Построение радиомической классификационной модели RadMenGr для различения менингиом головного мозга Grade 1 и Grade 2
Автор: Васильев Ю.А., Карпенко А.К., Романенко М.О., Омелянская О.В., Владзимирский А.В., Блохин И.А.
Журнал: Сибирский журнал клинической и экспериментальной медицины @cardiotomsk
Рубрика: Цифровые технологии в медицине и здравоохранении
Статья в выпуске: 1 т.41, 2026 года.
Бесплатный доступ
Предоперационная дифференциальная диагностика степени злокачественности менингиом остается затруднительной при рутинной магнитно-резонансной томографии (МРТ) головного мозга. Отсутствие надежных неинвазивных инструментов ограничивает возможности ранней стратификации риска и выбора тактики лечения. Цель: построение радиомической классификационной модели RadMenGr, ориентированной на предсказание степени злокачественности менингиом (Grade 1 или Grade 2) на основе T1-взвешенных изображений с контрастным усилением. Материал и методы. Ретроспективное одноцентровое исследование выполнено с использованием открытого анонимизированного набора данных Meningioma-SEG-CLASS. В анализ включены 95 пациентов, в том числе 53 пациента с менингиомами Grade 1, 42 – с менингиомами Grade 2. Из изображений, размеченных вручную, с помощью библиотеки PyRadiomics были извлечены 105 радиомических признаков. Классификация выполнена с применением алгоритма Naive Bayes после дискретизации признаков методом Entropy-MDL. Оценка диагностической эффективности проводилась с использованием метрик AUC, чувствительности, специфичности и точности. Для оценки стабильности AUC использовался бутстрап-анализ с 10 000 итераций и расчетом 95% доверительного интервала. Результаты. На валидационной выборке (n = 46) ROC-AUC составила 0,805 (95% ДИ: 0,671–0,915). Нижняя граница 95% ДИ AUC превышает значение по нулевой гипотезе (AUC = 0,63), что подтверждает статистическую значимость полученных результатов (p < 0,05). Заключение. В ходе исследования была разработана радиомическая классификационная модель, направленная на дифференциальную диагностику менингиом Grade 1 и Grade 2. Применение алгоритма Naive Bayes на признаках, извлеченных из T1-взвешенных изображений с контрастным усилением и преобразованных методом дискретизации, позволило достичь значимого уровня диагностической точности. Однако ширина доверительного интервала указывает на невысокую стабильность модели, что требует ее валидации на большой репрезентативной выборке.
Радиомика, текстурный анализ, менингиома, классификация, дифференциальный диагноз, магнитно-резонансная томография
Короткий адрес: https://sciup.org/149150653
IDR: 149150653 | УДК: 616.831-006.328-073.7-047.58 | DOI: 10.29001/2073-8552-2026-41-1-213-220
Siberian Journal of Clinical and Experimental Medicine Development of a radiomic classification model RadMenGR for discriminating Grade 1 and Grade 2 intracranial meningioma
Background. Preoperative differentional diagnosis of meningioma grade remains challenging with routine brain magnetic resonance imaging (MRI). The lack of reliable non-invasive tools limits the potential for early risk stratification and treatment planning. Aim: To develop an interpretable classification radiomic model RadMenGR for predicting meningioma grade (Grade I or Grade II) based on contrast-enhanced T1-weighted images. Material and Methods. This retrospective single-center study was conducted using the open-source anonymized dataset MeningiomaSEG-CLASS. 95 patients were included in the analysis (53 with Grade 1 and 42 with Grade 2 tumors). 105 radiomic features were extracted from manually segmented MR images using PyRadiomics. Classification was performed with a Naive Bayes algorithm following feature discretization using the Entropy / MDL method. Diagnostic performance was assessed using the area under the curve (AUC), sensitivity, specificity, and accuracy. Bootstrap analysis with 10,000 iterations and a 95% confidence interval was used for validation. Results. On the validation cohort (n = 46), the ROC-AUC was 0.805 (95% CI: 0.671–0.915). The lower bound of the 95% CI for the AUC exceeded the value under the null hypothesis (AUC = 0.63), confirming the statistical significance of the results (p < 0.05). Conclusion. This study developed an interpretable radiomic classification model for the differential diagnosis of Grade 1 and Grade 2 meningiomas. The application of a Naive Bayes algorithm to features extracted from contrast-enhanced T1-weighted images and transformed using a discretization method enabled the achievement of a significant level of diagnostic accuracy. However, the width of the confidence interval points to a lack of model robustness, necessitating validation on an independent cohort.
