечивает однородность данных, поступающих с различных МР-томографов, что упрощает извлечение радиомических признаков и их анализ. Алгоритм нормализации изображения состоит из трансформации sitk.Image в трехмерный массив, применения метода нормализации ZScoreNormalize [13] и трансформации трехмерного массива в sitk.Image с сохранением информации об изображении.
Извлечение радиомических признаков производилось с использованием библиотеки PyRadiomics [14]. Были получены 11 текстурных признаков: Original Firstorder Variance; Original GLCM Correlation; Original GLDM DependenceNonUniformity; Original GLDM GrayLevelNonUniformity; Original GLDM LargeDependenceLowGrayLevelEmphasis; Original GLRLM GrayLevelNonUniformity; Original GLRLM LongRunLowGrayLevelEmphasis; Original GLRLM RunLengthNonUniformity; Original GLSZM LowGrayLevelZoneEmphasis; Original GLSZM ZoneEntropy; Original NGTDM Complexity.
Для обеспечения сопоставимости и однородности признаков между различными МР-изображениями при извлечении текстурных признаков были выбраны следующие параметры: binCount: 32, symmetricalGLCM: True, correctMask: True.
Радиомические признаки объединяли с категориальными данными о наименовании производителя томографа (закодированными с использованием метода конвертации категориальных данных в бинарный формат OneHotEncoding) и демографическими данными пациентов (пол и возраст). На вход алгоритм классификации получал массив признаков и возвращал класс в виде значения 0 или 1, где 0 – доброкачественное образование, 1 – злокачественное.
Размер выборки для ретроспективной валидации бинарного теста был рассчитан с использованием методики, описанной в работе J. A. Hanley и B. J. McNeil [15]. Необходимый размер выборки составил n = 130 при вероятности совершения ошибок I и II типа, равной α = 0,05 и β = 0,2 соответственно, ожидаемом значении AUC = 0,9, значении нулевой гипотезы AUC = 0,8, соотношении размеров выборок в отрицательных и положительных группах 1:1.
Для оценки эффективности разработанного алгоритма в различении ООП (AUC > 80%) был рассчитан 95% доверительный интервал (ДИ). Статистически значимым результатом было превышение нижней границы 95% ДИ порогового значения, заданного как 80%. Вероятность равенства нижней границы 95% ДИ пороговому значению была оценена с помощью Z-теста, при условии нормальности распределения данных [16, 17]. В связи с малым размером внутренней валидационной выборки для оценки стабильности результатов была использована процедура бутстрэппинга с генерацией псевдовыборки до n = 1000. Уровень статистической значимости (p-value) принят равным 0,05. ROC-кривые были построены с использованием библиотек Python (streamlit, SimpleITK, scipy, numpy, pandas) и R-Studio версии не ниже 4.2.0 для анализа данных. Вклад показателей модели в прогноз был оценен с помощью библиотеки Python SHAP [18].
Результаты
Общее число случаев ООП, полученных из открытого набора данных WORC – WORC-Liver, составило 186 (134 женщины и 52 мужчины). Средний возраст женщин – 44,9 года (95% ДИ 42,4–47,4), мужчин – 58,5 года (95% ДИ 53,6–63,3). Группу злокачественных новообразований составили 81 ГЦР и 13 внутрипеченочных холангио-карцином, доброкачественных – 48 гепатоцеллюлярных аденом и 44 фокальные нодулярные гиперплазии печени.
В исследование не было включено 40 случаев: с максимальным диаметром образования ≤ 3 см, фоновым заболеванием печени, значительными артефактами при визуализации. Из оставшихся 146 случаев 72 были злокачественными и 74 – доброкачественными очаговыми образованиями (рис. 2). Разделение выборки составляло 80:20 для обучающей и внутренней валидационной выборок соответственно.
Рис. 2. Блок-схема формирования выборки
После обучения клинико-радиомической модели при оценке на внутренней валидационной выборке из 30 пациентов были получены следующие показатели: чувствительность – 87% (95% ДИ 70–100), специфичность – 93% (95% ДИ 81–100), точность – 90% (95% ДИ 79–100), AUC = 0,9 (95% ДИ 0,89–1,00). Результаты представлены в матрице сопряженности (таблица). Алгоритм XGBoost показал высокую способность различать доброкачественные и злокачественные ООП. После бутстрэппинга 95% ДИ для AUC составил 0,89–1,00. При сравнении нижней границы ДИ с пороговым значением 0,8 Z-score составил 2,979 (p = 0,001).
