Текстурный анализ магнитно-резонансных томограмм в прогнозировании степени дифференцировки рака мочевого пузыря

Submitted 09.11.2025                        Accepted 28.02.2026               Published online 28.06.2026

ОБОСНОВАНИЕ

Рак мочевого пузыря (РМП) является одним из наиболее распространённых среди злокачественных новообразований мочевыделительной системы. По данным проекта GLOBOCAN за 2022 год1, РМП занимает 9-е место в структуре онкологической заболеваемости и 13-е — по показателям смертности. Важно отметить, что Россия входит в первую десятку стран с наиболее высокой заболеваемостью РМП [1].

В литературе широко освещён вклад инструментальных методов в диагностику РМП [2]. На сегодняшний день магнитно-резонансная томография (МРТ) с внутривенным контрастированием признана мировым сообществом золотым стандартом в неинвазивной диагностике РМП [3]. Согласно отечественным2

и мировым [4] рекомендациям, приоритетным и обязательным методом обследования пациентов с подозрением на новообразование мочевого пузыря по данным неинвазивных методик является цистоскопия и трансуретральная резекция с обязательным последующим гистологическим исследованием материала.

Помимо местной распространённости новообразования, на принятие клинических решений влияет также степень дифференцировки опухоли. В соответствии с международными и отечественными рекомендациями, низкая степень дифференцировки (G3) опухоли является фактором высокого риска и требует дополнительных или более радикальных методов лечения2. Известно, что для РМП низкой степени дифференцировки характерны более низкие показатели общей и безрецидивной выживаемости [5].

На настоящий момент заключение о степени дифференцировки РМП формулируется по результатам гистологического исследования. Наиболее актуальными проблемами диагностики РМП являются полнота забора материала и точность морфологического исследования. На информативность трансуретральной резекции оказывает влияние целый ряд факторов, а именно технические сложности, квалификация медицинских работников, высокоэнергетическое повреждение тканей, расположение опухоли, методика резекции [6, 7], в связи с чем в настоящее время предпринимаются усилия по поиску маркеров дифференцировки опухоли при проведении текстурного анализа, которые хорошо коррелируют с гистологическими данными. Это представляется особенно актуальным в тех случаях, когда интраоперационный забор материала оказывается нерезультативным.

Цель исследования — определить диагностическую значимость текстурного анализа МР-изображений в разграничении высоко-/ умеренно дифференцированных (G1/2) и низкодифференцированных (G3) опухолей мочевого пузыря; сравнить результаты применения двух режимов (2D и 3D) сегментации МР-изображений; сравнить различные алгоритмы (LASSO, LASSO AutoML, Extra Trees, KNN, Random Forest, XGBoost и LightXGB), позволяющие построить модели для прогнозирования степени дифференцировки РМП на основе текстурных показателей-предикторов и выбрать наиболее оптимальный по основным метрикам качества.

МЕТОДЫ

Дизайн исследования

Двухцентровое ретроспективное исследование.

Условия проведения исследования

Данные больных раком мочевого пузыря предоставлены ФГБУ «Центральная клиническая больница с поликлиникой» Управления делами Президента Российской Федерации и ФГАУ «Национальный медицинский исследовательский центр “Лечебно-реабилитационный центр”» Минздрава России.

Критерии соответствия (отбора)

Критерии включения: наличие МРТ органов малого таза удовлетворительного качества; наличие данных гистологического исследования с заключением относительно степени дифференцировки опухоли.

Критерии невключения: исследования низкого качества.

Критерии исключения: отсутствие в медицинской документации данных гистологического исследования.

Описание вмешательства

Всем пациентам в дооперационном периоде выполнено МРТ органов малого таза с внутривенным контрастированием по стандартному протоколу на томографах Siemens Magnetom Avanto 1.5 T (Simens Healthineers, Германия), Siemens Magnetom Aera 1.5 Т (Simens Healthineers, Германия), GE Signa HDxt 3.0 T (GE Healthcare, США). Карты измеряемого коэффициента диффузии (apparent diffusion coefficient, ADC) построены автоматически на основе высокого b-фактора (800/1000 c/мм) диффузионно-взвешенных изображений (diffusion-weighted images, DWI).

