Применение радиомики при заболеваниях костно-мышечной системы: научный обзор

Обложка

Цитировать

Полный текст

Аннотация

Радиомика — это методика извлечения различных количественных признаков из цифровых медицинских изображений. Десять лет назад сфера её применения ограничивалась только онкологией, однако сейчас радиомиксный анализ используют также в диагностике заболеваний другого профиля, в частности болезней костно-мышечной системы и соединительной ткани. В статье представлен обзор актуальных исследований в области радиомики, которые используют с целью диагностики заболеваний костно-мышечной системы.

В обзор включены оригинальные научные статьи (n=37), опубликованные на английском языке в период с 2020 по 2023 год. Среди наиболее распространённых методов медицинской визуализации выделены магнитно-резонансная и компьютерная томография — 54 и 32% соответственно. Реже использовали двухэнергетическую рентгеновскую абсорбциометрию, ультразвуковое исследование и рентгенографию — 14, 5 и 5% соответственно. В большинстве исследований для выявления областей интереса применяли ручную сегментацию. На основе клинических, радиомиксных и глубоких признаков разработаны различные модели, наиболее распространёнными из которых являются смешанные — клинико-радиомиксные модели. При заболеваниях костно-мышечной системы чаще всего наблюдают поражения позвоночника и крупных суставов.

Мультимодальные радиомиксные модели, созданные с помощью нескольких источников данных (в основном клиникорадиомиксных), применяют в диагностике болезней костно-мышечной системы чаще, чем мономодальные — на основе одного источника (только клинические или радиомиксные признаки). Данный факт можно объяснить большей проработанностью классификации, вероятно, по причине включения большего числа независимых источников информации. Несмотря на перспективность разработки таких моделей и технологий глубокого обучения для автоматической сегментации и классификации изображений, значительных усилий требует формирование баз изображений для их глубокого обучения. В этом смысле особенно целесообразно применять радиомику с целью раннего выявления заболеваний костно-мышечной системы, не имеющих отчётливых и специфичных визуальных симптомов при дебюте патологического процесса.

Об авторах

Максим Олегович Плешков

Сибирский государственный медицинский университет

Автор, ответственный за переписку.
Email: maksim.o.pleshkov@gmail.com
ORCID iD: 0000-0002-4131-0115
SPIN-код: 8625-0940
Россия, Томск

Мария Александровна Замышевская

Сибирский государственный медицинский университет

Email: zamyshevskayamari@mail.ru
ORCID iD: 0000-0001-7582-3843
SPIN-код: 4434-1179

канд. мед. наук

Россия, Томск

Егор Владиславович Кучинский

Сибирский государственный медицинский университет

Email: egorelsigich@gmail.com
ORCID iD: 0009-0002-5960-0935
Россия, Томск

Xiance Jin

1st Affiliated Hospital of Wenzhou Medical University

Email: jinxc1979@hotmail.com
ORCID iD: 0000-0002-4117-5953
Китай, Вэньчжоу

Ji Zhang

1st Affiliated Hospital of Wenzhou Medical University

Email: jizhang1996@126.com
ORCID iD: 0000-0002-2718-6509
Китай, Вэньчжоу

Вера Дмитриевна Завадовская

Сибирский государственный медицинский университет

Email: wdzav@mail.ru
ORCID iD: 0000-0001-6231-7650
SPIN-код: 7905-8363

д-р мед. наук

Россия, Томск

Максим Александрович Зоркальцев

Сибирский государственный медицинский университет

Email: zorkaltsev@mail.ru
ORCID iD: 0000-0003-0025-2147
SPIN-код: 3769-8560

д-р мед. наук

Россия, Томск

Тхе Ван Ким

Сибирский государственный медицинский университет

Email: Pavel.kim.08@mail.ru
ORCID iD: 0009-0002-9766-6986
SPIN-код: 7834-9024
Россия, Томск

