Классификация адренокортикального рака, феохромоцитом и аденом надпочечников по данным компьютерной томографии с контрастным усилением с применением машинного обучения и текстурных признаков: одномоментное исследование

Обоснование. Дифференциальная диагностика адренокортикального рака, феохромоцитом и аденом надпочечников по данным компьютерной томографии с контрастным усилением остаётся сложной задачей из-за значительного сходства их рентгенологических характеристик. Существующие методы классификации, основанные на стандартных морфологических критериях, демонстрируют ограниченную точность, что может приводить к ошибочным диагнозам и неадекватному выбору тактики лечения.

Цель исследования. Разработать модель машинного обучения для многоклассовой классификации образований надпочечников (аденомы, адренокортикального рака, феохромоцитомы) по данным компьютерной томографии с контрастным усилением с применением текстурных признаков.

Методы. Проведено одномоментное одноцентровое исследование, ретроспективное в части сбора данных компьютерной томографии, проспективное — в части повторного анализа её результатов. Изображения компьютерной томографии с контрастным усилением обрабатывали в PyRadiomics для вычисления текстурных признаков для каждой фазы компьютерной томографии. С целью снижения влияния различий в параметрах сканирования проводили стандартизацию данных. Модели градиентного бустинга LightGBM, XGBoost и CatBoost обучали с применением стратифицированной 5-fold кросс-валидации. Качество диагностической модели оценивали по показателям Recall, Precision, F1-score, макроусреднённой F1-score, специфичности, Balanced Accuracy и площади под кривой (AUC) для каждого класса (диагноза).

Результаты. В исследование включены данные 425 пациентов с гистологически верифицированными опухолями надпочечников: 42 случая адренокортикального рака, 204 — феохромоцитом и 179 — аденом. Разработанные модели машинного обучения продемонстрировали высокую точность классификации аденом по результатам кросс-валидации (F1-score до 0,916 для модели XGBoost) и феохромоцитом (F1-score до 0,855 для модели XGBoost), но существенно более низкие показатели для адренокортикального рака (F1-score до 0,521 для модели CatBoost). Наилучшие значения AUC достигали 0,971 для аденом (LightGBM), 0,924 для феохромоцитом (LightGBM) и 0,879 для адренокортикального рака (CatBoost). Значение Balanced Accuracy составило до 0,773, макроусреднённая F1-score достигала 0,747 (для модели CatBoost). Анализ наиболее информативных признаков показал, что для классификации значимы параметры, характеризующие однородность и интенсивность элементов текстуры в различных фазах контрастирования.

Заключение. Радиомика и методы машинного обучения обеспечивают высокую точность мультиклассовой классификации образований надпочечников по данным компьютерной томографии с контрастным усилением для аденом и феохромоцитом. Однако точность диагностики адренокортикального рака остаётся низкой, что могло быть связано с гетерогенностью опухоли и недостаточным количеством наблюдений.