Выполняли анализ клинико-инструментальных данных и текстурный анализ. Перечень анализируемых клинико-инструментальных переменных включал возраст, пол, степень дифференцировки опухоли и вовлечённость мышечного слоя по данным гистологического заключения, категория VI-RADS (Vesicle Imaging and Data Reporting System).

Для вычисления текстурных показателей применяли программное обеспечение LIFEx (version 7.4.0, 7.5.5; [8]. Сегментация изображений проводилась одним врачом-рентгенологом с опытом визуализации 4 года. При

ОРИГИНАЛЬНОЕ ИССЛЕДОВАНИЕ

с

иническая эактика

Том 17 № 2

наличии нескольких образований сегментировалось наиболее крупное. Для всех изображений применена предварительная обработка, заключающаяся в использовании заданного размера вок-селя 1 x 1 x 1 мм. Выполнялась ручная сегментация трёх импульсных последовательностей (Т2-взве-шенные изображения, Т2-WI; DWI с b-фактором 800/1000 c/мм²; ADC) с использованием как двухмерной области интереса (two-dimensional iterative region-of-interest, 2D ROI) на срезе, соответствующей максимальному размеру опухоли, так и трёхмерной (three-dimensional iterative region-of-interest, 3D ROI) области интереса.

Среди Т2-WI для сегментации нами выбрана серия в сагиттальной реконструкции. DWI и ADC последовательности стандартно были представлены аксиальными сканами, при этом при сегментации проводили копирование области интереса с одной последовательности на другую с последующей ручной коррекцией в случае неточностей совпадения. Контроль качества включал визуальную проверку соответствия ROI границам опухоли на всех последовательностях после копирования и коррекции. Применялись предусмотренные по умолчанию в программном обеспечении настройки извлечения текстурных параметров для 2D ROI и 3D ROI. После сегментации для каждой импульсной последовательности рассчитывали по 147 текстурных показателей. Суммарно проанализировано 246 импульсных последовательностей.

Исходы исследования

Основной исход исследования: определение ра-диомических показателей, позволяющих отграничить пациентов с высоко-/умеренно дифференцированным (G1/2) и низкодифференцированным (G3) раком мочевого пузыря.

Дополнительные исходы исследования: поиск оптимального режима сегментации МР-изображе-ний и оптимального алгоритма для построения модели прогнозирования степени дифференцировки рака мочевого пузыря на основе текстурных показателей-предикторов.

Методы регистрации исходов. Анализ протоколов МРТ, текстурный анализ, анализ данных гистологических заключений.

Статистические процедуры

Методы статистической обработки. Статистическую обработку результатов проводили с исполь- зованием языка программирования Python (v. 3.12, Python Software Foundation, . Результаты абсолютных величин представлены в виде медианы с указанием интерквартильного размаха (Ме [Q1; Q3], где Ме — медиана; Q1, Q3 — 1-й и 3-й квартили), относительных — на 100 обследованных, в процентах. Сравнение данных двух групп проводили с помощью критерия Манна–Уитни для абсолютных величин, критерия х2 — для относительных величин. Статистически значимыми считали различия при p ≤0,05.

Для реализации цели исследования данные 95 пациентов были разделены случайным образом на обучающую и тестовую выборки в соотношении 80:20. Селекция возможных текстурных предикторов степени дифференцировки осуществлялась в несколько последовательных этапов. Первично данные текстурного анализа были стандартизированы. Далее была применена однофакторная логистическая регрессия для выявления переменных, значимо влияющих на исход. На третьем этапе для отбора наиболее статистически значимых признаков, совместно влияющих на исход, был применён метод LASSO-регрессии; на четвёртом этапе для построения модели предсказания наличия/отсут-ствия исхода — алгоритм машинного обучения, позволяющий построить легко интерпретируемую (открытую) модель — многофакторную логистическую регрессию (Multiple Logistic Regression, MLR). Применены также следующие алгоритмы машинного обучения, позволяющие построить закрытые модели: Extra Trees, KNN, Random Forest, XGBoost и LightXGB. На последнем этапе построенные модели были протестированы с использованием независимого тестового набора. Для оценки качества построенных моделей применяли следующие метрики качества на обучающей и тестовой выборках: точность, чувствительность, специфичность и ROC-AUC, где ROC (Receiver Operating Characteristic) — рабочая характеристика приёмника; AUC (Area Under the Curve) — площадь под кривой. Метрики были рассчитаны с 95% доверительными интервалами (95% ДИ), каждый из которых рассчитывался методом бутстреп (bootstrap) при выборке 1000 экземпляров. Для максимизации чувствительности и специфичности было рассчитано пороговое значение для определения наличия/отсутствия изучаемого исхода. В исследовании использован также многомодельный анализ значений SHAP для изучения важности вклада признаков.