Дарья Александровна Погонченкова

Сибирский государственный медицинский университет

Email: azarova_d_a@mail.ru
ORCID iD: 0000-0002-5903-3662
SPIN-код: 4141-9068

канд. мед. наук

Россия, Томск

Владимир Дмитриевич Удодов

Сибирский государственный медицинский университет

Email: linx86rus@gmail.com
ORCID iD: 0000-0002-1321-7861
SPIN-код: 3619-0496

канд. мед. наук

Россия, Томск

Иван Владиславович Толмачев

Сибирский государственный медицинский университет

Email: ivantolm@mail.ru
ORCID iD: 0000-0002-2888-5539
SPIN-код: 1074-1268

канд. мед. наук

Россия, Томск

Список литературы

  1. Wolbarst AB, Capasso P, Wyant AR. Medical imaging: essentials for physicians. New Jersey: John Wiley & Sons; 2013. doi: 10.1002/9781118480267
  2. Shaikh F, Franc B, Allen E, et al. Translational radiomics: defining the strategy pipeline and considerations for application — Part 1: from methodology to clinical implementation. Journal of the American College of Radiology. 2018;15(3):538–542. doi: 10.1016/j.jacr.2017.12.008
  3. Acharya UR, Hagiwara Y, Sudarshan VK, et al. Towards precision medicine: from quantitative imaging to radiomics. Journal of Zhejiang University-SCIENCE B. 2018;19(1):6–24. doi: 10.1631/jzus.B1700260 EDN: YEROEH
  4. Giardino A, Gupta S, Olson E, et al. Role of imaging in the era of precision medicine. Academic Radiology. 2017;24(5):639–649. doi: 10.1016/j.acra.2016.11.021 EDN: YXQFYH
  5. Hatt M, Le Rest CC, Tixier F, et al. Radiomics: Data Are Also Images. Journal of Nuclear Medicine. 2019;60(Suppl. 2):38S–44S. doi: 10.2967/jnumed.118.220582
  6. Lambin P, Rios-Velazquez E, Leijenaar R, et al. Radiomics: extracting more information from medical images using advanced feature analysis. European Journal of Cancer. 2012;48(4):441–446. doi: 10.1016/j.ejca.2011.11.036
  7. Keek SA, Leijenaar RTH, Jochems A, Woodruff HC. A review on radiomics and the future of theranostics for patient selection in precision medicine. The British Journal of Radiology. 2018;91(1091):20170926. doi: 10.1259/bjr.20170926
  8. Scapicchio C, Gabelloni M, Barucci A, et al. A deep look into radiomics. La radiologia medica. 2021;126(10):1296–1311. doi: 10.1007/s11547-021-01389-x EDN: CFTFXK
  9. Lambin P, Leijenaar RTH, Deist TM, et al. Radiomics: the bridge between medical imaging and personalized medicine. Nature Reviews Clinical Oncology. 2017;14(12):749–762. doi: 10.1038/nrclinonc.2017.141
  10. Zhang X, Zhang Y, Zhang G, et al. Deep learning with radiomics for disease diagnosis and treatment: challenges and potential. Frontiers in Oncology. 2022;12:773840. doi: 10.3389/fonc.2022.773840 EDN: HKEDBO
  11. Weng W, Zhu X. INet: convolutional networks for biomedical image segmentation. IEEE Access. 2021;9:16591–16603. doi: 10.1109/access.2021.3053408 EDN: TKNUNY
  12. Demircioğlu A. Are deep models in radiomics performing better than generic models? A systematic review. European Radiology Experimental. 2023;7(1):11. doi: 10.1186/s41747-023-00325-0
  13. McCague C, Ramlee S, Reinius M, et al. Introduction to radiomics for a clinical audience. Clinical Radiology. 2023;78(2):83–98. doi: 10.1016/j.crad.2022.08.149 EDN: FTQEEU
  14. Davis KW, Blankenbaker DG, Bernard S. Diagnostic imaging: musculoskeletal non-traumatic disease. 3rd ed. Amsterdam: Elsevier; 2022.