Матрица ошибок валидации классификатора очаговых образований печени
Референс-тест | Результаты работы обученного алгоритма | |
Отрицательный результат | Положительный результат | |
Отрицательный результат | 14 | 1 |
Положительный результат | 2 | 13 |
При анализе вклада различных признаков в прогноз модели с использованием значений SHAP (рис. 3 и 4) выявлено несколько ключевых закономерностей. Наиболее значимым признаком при прогнозировании злокачественного новообразования был возраст пациента (age). Получено значение SHAP +0,88, что указывает на большой положительный вклад признака «возраст пациента»: с увеличением возраста вероятность прогноза злокачественного новообразования возрастает.
Рис. 3. SHAP-значения признаков комбинированной модели
Рис. 4. Положительные средние SHAP-значения для комбинированной модели
Признак manufacturer: GE (МР-томограф производства General Electric, США) вносит отрицательный вклад в прогноз злокачественного новообразования, при этом вклад параметра в положительный прогноз мал.
Малый положительный вклад в прогноз модели вносят также параметры sex (пол) (значение SHAP +0,29) и sum of 12 other features (сумма 12 других клинико-радиомических признаков) (значение SHAP +0,25). Наибольший положительный вклад в прогноз модели из радиомических признаков вносит признак original_gldm_DependenceNonUniformity (неоднородность зависимости в изображении), его среднее значение SHAP составило +0,17.
Обсуждение
В последнее время все чаще появляются работы, в которых используются инструменты машинного обучения [19]. В частности, Ю. В. Молостова и соавт. предложили прогностические модели для дифференциации регенераторных и диспластических узлов, раннего ГЦР и узлов ГЦР с атипичным характером контрастирования. Ретроспективный анализ МР-изображений 72 пациентов с подозрением на опухолевое поражение печени на фоне цирроза с использованием текстурного анализа показал, что наиболее высокими дифференциальными возможностями обладала модель Random Forest при AUC = 0,91 [20].
Помимо внедрения стандартных моделей по типу Random Forest, проводится разработка автоматизированных систем, основанных на методах глубокого обучения, направленных на сегментацию и последующий анализ ООП [21]. Так, C. A. Hamm и соавт. [22] разработали систему глубокого обучения на основе сверточной нейронной сети, обученной на 43 400 примерах, созданных методами аугментации. Модель способна классифицировать распространенные ООП, визуализируемые при многофазной МРТ, с точностью до 92%. R. Hu и соавт. применили алгоритм генетического программирования для дифференциальной диагностики двух распространенных видов первичного рака печени по данным многофазной МРТ [23]. Ручная и автоматизированная сегментации были выполнены для выбора оптимальной модели машинного обучения, точность, чувствительность и специфичность которой составили 73% (95% ДИ 59–85), 70% (95% ДИ 48–89) и 71% (95% ДИ 52–90) соответственно. Разработанная R. Hu и соавт. модель классифицировала ГЦР и внутрипеченочную холангиокарциному с чувствительностью и специфичностью, сопоставимыми с показателями врачей-рентгенологов [23]. S. Lysdahlgaard в целях применения для задач классификации радиомических признаков, извлеченных из нормальной ткани или опухоли печени, представил алгоритмы машинного обучения, включающие в себя оптимизацию гиперпараметров и 10-кратную кросс-валидацию [24]. Наивысшую производительность на тестовом наборе данных из 47 ООП показали Logistic regression, Random Forest и Support Vector Machine (100% чувствительность, специфичность и точность для каждой модели).
В настоящем исследовании разработана и валидирована комбинированная модель клинико-радиомического анализа для дифференциальной диагностики ООП на основе Т2-ВИ. Показано, что радиомические признаки, извлеченные из МРТ, в комбинации с техническими характеристиками томографа, а также с такими характеристиками, как пол и возраст пациента, могут быть использованы для классификации ООП, что открывает перспективы для оптимизации диагностического процесса. Полученные результаты сопоставимы с показателями ведущих исследований в области радиомики печени и превосходят некоторые из них по точности диагностики.