РЕЗУЛЬТАТЫ

Формирование выборки

Последовательность формирования выборки исследования представлена на рис. 1.

Характеристики выборки

Ретроспективно проанализированы данные

98 пациентов с морфологически верифицирован-

Рис. 1. Последовательность формирования выборки исследования. РМП — рак мочевого пузыря; МРТ — магнитно-резонансная томография.

ным диагнозом РМП (уротелиальная карцинома). В исследование включены данные 95 пациентов, из них мужчин 73 (76,8%), женщин — 22 (23,2%); в 3 случаях степень дифференцировки опухоли по результатам гистологического исследования не определена. Средний возраст участников исследования составил 68,4 [61,0; 75,7] года.

В соответствии с результатами гистологического исследования, высокая (G1) и умеренная (G2) степени дифференцировки опухоли отмечались у 56 (58,9%) пациентов, низкая степень дифференцировки (G3) опухоли (высокая степень злокачественности) — у 39 (41,1%). В 90 (94,7%) случаях трансуретральная резекция выполнена не позднее 1 месяца после МРТ, в 5 (5,3%) — в сроки от 1 до 3,5 месяца. Клинико-инструментальная характеристика пациентов представлена в табл. 1.

Основные результаты исследования

Результаты анализа клиникоинструментальных данных

Возрастные и гендерные характеристики не имели существенных особенностей, однако по ряду признаков получены статистически значимые (p ≤0,05) различия. Так, среди опухолей низкой степени дифференцировки (G3) чаще регистрировалась инвазия мышечного слоя, чем при опухолях высокой (G1) и умеренной (G2) степени дифференцировки (p=0,025). Аналогичные стати- стически значимые различия получены при оценке категории VI-RADS: в группе опухолей низкой степени дифференцировки (G3) у 39,5% пациентов по

Таблица 1

Клинико-инструментальная характеристика пациентов в зависимости от степени дифференцировки опухоли

Показатели		Все обследованные n =95 (%)	Группа G1/2 n =56 (%)	Группа G3 n =39 (%)	p
Пол	мужской	73 (76,8)	40 (71,4)	31 (79,5)	>0,05
	женский	22 (23,2)	16 (28,6)	8 (20,5)	>0,05
Возраст, лет		68,4 [61,0; 75,7]	69,0 [61,0; 76,0]	69,0 [61,0; 76,0]	>0,05
Критерий инвазии в мышечный слой n =81	МИРМП	21 (25,9)	6 (12,2)	15 (46,9)	0,025
	НМИРМП	60 (74,1)	43 (87,8)	17 (53,1)	0,025
VI-RADS n =94	VI-RADS (1/2/3)	70 (74,4)	47 (83,9)	23 (60,5)	0,03
	VI-RADS 4-5	24 (25,6)	9 (16,1)	15 (39,5)	0,03

Примечание . Здесь и в табл. 2: МИРПМ — мышечно-инвазивный рак мочевого пузыря; НМИРМП — немышечно-ин-вазивный рак мочевого пузыря; VI-RADS — категория по унифицированной шкале по данным магнитно-резонансной томографии, G1/2, G3 — высоко-/умеренно, низкодифференцированная опухоль.

данным МРТ была высокая вероятность инвазии мышечного слоя (VI-RADS 4-5).

