Машинное обучение для дифференциации липид-бедной аденомы надпочечника и субклинической феохромоцитомы на основе радиомики мультифазной компьютерной томографии

Введение: Существует немного исследований, посвящённых применению методов машинного обучения для различения липид-бедной аденомы надпочечника (LPA) и субклинической феохромоцитомы (sPHEO) на основе радиомических признаков, извлечённых из нативных и динамических контрастированных КТ-сканов живота.

Методы: Проведён ретроспективный анализ мультифазных спиральных КТ-исследований, включая нативную, артериальную, венозную и отсроченную фазы, а также изображения с тонким и толстым срезом у 134 пациентов с хирургически и морфологически подтверждённым диагнозом. 52 пациента с LPA и 44 пациента с sPHEO были случайным образом распределены в обучающую и тестовую выборки в соотношении 7:3. Кроме того, валидационная выборка включала 22 случая LPA и 16 случаев sPHEO из двух других больниц. Для сегментации опухолей и извлечения радиомических признаков использовали 3D Slicer и PyRadiomics соответственно. Затем применяли t-критерий и метод наименьшего абсолютного сжатия и отбора (LASSO) для выбора признаков. Для дифференциации LPA и sPHEO использовали шесть бинарных классификаторов, включая метод k ближайших соседей (KNN), логистическую регрессию (LR), дерево решений (DT), случайный лес (RF), метод опорных векторов (SVM) и многослойный перцептрон (MLP). ROC-кривые и площадь под кривой (AUC) сравнивали методом ДеЛонга.

Результаты: Все шесть классификаторов показали хорошую диагностическую эффективность для каждой фазы и толщины среза, а также для всех данных КТ в целом, при значениях AUC от 0,706 до 1. Плотность LPA на нативной КТ была значительно ниже, чем у sPHEO (P < 0,001). Однако при использовании оптимального порога для плотности на нативной КТ чувствительность составила лишь 0,743, специфичность — 0,744, AUC — 0,828. Для отсроченной фазы КТ чувствительность составила 0,971, специфичность — 0,641, AUC — 0,814. В радиомике значения AUC для тестовой выборки при анализе нативных КТ-изображений составили: KNN — 0,919, LR — 0,979, DT — 0,835, RF — 0,967, SVM — 0,979 и MLP — 0,981. Валидационная выборка показала следующие значения AUC: KNN — 0,891, LR — 0,974, DT — 0,891, RF — 0,964, SVM — 0,949 и MLP — 0,979.

Выводы: Модель машинного обучения на основе радиомики КТ позволяет точно дифференцировать LPA и sPHEO, даже при использовании только нативных КТ-данных, что делает контрастное усиление КТ ненужным для диагностики LPA и sPHEO.