  15. Liu S, Wang B, Fan S, et al. Global burden of musculoskeletal disorders and attributable factors in 204 countries and territories: a secondary analysis of the Global Burden of Disease 2019 study. BMJ Open. 2022;12(6):e062183. doi: 10.1136/bmjopen-2022-062183 EDN: JPFMCK
  16. Jiang YW, Xu XJ, Wang R, Chen CM. Radiomics analysis based on lumbar spine CT to detect osteoporosis. European Radiology. 2022;32(11):8019–8026. doi: 10.1007/s00330-022-08805-4 EDN: FFIEJM
  17. Lim HK, Ha HI, Park SY, Han J. Prediction of femoral osteoporosis using machine-learning analysis with radiomics features and abdomen-pelvic CT: a retrospective single center preliminary study. PLOS ONE. 2021;16(3):e0247330. doi: 10.1371/journal.pone.0247330 EDN: BXSLMY
  18. Xue Z, Huo J, Sun X, et al. Using radiomic features of lumbar spine CT images to differentiate osteoporosis from normal bone density. BMC Musculoskeletal Disorders. 2022;23(1):1–9. doi: 10.1186/s12891-022-05309-6 EDN: QMPUNB
  19. Xue Z, Wang L, Sun Q, et al. Radiomics analysis using MR imaging of subchondral bone for identification of knee osteoarthritis. Journal of Orthopaedic Surgery and Research. 2022;17(1):1–11. doi: 10.1186/s13018-022-03314-y EDN: MUEEVI
  20. Hirvasniemi J, Klein S, Bierma-Zeinstra S, et al. A machine learning approach to distinguish between knees without and with osteoarthritis using MRI-based radiomic features from tibial bone. European Radiology. 2021;31(11):8513–8521. doi: 10.1007/s00330-021-07951-5 EDN: OQYJMS
  21. Yu K, Ying J, Zhao T, et al. Prediction model for knee osteoarthritis using magnetic resonance–based radiomic features from the infrapatellar fat pad: data from the osteoarthritis initiative. Quantitative Imaging in Medicine and Surgery. 2023;13(1):352–369. doi: 10.21037/qims-22-368 EDN: XMHHBS
  22. Colelli G, Barzaghi L, Paoletti M, et al. Radiomics and machine learning applied to STIR sequence for prediction of quantitative parameters in facioscapulohumeral disease. Frontiers in Neurology. 2023;14:1105276. doi: 10.3389/fneur.2023.1105276 EDN: TFSEOI
  23. Zhang MZ, Ou-Yang HQ, Jiang L, et al. Optimal machine learning methods for radiomic prediction models: clinical application for preoperative T2*-weighted images of cervical spondylotic myelopathy. JOR SPINE. 2021;4(4):e1178. doi: 10.1002/jsp2.1178 EDN: QCNMEY
  24. Çorbacıoğlu ŞK, Aksel G. Receiver operating characteristic curve analysis in diagnostic accuracy studies: a guide to interpreting the area under the curve value. Turkish Journal of Emergency Mededicine. 2023;23(4):195–198. doi: 10.4103/tjem.tjem_182_23
  25. Chun KJ. Bone densitometry. Seminars in Nuclear Medicine. 2011;41(3):220–228. doi: 10.1053/j.semnuclmed.2010.12.002 EDN: XZBHAJ
  26. Yao Q, Liu M, Yuan K, et al. Radiomics nomogram based on dual-energy spectral CT imaging to diagnose low bone mineral density. BMC Musculoskeletal Disorders. 2022;23(1):1–10. doi: 10.1186/s12891-022-05389-4 EDN: ZJCBIU
  27. Dai H, Wang Y, Fu R, et al. Radiomics and stacking regression model for measuring bone mineral density using abdominal computed tomography. Acta Radiologica. 2021;64(1):228–236. doi: 10.1177/02841851211068149 EDN: KCQOEI
  28. Rastegar S, Vaziri M, Qasempour Y, et al. Radiomics for classification of bone mineral loss: a machine learning study. Diagnostic and Interventional Imaging. 2020;101(9):599–610. doi: 10.1016/j.diii.2020.01.008 EDN: MXTTFU
