Разработка прогностической модели для диагностики рака предстательной железы на основе радиомики бипараметрической магнитно-резонансной томографии карт измеряемого коэффициента диффузии и стекинга алгоритмов машинного обучения

Обоснование. Рак предстательной железы является одним из наиболее распространённых онкологических заболеваний среди мужчин [1, 2]. За последние годы в мире создан ряд прогностических моделей на основе текстурного анализа изображений бипараметрической магнитно-резонансной томографии. Исследования показали, что радиомические признаки, извлечённые из карт измеряемого коэффициента диффузии, являются наиболее воспроизводимыми [3]. Однако эти модели имеют ограничения по точности, поскольку построены с помощью одного алгоритма машинного обучения, который учитывает только линейную зависимость [4–6].

Цель — повышение точности прогностической модели, диагностирующей рак предстательной железы, за счёт использования стекинга алгоритмов машинного обучения, которые учитывают не только линейные, но и нелинейные зависимости на основе радиомики бипараметрической магнитно-резонансной томографии карт измеряемого коэффициента диффузии.

Материалы и методы. Проведено одноцентровое когортное ретроспективное исследование пациентов с подозрением на рак предстательной железы в отделении рентгеновской диагностики и томографии Объединённой больницы с поликлиникой (Москва) с 2017 по 2023 год. Наличие рака предстательной железы подтверждено биопсией или радикальной простатэктомией. Статистический анализ проводился с использованием Python 3.11.

Результаты. В исследовании приняло участие 67 мужчин в возрасте 60 [54; 66] лет, из них у 57 — рак предстательной железы, а у 10 — доброкачественное образование простаты. Программное обеспечение LIFEx позволило выделить 96 радиомических параметров.

Статистически значимые различия выявлены по: PARAMS_ZSpatialResampling (размер воксела по оси Z) (p=0,001), SHAPE_Sphericity[onlyFor3DROI] (сферичность формы) (p=0,006), SHAPE_Compacity[onlyFor3DROI] (компактность формы) (p=0,004), GLRLM_HGRE (p=0,039), GLRLM_SRHGE (p=0,041), GLRLM_RLNU (p=0,039). GLRLM — матрица длин серий уровня серого. Однофакторная логистическая регрессия показала, что статистически значимо влияли на исход: SHAPE_Compacity[onlyFor3DROI] (R²=15%) и PARAMS_ZSpatialResampling (R²=18%). Методом многофакторной логистической регрессии была построена прогностическая модель, которая учитывает линейные зависимости. Модель включает 3 показателя, которые совместно статистически значимо влияют на исход (R²=23%): SHAPE_Sphericity[onlyFor3DROI], PARAMS_ZSpatialResampling и GLRLM_RLNU.

Для описания нелинейных связей, была построена другая модель на основе алгоритма «Дерево решений». В неё вошли 4 показателя (R²=58%): DISCRETIZED_HISTO_Entropy_log10 (случайность распределения), SHAPE_Sphericity[onlyFor3DROI], PARAMS_ZSpatialResampling и GLRLM_SRE.

Стекинг алгоритмов, состоящий в расчёте среднеарифметического между предсказаниями алгоритмов многофакторной логистической регрессии и «Дерева решений», позволил построить модель, которая учитывает линейные и нелинейные зависимости. Модель включает 5 параметров (R²=77%). Построенная модель легла в основу программы-калькулятора [7], внедрённой в данный момент в практику врача-рентгенолога.

Заключение. Новая модель, построенная на основе карт измеряемого коэффициента диффузии, работает лучше (площадь под ROC-кривой 99,0% [97,7; 100,0]), чем существующие модели с площадью под ROC-кривой 83,6% [78,3; 88,9], которые показывают значительную вариативность (I²=71%). Повышение точности работы модели произошло за счёт применения стекинга технологий машинного обучения, который позволил учесть как линейное, так и нелинейное влияние переменных на исход.