Уразов Александр Викторович – ассистент кафедры онкологии и рентгенорадиологии им. В.П. Харченко МИ ФГАОУ ВО “Российский университет дружбы народов имени Патриса Лумумбы” Минобрнауки России, Москваhttps://orcid.org/0009-0004-8226-2449
Aleksandr V. Urazov – Assistant Professor, Department of Oncology and Roentgenology named after V.P. Kharchenko, Peoples' Friendship University of Russia named after Patrice Lumumba (RUDN University), Moscow
Аксенова Светлана Павловна – канд. мед. наук, научный сотрудник лаборатории рентгенорадиологии научно-исследовательского отдела комплексной диагностики заболеваний и радиотерапии ФГБУ “Российский научный центр рентгенорадиологии” Минздрава России; ассистент кафедры онкологии и рентгенорадиологии им. В.П. Харченко ФГАОУ ВО “Российский университет дружбы народов имени Патриса Лумумбы” Минобрнауки России, Москва
Svetlana P. Aksenova – Cand. of Sci. (Med.), research fellow, Russian Scientific Center of Roentgenoradiology of the Ministry of Healthcare of the Russian Federation; Assistant Professor, Department of Oncology and Roentgenology named after V.P. Kharchenko, Peoples' Friendship University of Russia named after Patrice Lumumba (RUDN University), Moscow
Нуднов Николай Васильевич – доктор мед. наук, профессор, заместитель директора по научной работе, заведующий научно-исследовательским отделом комплексной диагностики заболеваний и радиотерапии ФГБУ “Российский научный центр рентгенорадиологии” Минздрава России;профессор кафедры рентгенологии и радиологии ФГБОУ ДПО “Российская медицинская академия непрерывного профессионального образования” Минздрава России;профессор кафедры онкологии и рентгенорадиологии им. В.П. Харченко ФГАОУ ВО “Российский университет дружбы народов имени Патриса Лумумбы” Минобрнауки России, Москва
Nikolay V. Nudnov – Doct. of Sci. (Med.), Professor, Deputy Director for Scientific Work, Head of the Research Department for Complex Diagnostics of Diseases and Radiotherapy, Russian Scientific Center of Roentgenoradiology of the Ministry of Healthcare of the Russian Federation;
Professor, Department of Roentgenoradiology and Radiology, Russian Medical Academy of Continuous Professional Education of the Ministry of Healthcare of the Russian Federation;Professor, Department of Oncology and Radiology, Peoples' Friendship University of Russia named after Patrice Lumumba of the Ministry of Science and Higher Education of the Russian Federation, Moscow
Харченко Наталья Владимировна – доктор мед. наук, профессор, профессор кафедры онкологии и рентгенорадиологии им. В.П. Харченко ФГАОУ ВО “Российский университет дружбы народов имени Патриса Лумумбы” Минобрнауки России, Москва
Natalia V. Kharchenko – Doct. of Sci. (Med.), Professor, professor of the Department of Oncology and Roentgenology named after V.P. Kharchenko, Peoples' Friendship University of Russia named after Patrice Lumumba (RUDN University), Moscow
Сергеев Николай Иванович – доктор мед. наук, заведующий лабораторией рентгенорадиологии научно-исследовательского отдела комплексной диагностики заболеваний и радиотерапии ФГБУ “Российский научный центр рентгенорадиологии” Минздрава России, Москва
Nikolay I. Sergeev – Doct. of Sci. (Med.), Head of the Laboratory of X-ray Radiology of the Research Department of Complex Diagnostics of Diseases and Radiotherapy of the Russian Scientific Center of Roentgenoradiology of the Ministry of Healthcare of the Russian Federation, Moscow
Дооперационная диагностика липом и атипичных липоматозных опухолей (ALT) конечностей остается актуальной клинической проблемой. При стандартной МРТ-оценке эти новообразования имеют сходные визуальные характеристики, что затрудняет постановку точного диагноза и может приводить к неправильной тактике лечения. В отличие от доброкачественных липом, ALT обладают потенциалом локального рецидивирования и требуют более радикального иссечения.
Современные подходы, основанные на радиомике и машинном обучении, позволяют извлекать из стандартных МР-последовательностей количественные признаки, отражающие микроструктурные особенности тканей, что открывает возможности для неинвазивной верификации диагноза.
Цель исследования: создать и провести сравнительный анализ диагностической эффективности моделей машинного обучения (LASSO и Random Forest), построенных на основе клинико-семиотических и радиомических признаков бесконтрастной МРТ (Т1- и Т2-ВИ), для дифференциальной диагностики липом и атипичных липоматозных опухолей (ALT) конечностей.
Материал и методы. Исследование является мультицентровым и ретроспективным. Включены данные 61 пациента с гистологически верифицированными липомами и атипичными липоматозными опухолями (ALT) конечностей. Проведена сегментация образований на бесконтрастных Т1- и Т2-ВИ с извлечением радиомических признаков (n = 221) и оценкой клинико-семиотических параметров. Набор данных разделен на обучающую (80%) и тестовую (20%) выборки. Построены прогностические модели с использованием LASSO-логистической регрессии (кросс-валидация по 10 фолдам) и случайного леса (Random Forest, подбор гиперпараметров сеточным поиском). Эффективность моделей оценена по Accuracy, ROC-AUC, чувствительности, специфичности, Precision и F1-мере. Сравнение выполнено с применением теста Макнемара, теста Делонга и бутстрап-анализа (1000 итераций). Статистически значимыми считали различия при p < 0,05.