Результаты оценки возможностей

2D-текстурного анализа в предикции степени дифференцировки РМП

2D-текстурный анализ МР-томограмм выявил существенные различия двух групп обследованных — с высокой (G1) / умеренной (G2) и низкой (G3) степенью дифференцировки опухоли. Статистически значимые различия ( p ≤0,05) касались 65 показателей (16,2% всех анализируемых показателей), в том числе 20 показателей, определяемых в Т2-WI последовательности (30,8% в структуре статистически значимых), 19 (29,2%) показателей в DWI последовательности, 65 (40%) — в ADC последовательности.

Следующим этапом было проведение многофакторного анализа после разделения обследованных случайным образом на обучающую ( n =76) и тестовую ( n =19) выборки (табл. 2). Выборки статистически значимо не различались между собой, что говорит об их сопоставимости.

Табл. 3 отражает сравнительные характеристики метрик оценки качества различных прогностических моделей. Основываясь на метриках качества, наиболее релевантной оказалась модель экстремального градиентного бустинга XGBoost.

По данным 2D-текстурного анализа в модель XGBoost вошло 40 текстурных показателей, среди которых 12 показателей определялось в Т2-WI последовательности, по 14 — в DWI и ADC последовательностях. Следует отметить, что 80,0% текстурных переменных относились к показателям первого

Таблица 2

Сравнительная характеристика обучающей и тестовой выборок

Показатели		Все обследованные n =95 (%)	Обучающая выборка n =76 (%)	Тестовая выборка n =19 (%)	p
Степень	G1/2	56 (58,9)	42 (55,3)	14 (73,4)	>0,05
дифференцировки	G3	39 (41,1)	34 (44,7)	5 (26,6)	>0,05
Критерий мышечной	МИРМП	60 (74,1)	46 (74,2)	14 (73,6)	>0,05
инвазии ( n =81)	НМИРМП	21 (25,9)	16 (25,8)	5 (26,4)	>0,05
VI-RADS ( n =94)	VI-RADS (1/2/3)	70 (74,4)	57 (75)	13 (68,4)	>0,05
	VI-RADS 4-5	24 (25,6)	18 (25)	6 (31,6)	>0,05

Таблица 3

Сравнительная характеристика метрик оценки качества различных прогностических 2D-моделей степени дифференцировки рака мочевого пузыря

Модели	ROC-AUC	Точность	Чувствительность	Специфичность
LASSO	70,0% [44,1; 94,1]	57,9% [36,8; 73,7]	80,0% [50,0; 100,0]	50,0% [28,6; 71,4]
LASSO-AutoML	78,6% [60,3; 95,6]	52,6% [31,6; 73,7]	100,0% [100,0; 100,0]	35,7% [14,3; 58,3]
ET	82,1% [60,0; 100,0]	63,2% [42,1; 84,2]	80,0% [40,0; 100,0]	57,1% [35,3; 81,2]
KNN	75,7% [54,2; 94,3]	73,7% [57,9; 89,5]	40,0% [0,0; 80,0]	85,7% [69,2; 100,0]
RF	82,9% [61,1; 100,0]	57,9% [36,8; 78,9]	80,0% [40,0; 100,0]	50,0% [28,6; 75,0]
XGB	72,9% [39,7; 96,9]	78,9% [63,2; 94,7]	80,0% [40,0; 100,0]	78,6% [60,0; 100,0]
LightXGB	77,1% [56,7; 95,8]	68,4% [52,6; 84,2]	80,0% [40,0; 100,0]	64,3% [43,8; 85,7]

Примечание . Здесь и в табл. 4: ET — модель «дополнительных деревьев»; KNN — модель «K-ближайших соседей»; RF — модель «случайный лес»; XGB — модель экстремального градиентного бустинга; LightXGB — модель облегчённого градиентного бустинга.

порядка и характеристикам формы, 20,0% являлись показателями второго порядка (Приложение 1).