Одно из ключевых преимуществ нашей модели заключается в возможности ее применения в ситуациях, когда использование контрастных препаратов при МРТ противопоказано или нежелательно, например, у больных с почечной недостаточностью или аллергией на контрастные вещества [25, 26]. В таких случаях анализ Т2-взвешенных МР-изображений с помощью предложенного алгоритма на основе радиомики может предоставить необходимую диагностическую информацию, повысив безопасность диагностического процесса. Разработанная модель может также служить инструментом «второго мнения», особенно в медицинском учреждении с небольшим штатом. В сложных случаях радиомический анализ может помочь врачу-рентгенологу принять более обоснованное решение, уменьшив вероятность ошибок и субъективных трактовок.
К ограничениям нашего исследования следует отнести небольшой объем выборки проанализированных случаев, что снижает обобщаемость модели и ее применимость в общей популяции. Ретроспективный и одноцентровой характер исследования также влияет на воспроизводимость полученных результатов в клинической практике. Поскольку в данной работе не проводилось прямого сравнения диагностической точности алгоритма и заключений врачей-рентгенологов, для однозначного вывода о клинической пользе алгоритма требуется проведение как минимум исследования в формате multireader-multicase. Планируется интерпретация исследований из набора данных в два этапа: без использования инструмента текстурного анализа и с ним; последующий расчет и сопоставление метрик точности позволят оценить влияние радиомического анализа на диагностическую эффективность врачей-рентгенологов. В нашем исследовании анализ методом SHAP выявил, что модель томографа имела высокую значимость для прогноза модели. Это может как отражать реальные различия в сигнале между аппаратами, так и указывать на наличие систематической ошибки. В частности, существует гипотетическая возможность, что врачи могли направлять пациентов с более сложными или подозрительными случаями на определенную модель томографа для получения изображений более высокого качества. Такая практика, если бы она имела место, могла бы искусственно завысить прогностическую важность этого признака в модели. Окончательное выяснение причин данной находки требует дальнейших исследований.
В будущем мы планируем провести внешнюю валидацию разработанной модели с использованием данных из Единого радиологического информационного сервиса (ЕРИС) Единой медицинской информационно-аналитической системы (ЕМИАС) г. Москвы. На этом этапе будет проверены обобщаемость и надежность модели на более широкой и разнообразной выборке, а также оценена ее способность работать с данными из различных медицинских учреждений и МР-томографов. Внешняя валидация позволит не только более тщательно изучить применимость разработанных моделей, но и определить их потенциальное влияние на клиническую практику.
Заключение
В рамках определения возможностей клинико-радиомического анализа нами была разработана и протестирована комбинированная модель для дифференциальной диагностики типа ООП по Т2-взвешенным МР-изображениям. Получен-ные результаты демонстрируют перспективность предложенного подхода, который позволяет повысить объективность и точность диагностики за счет использования количественных признаков, извлеченных из изображений. Экспериментальное исследование показало, что алгоритм XGBoost обеспечивает высокие показатели точности классификации при использовании комбинации радиомических признаков, характеристик МР-томографа и демографических данных пациента, извлеченных из DICOM-тегов. Несмотря на некоторые ограничения, связанные с объемом выборки и ретроспективным характером исследования, разработанная система обладает потенциалом для применения в клинической практике. В дальнейшем целесообразно проведение внешней валидации системы на более крупных и разнообразных наборах данных.
Дополнительная информация
Финансирование
Данная статья подготовлена авторским коллективом в рамках НИР «Научное обоснование методов лучевой диагностики опухолевых заболеваний с использованием радиомического анализа» (№ ЕГИСУ 123031500005-2) в соответствии с приказом Департамента здравоохранения города Москвы от 17.12.2024 № 1184 «Об утверждении государственных заданий, финансовое обеспечение которых осуществляется за счет средств бюджета города Москвы, государственным бюджетным (автономным) учреждениям, подведомственным Департаменту здравоохранения города Москвы, на 2025 год и плановый период 2026 и 2027 годов».
Конфликт интересов
Авторы декларируют отсутствие явных и потенциальных конфликтов интересов, связанных с публикацией настоящей статьи.