  29. Tenório APM, Ferreira-Junior JR, Dalto VF, et al. Radiomic quantification for MRI assessment of sacroiliac joints of patients with spondyloarthritis. Journal of Digital Imaging. 2022;35(1):29–38. doi: 10.1007/s10278-021-00559-7 EDN: EDSNBE
  30. Xie Q, Chen Y, Hu Y, et al. Development and validation of a machine learning-derived radiomics model for diagnosis of osteoporosis and osteopenia using quantitative computed tomography. BMC Medical Imaging. 2022;22(1):1–9. doi: 10.1186/s12880-022-00868-5 EDN: TBGMNV
  31. Wang J, Zhou S, Chen S, et al. Prediction of osteoporosis using radiomics analysis derived from single source dual energy CT. BMC Musculoskeletal Disorders. 2023;24(1):100. doi: 10.1186/s12891-022-06096-w EDN: CSYYUO
  32. Huang CB, Hu JS, Tan K, et al. Application of machine learning model to predict osteoporosis based on abdominal computed tomography images of the psoas muscle: a retrospective study. BMC Geriatrics. 2022;22(1):796. doi: 10.1186/s12877-022-03502-9
  33. He L, Liu Z, Liu C, et al. Radiomics based on lumbar spine magnetic resonance imaging to detect osteoporosis. Academic Radiology. 2021;28(6):e165–e171. doi: 10.1016/j.acra.2020.03.046 EDN: UHSGDH
  34. Zhao Y, Zhao T, Chen S, et al. Fully automated radiomic screening pipeline for osteoporosis and abnormal bone density with a deep learning-based segmentation using a short lumbar mDixon sequence. Quantitative Imaging in Medicine and Surgery. 2022;12(2):1198–1213. doi: 10.21037/qims-21-587 EDN: NZYATO
  35. Kutsal FY, Ergin Ergani GO. Vertebral compression fractures: Still an unpredictable aspect of osteoporosis. Turkish Journal of Medical Sciences. 2021;51(2):393–399. doi: 10.3906/sag-2005-315 EDN: YTBYNY
  36. Wang M, Chen X, Cui W, et al. A computed tomography-based radiomics nomogram for predicting osteoporotic vertebral fractures: a longitudinal study. The Journal of Clinical Endocrinology and Metabolism. 2022;108(6):e283–e294. doi: 10.1210/clinem/dgac722 EDN: ZDBNTO
  37. Ge C, Chen Z, Lin Y, et al. Preoperative prediction of residual back pain after vertebral augmentation for osteoporotic vertebral compression fractures: initial application of a radiomics score based nomogram. Frontiers in Endocrinology. 2022;13:1093508. doi: 10.3389/fendo.2022.1093508 EDN: SHBOCJ
  38. Yang H, Yan S, Li J, et al. Prediction of acute versus chronic osteoporotic vertebral fracture using radiomics-clinical model on CT. European Journal of Radiology. 2022;149:110197. doi: 10.1016/j.ejrad.2022.110197 EDN: HVGSBS
  39. Biamonte E, Levi R, Carrone F, et al. Artificial intelligence-based radiomics on computed tomography of lumbar spine in subjects with fragility vertebral fractures. Journal of Endocrinological Investigation. 2022;45(10):2007–2017. doi: 10.1007/s40618-022-01837-z EDN: EAIWLD
  40. Erdes ShF, Badokin VV, Bochkova AG, et al. On the terminology of spondyloarthritis. Rheumatology Science and Practice. 2015;53(6):657–660. doi: 10.14412/1995-4484-2015-657-660 EDN: WYDFJB
  41. Ramiro S, Nikiphorou E, Sepriano A, et al. ASAS-EULAR recommendations for the management of axial spondyloarthritis: 2022 update. Annals of the Rheumatic Diseases. 2023;82(1):19–34. doi: 10.1136/ard-2022-223296 EDN: DLBUZY
  42. Ye L, Miao S, Xiao Q, et al. A predictive clinical-radiomics nomogram for diagnosing of axial spondyloarthritis using MRI and clinical risk factors. Rheumatology. 2021;61(4):1440–1447. doi: 10.1093/rheumatology/keab542 EDN: FELRLG