Определены три 2D-текстурных параметра, встречающихся во всех множествах (моделях): ADC_2D_INTENSITY_BASED_25thIntensityPercentile (значения уровня серого 25-го эмпирического перцентиля при распределении значений уровня серого в заданной области интереса); DWI_2D_ MORPHOLOGIC-AL_MaxIntensityCoor (координата максимальной интенсивности); ADC_2D_NGTDM_ Coarseness (определяет «грубость» — сумму различий между уровнем серого пикселей/вокселей и средним уровнем серого соседних пикселей/вок-селей и, таким образом, отражает пространственную скорость изменения интенсивности серого). Признаки, выявленные всеми алгоритмами отбора, получены из ADC и DWI последовательностей, что подчёркивает важность их применения в прогнозировании степени дифференцировки опухоли.

Следующим этапом выполнен SHAP-анализ для повышения объяснимости модели и оценки важности вклада радиомических признаков в исход события (Приложение 2). Если коэффициенты модели описывают глобальную важность признаков, то SHAP-значения количественно определяют вклад отдельных признаков в прогноз и подтверждают согласованность глобального ранжирования признаков. Все переменные показаны в порядке глобальной важности, из них первая — наиболее важная. Каждая точка на горизонтальной оси — отдельный прогноз в выборке. Расположение по оси Х меньше или больше нуля показывает, увеличивает или уменьшает прогноз признак относительно среднего по выборке: чем дальше от нуля, тем больше влияние признака на конкретное предсказание. Разброс точек по горизонтальной оси показывает вариабельность влияния признака на прогноз. Цветовая вертикальная ось, проходящая от синего к красному, отражает значение признака от низкого до высокого. Например, признак ADC_2D_INTENSITY_BASED_MeanIntensity содержит множество красных точек на отрицательной стороне значений SHAP и множество синих точек на положительной стороне значений SHAP: это указывает на то, что высокие значения данной переменной имеют высокий отрицательный вклад в прогноз, в то время как низкие значения имеют высокий положительный вклад в прогноз. В свою очередь, признаки ADC_2D_INTENSITY_ BASED_25thIntensityPercentile содержали наибольшее количество синих точек на положительной сто- роне: это означает, что эти признаки внесли вклад в конечный результат при низких значениях. Среди представленных 23 наиболее важных текстурных признаков 18 относились к ADC и DWI последовательностям (см. Приложение 2).

В ходе исследования на основании разработанной прогностической формулы определён радиоми-ческий профиль (Rad-score) индивидуально каждого обследованного нами пациента. Распределение радиомических оценок по каждому клиническому случаю представлено в виде каскадных диаграмм. Определено значение точки отсечения (cut-off), равное 0,45. Если вероятность прогнозирования результата <0,45, то опухоль G1/2, если ≥0,45 — G3 (Приложение 3). Полученная модель была хорошего качества (70–80%), так как ROC-AUC составляет на тестовой выборке 72,9%. Cоставлена матрица путаницы (Приложение 4). Графики демонстрируют, что на обучающей выборке зарегистрирован один ложно интерпретируемый результат (один зелёный столбец располагается ниже точки отсечения cut off 0,45). В свою очередь, на тестовой выборке модель неверно предсказала прогноз в 4 случаях.

Результаты оценки возможностей 3D-текстурного анализа в предикции степени дифференцировки при РМП 3D-текстурный анализ МР-томограмм выявил существенные различия двух групп обследованных — с высокой (G1) / умеренной (G2) и низкой (G3) степенью дифференцировки опухоли. Статистически значимые различия ( p ≤0,05) касались 97 показателей (24,3% всех анализируемых показателей), в том числе 36 показателей, определяемых в Т2-WI последовательности (37,1% в структуре статистически значимых), 30 (30,9%) показателей в DWI последовательности, 31 (32,0%) — в ADC последовательности.

Резюмируя эти данные, нами сделан предварительный вывод о высокой информативности текстурного анализа МРТ в предсказании степени дифференцировки опухоли.

Следующим этапом проведён многофакторный анализ после разделения обследованных случайным образом на обучающую ( n =76) и тестовую ( n =19) выборки (см. табл. 2). Выборки статистически значимо не различались между собой, что говорит об их сопоставимости.