Участие авторов
Ю.А. Васильев – концепция исследования, утверждение итогового варианта текста рукописи; Ф.В. Голубев – сбор и анализ литературных данных; И.А. Блохин – концепция и дизайн исследования, редактирование текста рукописи, статистическая обработка; Н.А. Савин – написание и редактирование текста рукописи, сбор и анализ литературных источников; Д.В. Гордиенко – статистическая обработка; О.В. Омелянская, А.В. Владзимирский – редактирование и утверждение текста рукописи. Все авторы прочли и одобрили финальную версию статьи перед публикацией, согласны нести ответственность за все аспекты работы и гарантируют, что ими надлежащим образом были рассмотрены и решены вопросы, связанные с точностью и добросовестностью всех частей работы.
1 Рак печени (гепатоцеллюлярный). Клинические рекомендации Министерства здравоохранения Российской Федерации. Доступно по: https://cr.minzdrav.gov.ru/view-cr/1_3?ysclid=mihdz1u1f4511407720 (дата обращения 23.06.2025).
2 Xnat.health-ri.nl [интернет]. XNAT. Health-RI. 2013–. Доступно по: https://xnat.health-ri.nl/data/projects/worc (дата обращения 23.06.2025).
Об авторах
Юрий Александрович Васильев
ГБУЗ города Москвы «Научно-практический клинический центр диагностики и телемедицинских технологий Департамента здравоохранения города Москвы»
Автор, ответственный за переписку.
Email: VasilevYA1@zdrav.mos.ru
ORCID iD: 0000-0002-5283-5961
д-р мед. наук, главный врач
Россия, 127051, г. Москва, ул. Петровка, 24–1Антон Вячеславович Владзимирский
ГБУЗ города Москвы «Научно-практический клинический центр диагностики и телемедицинских технологий Департамента здравоохранения города Москвы»
Email: VladzimirskijAV@zdrav.mos.ru
ORCID iD: 0000-0002-2990-7736
SPIN-код: 3602-7120
д-р мед. наук, заместитель директора по научной работе
Россия, 127051, г. Москва, ул. Петровка, 24–1Филипп Валентинович Голубев
ГБУЗ города Москвы «Научно-практический клинический центр диагностики и телемедицинских технологий Департамента здравоохранения города Москвы»
Email: golubevfv@zdrav.mos.ru
ORCID iD: 0009-0003-7173-4888
врач-рентгенолог отделения лучевой диагностики № 1
Россия, 127051, г. Москва, ул. Петровка, 24–1Ольга Васильевна Омелянская
ГБУЗ города Москвы «Научно-практический клинический центр диагностики и телемедицинских технологий Департамента здравоохранения города Москвы»
Email: OmelyanskayaOV@zdrav.mos.ru
ORCID iD: 0000-0002-0245-4431
SPIN-код: 8948-6152
заместитель директора по перспективному развитию, Дирекция науки и Дирекция по перспективному развитию
Россия, 127051, г. Москва, ул. Петровка, 24–1Никита Александрович Савин
ГБУЗ города Москвы «Научно-практический клинический центр диагностики и телемедицинских технологий Департамента здравоохранения города Москвы»
Email: savinna2@zdrav.mos.ru
ORCID iD: 0000-0001-9199-7229
канд. физ.-мат. наук, науч. сотр. отдела научных медицинских исследований
Россия, 127051, г. Москва, ул. Петровка, 24–1Даниил Валерьевич Гордиенко
ГБУЗ города Москвы «Научно-практический клинический центр диагностики и телемедицинских технологий Департамента здравоохранения города Москвы»
Email: gordienkodv2@zdrav.mos.ru
ORCID iD: 0009-0007-9813-3475
инженер отдела инновационных технологий
Россия, 127051, г. Москва, ул. Петровка, 24–1Иван Андреевич Блохин
ГБУЗ города Москвы «Научно-практический клинический центр диагностики и телемедицинских технологий Департамента здравоохранения города Москвы»
Email: BlokhinIA@zdrav.mos.ru
ORCID iD: 0000-0002-2681-9378
канд. мед. наук, зав. сектором исследований в лучевой диагностике
Россия, 127051, г. Москва, ул. Петровка, 24–1Список литературы
- Kaltenbach TE, Engler P, Kratzer W, Oeztuerk S, Seufferlein T, Haenle MM, Graeter T. Prevalence of benign focal liver lesions: Ultrasound investigation of 45,319 hospital patients. Abdom Radiol (NY). 2016;41(1):25–32. doi: 10.1007/s00261-015-0605-7.