Результаты. На тестовой выборке LASSO-логистическая регрессия достигла ROC-AUC 0,889 (95% ДИ 0,694–1,000) и точности 0,692 (95% ДИ 0,434–0,950); чувствительность составила 0,250, специфичность – 0,889, F1-мера (F1-Score) – 0,333. Случайный лес показал ROC-AUC 0,833 (95% ДИ 0,533–1,000) при точности 0,692 (95% ДИ 0,440–0,944); чувствительность и F1-мера (F1-Score) составили 0,000 при специфичности 1,000.
При сравнении моделей с помощью теста Макнемара статистически значимых различий не выявлено (p = 1,000). Согласно тесту Делонга, различия в значениях ROC-AUC также не достигли статистической значимости (p = 0,771). Бутстрап-анализ (1000 итераций) подтвердил стабильность показателей: для LASSO средняя ROC-AUC составила 0,892 ± 0,101, точность – 0,691 ± 0,131, для случайного леса – 0,832 ± 0,153 и 0,685 ± 0,125 соответственно.
LASSO-регрессия отобрала 12 наиболее значимых признаков, включающих семиотические характеристики (“гиперинтенсивный сигнал с FS”, “расположение относительно компартментов”, “форма”, “количество перегородок”, “наличие солидной ткани”, “толщина перегородок”) и радиомические параметры (Coarseness, Maximum2DDiameterColumn, VoxelVolume, ShortRunLowGrayLevelEmphasis.1, MeshVolume, Maximum2DDiameterColumn.1).
Заключение. В данном исследовании LASSO-логистическая регрессия и случайный лес, построенные на основе клинико-семиотических и радиомических признаков бесконтрастной МРТ (Т1-ВИ и Т2-ВИ), продемонстрировали сопоставимую эффективность в дифференциальной диагностике липом и атипичных липоматозных опухолей конечностей (ROC-AUC 0,889 и 0,833 соответственно; p > 0,05).
Разработанные прогностические модели в перспективе могут служить инструментом поддержки принятия клинических решений, способствуя повышению точности дооперационной диагностики и стандартизации оценки липоматозных образований мягких тканей. Для подтверждения полученных результатов требуется дальнейшее тестирование на расширенных выборках с проведением внешней валидации.
Preoperative differentiation of lipomas from atypical lipomatous tumors (ALT) of the extremities remains a relevant clinical challenge. On standard MRI assessment, these neoplasms demonstrate overlapping imaging characteristics, which complicates accurate diagnosis and may lead to suboptimal treatment strategies. Unlike benign lipomas, ALTs carry a potential for local recurrence and require wider surgical excision.
Contemporary approaches based on radiomics and machine learning enable the extraction of quantitative features from standard MRI sequences that reflect the microstructural properties of tissues, thereby offering opportunities for non-invasive diagnostic verification.
Objective. To develop and comparatively evaluate the diagnostic performance of machine learning models (LASSO logistic regression and Random Forest) built upon clinical-semiotic and radiomic features derived from non-contrast MRI (T1-WI and T2-WI) for the differential diagnosis of lipomas and atypical lipomatous tumors (ALT) of the extremities.
Materials and Methods. This multicenter, retrospective study included data from 61 patients with histologically verified lipomas and atypical lipomatous tumors (ALT) of the extremities. Tumor segmentation was performed on non-contrast T1-WI and T2-WI sequences, followed by extraction of radiomic features (n = 221) and assessment of clinical-semiotic parameters. The dataset was split into training (80%) and test (20%) subsets. Predictive models were constructed using LASSO logistic regression (10-fold cross-validation) and Random Forest (hyperparameter tuning via grid search). Model performance was evaluated by Accuracy, ROC-AUC, sensitivity, specificity, Precision, and F1-score. Comparison was performed using McNemar's test, DeLong's test, and bootstrap analysis (1,000 iterations). Differences were considered statistically significant at p < 0.05.
Results. On the test subset, LASSO logistic regression achieved an ROC-AUC of 0.889 (95% CI 0.694-1.000) and an accuracy of 0.692 (95% CI 0.434-0.950); sensitivity was 0.250, specificity 0.889, and F1-score 0.333. The Random Forest model yielded an ROC-AUC of 0.833 (95% CI 0.533-1.000) with an accuracy of 0.692 (95% CI 0.440-0.944); sensitivity and F1-score were 0.000 at a specificity of 1.000.
McNemar's test revealed no statistically significant difference between the models (p = 1.000). DeLong's test likewise showed no significant difference in ROC-AUC values (p = 0.771). Bootstrap analysis (1,000 iterations) confirmed the stability of the metrics: for LASSO, the mean ROC-AUC was 0.892 ± 0.101 and accuracy 0.691 ± 0.131; for Random Forest, 0.832 ± 0.153 and 0.685 ± 0.125, respectively.
LASSO regression selected 12 features of highest importance, comprising semiotic characteristics (“Hyperintense signal on FS”, “intra-/extra compartmental location”, “Shape”, “Number of septa”, “Presence of solid tissue”, “Septal thickness”) and radiomic parameters (Coarseness, Maximum2DDiameterColumn, VoxelVolume, ShortRunLowGrayLevelEmphasis.1, MeshVolume, Maximum2DDiameterColumn.1).
Conclusion. In this study, LASSO logistic regression and Random Forest models constructed from clinical-semiotic and radiomic features of non-contrast MRI (T1-WI and T2-WI) demonstrated comparable diagnostic performance in the differential diagnosis of lipomas and atypical lipomatous tumors of the extremities (ROC-AUC 0.889 and 0.833, respectively; p > 0.05).
The developed predictive models may prospectively serve as clinical decision-support tools, contributing to improved preoperative diagnostic accuracy and standardization of soft tissue lipomatous lesion assessment. Further validation on larger cohorts with external validation is required to confirm these findings.
The authors declare that there are no conflicts of interest present.