Табл. 4 отражает сравнительные характеристики метрик оценки качества различных прогностических моделей. Основываясь на метриках

Таблица 4

Сравнительная характеристика метрик оценки качества различных прогностических 3D-моделей степени дифференцировки рака мочевого пузыря

Модели	ROC-AUC	Точность	Чувствительность	Специфичность
LASSO	72,9% [51,4; 93,3]	57,9% [36,8; 78,9]	80,0% [40,0; 100,0]	50,0% [27,3; 73,3
LASSO-AutoML	81,4% [62,9; 97,4]	63,2% [47,4; 78,9]	100,0% [100,0; 100,0]	50,0% [28,6; 72,7]
ET	75,7% [52,9; 95,8]	52,6% [36,8; 73,7]	80,0% [40,0; 100,0]	42,9% [21,4; 66,7]
KNN	90,0% [75,6; 100,0]	73,7% [57,9; 89,5]	20,0% [0,0; 57,1]	92,9% [78,6; 100,0]
RF	85,7% [67,6; 100,0]	68,4% [52,6; 84,2]	80,0% [40,0; 100,0]	64,3% [43,8; 85,7]
XGB	82,9% [59,4; 100,0]	78,9% [63,2; 94,7]	80,0% [40,0; 100,0]	78,6% [58,8; 94,1]
LightXGB	77,1% [56,7; 95,8]	68,4% [52,6; 84,2]	80,0% [40,0; 100,0]	64,3% [43,8; 85,7]

качества, нами сделан вывод о том, что наиболее релевантной оказалась модель экстремального градиентного бустинга XGBoost.

В модель XGBoost вошло 23 текстурных показателя, среди которых 10 показателей определялись в Т2-WI последовательности, 2 — в DWI, 11 — в ADC. Следует отметить, что 69,6% текстурных переменных относились к показателям первого порядка и характеристикам формы, остальные — к показателям второго порядка (Приложение 5).

Переменной, встречающейся во всех множествах (моделях), явился показатель T2_3D_ INTENSITY_HISTOGRAM_AreaUnderCurveCIVH (Area under the curve of cumulative intensity volume histogram), описывающий взаимосвязь между дискретизированным уровнем серого и долей области интереса, содержащей данный уровень серого.

Определено значение точки отсечения (cut-off), равное 0,45. Если вероятность прогнозирования результата <0,45, то опухоль G1/2, если ≥0,45 — G3. Полученная модель очень хорошего качества (80–90%), так как ROC-AUС составляет на тестовой выборке 82,9%. В ходе исследования на основании разработанной прогностической формулы определён радиомический профиль (Rad-score) индивидуально для каждого обследованного нами пациента (Приложение 6) и составлена матрица путаницы (Приложение 7). При установленной точке отсечения (cut-off) 0,45 количество корректно прогнозируемых исходов моделью достигло 98,9% и 78,9% в обучающей и тестовой выборках соответственно.

ОБСУЖДЕНИЕ

Резюме результатов исследования

На основе анализа базовых метрик качества прогностических моделей наилучшие дискрими-нативные показатели выявлены в модели с градиентным усилением XGBoost. Модель XGBoost относится к группе ансамблевых регрессионных моделей, реализуется путём технологии градиентного бустинга и активно используется в качестве метода построения прогностических моделей, в том числе в направлении текстурного анализа [9]. Градиентный бустинг — технология машинного обучения, которая строит модель предсказания в форме ансамбля деревьев решений. Обучение ансамбля проводится не параллельно, а последовательно [10]. Сначала на всех имеющихся данных обучается первая модель ансамбля (tree 1), затем эта модель тестируется на тестовой выборке данных для выявления ошибок в её работе. Зафиксированные ошибки в работе tree 1 используются для обучения следующей модели в ансамбле — tree 2. Целью обучения модели tree 2 является компенсация ошибок модели tree 1. Далее ошибки предыдущей модели используются для обучения последующей. Таким образом, каждая следующая модель, добавляемая в ансамбль, призвана компенсировать ошибки, возникающие на предыдущих этапах.