- Roberts LR, Sirlin CB, Zaiem F, Almasri J, Prokop LJ, Heimbach JK, Murad MH, Mohammed K. Imaging for the diagnosis of hepatocellular carcinoma: A systematic review and meta-analysis. Hepatology. 2018;67(1):401–421. doi: 10.1002/hep.29487.
- Чжао АВ, Кармазановский ГГ, Бугаев СА, Чугунов АО. Трудности в диагностике и лечении очаговых заболеваний печени. Альманах клинической медицины. 2018;46(6):618–630. doi: 10.18786/2072-0505-2018-46-6-618-630.
- Matos AP, Velloni F, Ramalho M, AlObaidy M, Rajapaksha A, Semelka RC. Focal liver lesions: Practical magnetic resonance imaging approach. World J Hepatol. 2015;7(16):1987–2008. doi: 10.4254/wjh.v7.i16.1987.
- Li S, Zhou L, Chen R, Chen Y, Niu Z, Qian L, Fang Y, Xu L, Xu H, Zhang L. Diagnostic efficacy of contrast-enhanced ultrasound versus MRI Liver Imaging Reporting and Data System (LI-RADS) for categorising hepatic observations in patients at risk of hepatocellular carcinoma. Clin Radiol. 2021;76(2):161.e1–161.e10. doi: 10.1016/j.crad.2020.10.009.
- Кармазановский ГГ, Кондратьев ЕВ, Груздев ИС, Тихонова ВС, Шантаревич МЮ, Замятина КА, Сташкив ВИ, Ревишвили АШ. Современная лучевая диагностика и интеллектуальные персонализированные технологии в гепатопанкреатологии. Вестник Российской академии медицинских наук. 2022;77(4):245–253. doi: 10.15690/vramn2053.
- Замятина КА, Годзенко МВ, Кармазановский ГГ, Ревишвили АШ. Радиомика при заболеваниях печени и поджелудочной железы. Обзор литературы. Анналы хирургической гепатологии. 2022;27(1):40–47. doi: 10.16931/1995-5464.2022-1-40-47.
- Кармазановский ГГ, Шантаревич МЮ, Сташкив ВИ, Ревишвили АШ. Воспроизводимость текстурных показателей КТ- и МРТ-изображений гепатоцеллюлярного рака. Медицинская визуализация. 2023;27(3):84–93. doi: 10.24835/1607-0763-1372.
- Starmans M, Timbergen M, Vos M, Padmos G, Grunhagen D, Verhoef C, Sleijfer S, Leenders G, Buisman F, Willemssen F, Koerkamp B, Angus L, Veldt A, Rajicic A, Odink A, Renckens M, Doukas M, Man R, Ijzermans J, Klein S. (2021). The WORC database: MRI and CT scans, segmentations, and clinical labels for 930 patients from six radiomics studies. medRxiv. 2021:2021.08.19.21262238. doi: 10.1101/2021.08.19.21262238.
- Морозов СП, Владзимирский АВ, Андрейченко АЕ, Ахмад ЕС, Блохин ИА, Гомболевский ВА, Зинченко ВВ, Кульберг НС, Новик ВП, Павлов НА. Регламент подготовки наборов данных с описанием подходов к формированию репрезентативной выборки данных. Часть 1: методические рекомендации. Серия «Лучшие практики лучевой и инструментальной диагностики». Выпуск 103. М.: ГБУЗ «НПКЦ ДиТ ДЗМ», 2022. 40 с.
- Allen DM. The relationship between variable selection and data augmentation and a method for prediction. Technometrics. 1974;16(1):125–127. doi: 10.1080/00401706.1974.10489157.
- Carré A, Klausner G, Edjlali M, Lerousseau M, Briend-Diop J, Sun R, Ammari S, Reuzé S, Alvarez Andres E, Estienne T, Niyoteka S, Battistella E, Vakalopoulou M, Dhermain F, Paragios N, Deutsch E, Oppenheim C, Pallud J, Robert C. Standardization of brain MR images across machines and protocols: Bridging the gap for MRI-based radiomics. Sci Rep. 2020;10(1):12340. doi: 10.1038/s41598-020-69298-z.
