КТ-радиомический анализ различных моделей машинного обучения для дифференциации стратификации риска феохромоцитомы и параганглиомы: многоцентровое исследование

Обоснование и цели: с помощью различных моделей машинного обучения на основе КТ-радиомики планировалось интегрировать клинико-рентгенологические признаки для дифференциации стратификации риска феохромоцитом и параганглиом (PPGL).

Материалы и методы: В исследование включили 201 пациента с PPGL из трёх больниц (обучающая выборка: n = 125; внешняя валидационная выборка: n = 45; внешняя тестовая выборка: n = 31). Пациентов разделили на группы низкого и высокого риска с использованием системы стадирования для надпочечниковой феохромоцитомы и параганглиомы (GAPP). Были извлечены и отобраны КТ-радиомические признаки, после чего построены радиомические модели с использованием метода опорных векторов (SVM), метода k ближайших соседей, случайных лесов и многослойного персептрона. После выбора оптимальной радиомической модели по анализу ROC-кривых была построена комбинированная модель на основе результата оптимальной радиомической модели и клинико-рентгенологических признаков; её точность и клиническую применимость оценивали с помощью калибровочных кривых и анализа кривой клинического решения (DCA).

Результаты: В итоге для построения моделей машинного обучения отобрали 13 радиомических признаков. В радиомической модели модель SVM продемонстрировала более высокие точность и стабильность: значение AUC составило 0,915 в обучающей выборке, 0,846 во внешней валидационной выборке и 0,857 во внешней тестовой выборке. При объединении результатов модели SVM с двумя клинико-рентгенологическими признаками построенная комбинированная модель показала оптимальную способность к стратификации риска при PPGL: AUC составило 0,926 в обучающей выборке, 0,883 во внешней валидационной выборке и 0,899 во внешней тестовой выборке. Калибровочная кривая и DCA показали хорошую калибровку и клиническую эффективность комбинированной модели.

Вывод: Комбинированная модель, объединяющая радиомические и клинико-рентгенологические признаки, позволяет дифференцировать стратификацию риска при PPGL.