Интерпретация результатов исследования

В нашем исследовании сравнение 2D и 3D прогностических моделей XGBoost, построенных по результатам текстурного анализа, показало хорошие

kV ГА

предиктивные возможности каждой их них, однако некоторым преимуществом обладала 3D-радиоми-ческая модель, поскольку при сопоставимых показателях точности, чувствительности и специфичности ROC-AUC 3D-модели достигло 82,9% против 72,9% модели 2D. Кроме того, для 3D-модели показаны меньшее количество текстурных переменных и менее громоздкая формула прогноза, что удобно для применения в клинической практике, однако недостатком 3D-модели является более долгий и трудоёмкий процесс сегментации изображений.

Мы показали, что соотношение текстурных предикторов различается между 2D- и 3D-моделями. В 2D-модели доминировали (79,5%) текстурные параметры второго порядка, отражающие пространственные взаимосвязи между пикселями на одном срезе. В отличие от этого в 3D-модели большинство текстурных предикторов (69,6%) составили параметры первого порядка, описывающие глобальное распределение интенсивностей вокселей в объёме всей опухоли. По нашему мнению, это различие позволяет предположить, что 2D-сегментация лучше подходит для анализа сложных пространственных паттернов на конкретном срезе, в то время как 3D-сегментация более чувствительна к общим гистограммным характеристикам всего объёма новообразования. Также можно сделать вывод, что применение обоих методов сегментации позволяет обеспечить более полную и многомерную характеристику текстурной картины, связанной со степенью дифференцировки опухоли. Следует отметить, что подобные разноречивые сведения были получены и в ряде ранее опубликованных работ [11–14].

В своей работе мы не включали в оценку пороговые значения ADC, основываясь на том, что данные величины не являются унифицированными и значительно варьируют в зависимости от оборудования [15, 16], также мы не интегрировали клинико-инструментальные параметры в прогностические модели.

При проведении текстурного анализа, основываясь на результатах коллег [17, 18], мы огра- ничились мультипараметрическим анализом и не ставили целью сравнение прогностического потенциала моделей по отдельным импульсным последовательностям. Данные нашего исследования сопоставимы с опубликованными ранее результатами о значимости вклада текстурных показателей ADC-последовательности в разграничение опухолей низкой и высокой степени дифференцировки [12, 14, 18], а также с данными по дискриминатив-ным характеристикам [17, 18].

Применение текстурного анализа, по нашему мнению, не отменяет необходимость гистологического исследования, однако может служить вспомогательным инструментом для стратификации пациентов на дооперационном этапе при ограниченных возможностях инвазивной диагностики. Можно предположить, что текстурный анализ степени дифференцировки опухоли в будущем позволит перейти к более персонализированной тактике ведения пациентов.

Ограничения исследования

Ограничением исследования является его ретроспективный характер, не исключающий возможность систематической ошибки выбора.

МР-изображения, включённые в исследование, выполнены в разных центрах на различных томографах, что не исключает вероятность влияния различных технических параметров на исход исследования.

Относительно небольшой размер выборки, особенно тестовой, мог повлиять на стабильность оценок метрик моделей. С целью стандартизации исследований была применена только нормализация размеров вокселя: мы не использовали различные фильтры и ограничения шкал уровней серого. Отсутствие внешней валидации на независимой когорте пациентов из другого центра может ограничивать обобщаемость наших результатов. Текстурному анализу подвергалась лишь опухоль, однако дополнительный интерес может представлять также анализ структуры нормальной стенки и прилежащей клетчатки. Сегментация изображений одним врачом-рентгенологом не позволяет оценить межоператорскую согласованность.

ЗАКЛЮЧЕНИЕ

Текстурный анализ МРТ может применяться для решения задачи классификации РМП по степени дифференцировки, а применение алгоритма градиентного бустинга XGBoost позволяет добиться наи- лучших предиктивных качеств прогностических моделей. Установленный факт различия соотношения категорий текстурных предикторов в 2D и 3D прогностических моделях при их сопоставимой и высокой точности имеет важное методологическое значение, демонстрирует взаимодополняемость двух подходов к сегментации изображений и доказывает, что один и тот же диагностический результат может быть достигнут за счёт анализа разных аспектов текстурной гетерогенности опухоли.