- Reinhold JC, Dewey BE, Carass A, Prince JL. Evaluating the impact of intensity normalization on MR image synthesis. Proc SPIE Int Soc Opt Eng. 2019;10949:109493H. doi: 10.1117/12.2513089.
- van Griethuysen JJM, Fedorov A, Parmar C, Hosny A, Aucoin N, Narayan V, Beets-Tan RGH, Fillion-Robin JC, Pieper S, Aerts HJWL. Computational radiomics system to decode the radiographic phenotype. Cancer Res. 2017;77(21):e104–e107. doi: 10.1158/0008-5472.CAN-17-0339.
- Hanley JA, McNeil BJ. The meaning and use of the area under a receiver operating characteristic (ROC) curve. Radiology. 1982;143(1):29–36. doi: 10.1148/radiology.143.1.7063747.
- Eden T, Yates F. On the validity of Fisher's z test when applied to an actual example of non-normal data. J Agric Sci. 1933;23(1):6–17. doi: 10.1017/S0021859600052862.
- Barri MA. A simulation showing the role of central limit theorem in handling non-normal distributions. Am J Educ Res. 2019;7(8):591–598. doi: 10.12691/education-7-8-8.
- Lundberg S, Lee SI. A unified approach to interpreting model predictions. arXiv. 2017;arXiv:1705.07874. doi: 10.48550/arXiv.1705.07874.
- Feng N, Wang K, Jiao Y. Integrating radiomics and machine learning for the diagnosis and prognosis of hepatocellular carcinoma. World J Gastrointest Oncol. 2025;17(7):106610. doi: 10.4251/wjgo.v17.i7.106610.
- Молостова ЮВ, Медведева БМ, Кондратьев ЕВ, Усталов АА, Новрузбеков МС, Олисов ОД, Тарнопольский ВМ. Возможности текстурного анализа и машинного обучения в МРТ-диагностике раннего ГЦР. Онкологический журнал: лучевая диагностика, лучевая терапия. 2024;7(4):68–73. doi: 10.37174/2587-7593-2024-7-4-68-73.
- Gul S, Khan MS, Bibi A, Khandakar A, Ayari MA, Chowdhury MEH. Deep learning techniques for liver and liver tumor segmentation: A review. Comput Biol Med. 2022;147:105620. doi: 10.1016/j.compbiomed.2022.105620.
- Hamm CA, Wang CJ, Savic LJ, Ferrante M, Schobert I, Schlachter T, Lin M, Duncan JS, Weinreb JC, Chapiro J, Letzen B. Deep learning for liver tumor diagnosis part I: Development of a convolutional neural network classifier for multi-phasic MRI. Eur Radiol. 2019;29(7):3338–3347. doi: 10.1007/s00330-019-06205-9.
- Hu R, Li H, Horng H, Thomasian NM, Jiao Z, Zhu C, Zou B, Bai HX. Automated machine learning for differentiation of hepatocellular carcinoma from intrahepatic cholangiocarcinoma on multiphasic MRI. Sci Rep. 2022;12(1):7924. doi: 10.1038/s41598-022-11997-w.
- Lysdahlgaard S. Comparing radiomics features of tumour and healthy liver tissue in a limited CT dataset: A machine learning study. Radiography (Lond). 2022;28(3):718–724. doi: 10.1016/ j.radi.2022.03.015.
- Davenport MS, Perazella MA, Yee J, Dillman JR, Fine D, McDonald RJ, Rodby RA, Wang CL, Weinreb JC. Use of intravenous iodinated contrast media in patients with kidney disease: Consensus statements from the American College of Radiology and the National Kidney Foundation. Radiology. 2020;294(3):660–668. doi: 10.1148/radiol.2019192094.
- Ponrartana S, Moore MM, Chan SS, Victoria T, Dillman JR, Chavhan GB. Safety issues related to intravenous contrast agent use in magnetic resonance imaging. Pediatr Radiol. 2021;51(5):736–747. doi: 10.1007/s00247-020-04896-7.
Дополнительные файлы