  43. Tenório APM, Faleiros MC, Junior JRF, et al. A study of MRI-based radiomics biomarkers for sacroiliitis and spondyloarthritis. International Journal of Computer Assisted Radiology and Surgery. 2020;15(10):1737–1748. doi: 10.1007/s11548-020-02219-7 EDN: RLWIQG
  44. Zheng M, Miao S, Chen D, et al. Can radiomics replace the SPARCC scoring system in evaluating bone marrow edema of sacroiliac joints in patients with axial spondyloarthritis? Clinical Rheumatology. 2023;42(6):1675–1682. doi: 10.1007/s10067-023-06543-6 EDN: FHQBFF
  45. Maksymowych WP, Mallon C, Morrow S, et al. Development and validation of the spondyloarthritis research consortium of canada (SPARCC) enthesitis index. Annals of the Rheumatic Diseases. 2009;68(6):948–953. doi: 10.1136/ARD.2007.084244
  46. Lacerda C, Linhas R, Duarte R. Tuberculous spondylitis: a report of different clinical scenarios and literature update. Case Reports in Medicine. 2017;2017:1–4. doi: 10.1155/2017/4165301
  47. Wu S, Wei Y, Li H, et al. A predictive clinical-radiomics nomogram for differentiating tuberculous spondylitis from pyogenic spondylitis using CT and clinical risk factors. Infection and Drug Resistance. 2022;15:7327–7338. doi: 10.2147/IDR.S388868 EDN: TBVWYF
  48. Yu G, Yang W, Zhang J, et al. Application of a nomogram to radiomics labels in the treatment prediction scheme for lumbar disc herniation. BMC Medical Imaging. 2022;22(1):51. doi: 10.1186/s12880-022-00778-6 EDN: WCRFUE
  49. Song M, Yang H, Yang H, et al. MR imaging radiomics analysis based on lumbar soft tissue to evaluate lumbar fascia changes in patients with low back pain. Academic Radiology. 2023;30(11):2450–2457. doi: 10.1016/j.acra.2023.02.038 EDN: UWOCTW
  50. Klontzas ME, Manikis GC, Nikiforaki K, et al. Radiomics and machine learning can differentiate transient osteoporosis from avascular necrosis of the hip. Diagnostics. 2021;11(9):1686. doi: 10.3390/diagnostics11091686 EDN: WCRMFH
  51. Kim S, Kim BR, Chae HD, et al. Deep radiomics–based approach to the diagnosis of osteoporosis using hip radiographs. Radiology: Artificial Intelligence. 2022;4(4):e210212. doi: 10.1148/ryai.210212 EDN: QKWOZX
  52. Castañeda S, Roman-Blas JA, Largo R, Herrero-Beaumont G. Subchondral bone as a key target for osteoarthritis treatment. Biochemical Pharmacology. 2012;83(3):315–323. doi: 10.1016/j.bcp.2011.09.018
  53. Lin T, Peng S, Lu S, et al. Prediction of knee pain improvement over two years for knee osteoarthritis using a dynamic nomogram based on MRI-derived radiomics: a proof-of-concept study. Osteoarthritis and Cartilage. 2023;31(2):267–278. doi: 10.1016/j.joca.2022.10.014 EDN: HEPKTM
  54. Xie Y, Dan Y, Tao H, et al. Radiomics feature analysis of cartilage and subchondral bone in differentiating knees predisposed to posttraumatic osteoarthritis after anterior cruciate ligament reconstruction from healthy knees. BioMed Research International. 2021;2021(1):4351499. doi: 10.1155/2021/4351499 EDN: GEGKRA
  55. Sander R. Asymptomatic osteoporosis masks the importance of taking medication. Nursing Older People. 2007;19(10):23–23. doi: 10.7748/nop.19.10.23.s21
  56. Li W, Feng J, Zhu D, et al. Nomogram model based on radiomics signatures and age to assist in the diagnosis of knee osteoarthritis. Experimental Gerontology. 2023;171:112031. doi: 10.1016/j.exger.2022.112031 EDN: OJHMQD