ДОПОЛНИТЕЛЬНАЯ ИНФОРМАЦИЯ

Приложение 1. Коэффициенты для 2D-пре-дикторных переменных на основе модели XGBoost.

Приложение 2. SHAP-анализ. Графически представлены данные 23 наиболее важных 2D-текстурных параметров, степень вклада которых убывает сверху вниз.

эактика

Оригинальность. При проведении исследования и создании настоящей работы авторы не использовали ранее опубликованные сведения (текст, иллюстрации, данные).

Доступ к данным. Редакционная политика в отношении совместного использования данных к настоящей работе неприменима, данные могут быть опубликованы в открытом доступе.

Генеративный искусственный интеллект. При создании настоящей статьи технологии генеративного искусственного интеллекта не использовали.

ADDITIONAL INFORMATION

Supplement 1. Selected 2D-radiomics features and their coefficients. The values of the coefficients are used to make the prediction formula.

Приложение 4 Матрица путаницы 2D-радио-мической прогностической модели XGBoost на обучающей и тестовой выборках . Истинные и прогнозируемые классификации подтипов показаны на вертикальной и горизонтальной осях соответственно.

Supplement 2. SHAP-analysis. Graphical representation of the 23 most important 2D-texture features, whose contribution is reduced from top to bottom.

Supplement 3. 2D radiomic profile of patients in the training (A) and test (B) sets.

Приложение 7. Матрица путаницы 3D-радио-мической прогностической модели XGBoost на обучающей и тестовой выборках . Истинные и прогнозируемые классификации подтипов показаны на вертикальной и горизонтальной осях соответственно.

Вклад авторов. А.А. Коваленко — определение концепции исследования, работа с данными, анализ данных, проведение исследования, написание черновика рукописи; В.Е. Синицын — определение концепции исследования, руководство исследованием, пересмотр и редактирование рукописи; В.С. Петровичев — проведение исследования, пересмотр и редактирование рукописи. Все авторы одобрили рукопись (версию для публикации), а также согласились нести ответственность за все аспекты работы, гарантируя надлежащее рассмотрение и решение вопросов, связанных с точностью и добросовестностью любой её части.

Этическая экспертиза. Проведение исследования одобрено независимым этическим комитетом Национального медицинского исследовательского центра «Лечебно-реабилитационный центр» (протокол № 086 от 16.09.2025). Все пациенты до включения в исследование добровольно подписали форму информированного согласия на проведение МРТ в рамках обычной клинической практики.

Источники финансирования. Исследование и публикации статьи осуществлены на личные средства авторского коллектива.

Раскрытие интересов. Авторы подтвердили отсутствие конфликта интересов, связанных с публикацией настоящей статьи.

Supplement 4. Confusion matrix for the 2D radiomic XGBoost predictive model on training and test sets. The actual and predicted subtype classifications are shown on the vertical and horizontal axes, respectively.

Supplement 6. 3D radiomic profile of patients in the training (A) and test (B) sets.

Supplement 7. Confusion matrix for the 3D radiomic XGBoost predictive model on training and test sets. The actual and predicted subtype classifications are shown on the vertical and horizontal axes, respectively.

Author contributions: А.А. Kovalenko , general concept, search and analytical work, writing the text of the article; V.E. Sinitsyn , general concept, editing the text; V.S. Petrovichev , search and analytical work, editing the text. Thereby, all authors provided approval of the version to be published and agree to be accountable for all aspects of the work in ensuring that questions related to the accuracy or integrity of any part of the work are appropriately investigated and resolved.

Ethics approval: The research protocol was approved by the Ethics Committee at the National Medical Research Centre “Treatment and Rehabilitation Centre” (extract from Protocol No. 086 dated 16.09.2025). All the study participants voluntarily signed an informed consent form before MRI.

Funding source: The study had no sponsorship.

Disclosure of interests: The authors declare that they have no competing interests.

Statement of originality: The authors did not utilize previously published information (text, illustrations, data) in conducting the research and creating this paper..

Data availability statement: The editorial policy regarding data sharing does not apply to this work, data can be published as open access.

Generative AI: Generative AI technologies were not used for this article creation.