  57. Valesan LF, Da-Cas CD, Réus JC, et al. Prevalence of temporomandibular joint disorders: a systematic review and meta-analysis. Clinical Oral Investigations. 2021;25(2):441–453. doi: 10.1007/s00784-020-03710-w EDN: LUZGIY
  58. Orhan K, Driesen L, Shujaat S, et al. Development and validation of a magnetic resonance imaging-based machine learning model for TMJ pathologies. BioMed Research International. 2021;2021(1):6656773. doi: 10.1155/2021/6656773 EDN: IKONFS
  59. Muraoka H, Kaneda T, Hirahara N, et al. Magnetic resonance image texture analysis of the lateral pterygoid muscle in patients with rheumatoid arthritis: a preliminary report. Oral Radiology. 2022;39(2):242–247. doi: 10.1007/s11282-022-00625-y EDN: ZDPFQW
  60. Ricardo ALF, da Silva GA, Ogawa CM, et al. Magnetic resonance imaging texture analysis for quantitative evaluation of the mandibular condyle in juvenile idiopathic arthritis. Oral Radiology. 2022;39(2):329–340. doi: 10.1007/s11282-022-00641-y EDN: LWUNPK
  61. Wang L, Wen D, Yin Y, et al. Musculoskeletal ultrasound image-based radiomics for the diagnosis of achilles tendinopathy in skiers. Journal of Ultrasound in Medicine. 2022;42(2):363–371. doi: 10.1002/jum.16059 EDN: RFSUOT
  62. Gulani V, Seiberlich N. Quantitative MRI: rationale and challenges. In: Seiberlich N, Gulani V, Calamante F, editors. Quantitative magnetic resonance imaging. London: Elsevier; 2020. P. xxxvii–li. doi: 10.1016/B978-0-12-817057-1.00001-9
  63. Jiang H, Chen L, Zhao Y, et al. Machine learning-based ultrasomics for predicting subacromial impingement syndrome stages. Journal of Ultrasound in Medicine. 2021;41(9):2279–2285. doi: 10.1002/jum.15914 EDN: YEOHCZ
  64. Yin R, Jiang M, Lv WZ, et al. Study processes and applications of ultrasomics in precision medicine. Frontiers in Oncology. 2020;10:1736. doi: 10.3389/fonc.2020.01736 EDN: QZLABO
  65. AL Qurri A, Almekkawy M. Improved UNet with attention for medical image segmentation. Sensors. 2023;23(20):8589. doi: 10.3390/s23208589 EDN: KNTAZU
  66. Bach Cuadra M, Favre J, Omoumi P. Quantification in musculoskeletal imaging using computational analysis and machine learning: segmentation and radiomics. Seminars in Musculoskeletal Radiology. 2020;24(1):50–64. doi: 10.1055/s-0039-3400268 EDN: KXRSQY
  67. Anwar SM, Majid M, Qayyum A, et al. Medical image analysis using convolutional neural networks: a review. Journal of Medical Systems. 2018;42(11):226. doi: 10.1007/s10916-018-1088-1 EDN: ZTZIEH
  68. Miranda J, Horvat N, Fonseca GM, et al. Current status and future perspectives of radiomics in hepatocellular carcinoma. World Journal of Gastroenterology. 2023;29(1):43–60. doi: 10.3748/wjg.v29.i1.43 EDN: QDGABL
  69. Kocak B, Akinci D’Antonoli T, Mercaldo N, et al. Methodological radiomics score (METRICS): a quality scoring tool for radiomics research endorsed by EUSUMII. Insights into Imaging. 2024;15(1):8. doi: 10.1186/s13244-023-01572-w EDN: CINMDC
  70. Aghakhanyan G, Filidei T, Febi M, et al. Advancing pediatric sarcomas through radiomics: a systematic review and prospective assessment using radiomics quality score (RQS) and methodological radiomics score (METRICS). Diagnostics. 2024;14(8):832. doi: 10.3390/diagnostics14080832 EDN: GFBZWJ

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать
2. Рис. 1. Этапы радиомиксного анализа. МРТ — магнитно-резонансная томография; КТ — компьютерная томография; ПЭТ — позитронно-эмиссионная томография; УЗИ — ультразвуковое исследование; ОИ — объём интереса; LASSO (Least Absolute Shrinkage and Selection Operator) — оператор наименьшего абсолютного сокращения и выбора; mRMR (Minimum Redundancy Maximum Relevance) — минимум избыточности и максимум значимости; ICC (Interclass Correlation Coefficient) — коэффициент межклассовой корреляции; SVM (Support Vector Machine) — метод опорных векторов; RF (Random Forest) — метод «случайного леса»; XGBoost (eXtreme Gradient Boosting) — экстремальный градиентный бустинг; ИНС — искусственная нейронная сеть.

Скачать (314KB)
Метаданные
3. Рис. 2. Области применения радиомики при заболеваниях костно-мышечной системы и соединительной ткани с указанием соответствующих публикаций.

Скачать (668KB)
Метаданные
4. Рис. 3. Методы радиомики: a — распределение типов сегментации, использованных в рассматриваемой литературе; b — наиболее часто используемые методы уменьшения размерности (группа t-критерия включает его непараметрические аналоги: критерий Уилкоксона и U-критерий Манна–Уитни). LASSO (Least Absolute Shrinkage and Selection Operator) — оператор наименьшего абсолютного сокращения и выбора; mRMR (Minimum Redundancy Maximum Relevance) — минимум избыточности и максимум значимости; ICC (Intraclass Correlation Coefficient) — коэффициент межклассовой корреляции; Сorr coef — коэффициент корреляции (Пирсона или Спирмена); Log regr — логистическая регрессия; RFE (Recursive Feature Elimination) — рекурсивное исключение признаков; PCA (Principal Component Analysis) — анализ по методу главных компонент; c — наиболее часто используемые классификаторы. LR — логистическая регрессия, включая Rad-score и Elastic Net; SVM (Support Vector Machine) — метод опорных векторов; ANN (Artificial Neural Networks) — искусственная нейросеть; KNN (K-Nearest Neighbors) — метод k-ближайших соседей; d — наиболее часто используемые последовательности. МРТ — магнитно-резонансная томография; STIR (Short Tau Inversion Recovery) — последовательность инверсия–восстановление спинового эха; SPAIR (Spectral Attenuated Inversion Recovery) — предварительное спектральное насыщение с инверсией–восстановлением; PD (Proton Density) — взвешенные по протонной плотности.

Скачать (256KB)
Метаданные
5. Рис. 4. Разные источники входных данных для классификационных моделей (a) и их типы с указанием частоты использования (b).

Скачать (225KB)
Метаданные

© Эко-вектор, 2025

Creative Commons License
Эта статья доступна по лицензии Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».