Возможности радиомики в оценке нейросонографических изменений у новорожденных с диабетической фетопатией: анализ ультразвуковых изображений

Введение. Ранняя неинвазивная оценка изменений головного мозга у новорожденных является значимой задачей в педиатрии. В статье представлен подход к неинвазивной оценке изменений головного мозга у новорожденных с использованием радиомиксного анализа ультразвуковых изображений. Радиомиксный анализ позволяет характеризовать морфологическую структуру ультразвуковых снимков нейросонографии (НСГ) комплексом текстурных показателей и выявлять изменения, не видимые на снимках невооруженным глазом.

Цель: исследовать возможности применения радиомиксного анализа ультразвуковых изображений для выявления изменений головного мозга при диабетической фетопатии у новорожденных.

Материал и методы. Данные были собраны из ультразвуковых изображений головного мозга 89 доношенных новорожденных (срок гестации – более 37 нед.), среди которых 45 (51%) составили здоровые новорожденные (контрольная группа), а 44 (49%) страдали диабетической фетопатией (основная группа). Отбор данных проводился с использованием специальных проекций для отображения четырех локализаций:

1. Лобная доля (F0-сканирование на уровне передних отделов обеих лобных долей): 45 здоровых и 37 больных.
2. Парасагиттальный срез в области сосудистого сплетения (S2-сканирование в парасагиттальной плоскости): 41 здоровый и 40 больных.
3. Сагиттальный срез в области мозолистого тела (S0-сканирование в срединно-сагиттальной плоскости): 44 здоровых и 40 больных.
4. Фронтальный срез в перивентрикулярной области (F4-сканирование в области теменной и височной долей, а также мозжечка): 45 здоровых и 44 больных.

Результаты. При проведении НСГ в В-режиме наблюдалась одинаковая частота субэпендимальных кист и дилатации боковых желудочков в обеих группах (7 против 5%; p = 0,53), но внутрижелудочковые кровоизлияния и перивентрикулярный отек наблюдались только в основной группе (7 против 0%; p < 0,05). В результате радиомиксного анализа ультразвуковых изображений головного мозга были установлены радиомиксные предикторы текстурных изменений у новорожденных с диабетической фетопатией в четырех локализациях. Построены классификационные модели, проведен их ROC-анализ. Лучшие результаты показали модель 1 для лобной доли (точность – 0,71; AUC = 0,69) и модель 4 для перивентрикулярной области (точность – 0,89; AUC = 0,85). Установленные текстурные изменения головного мозга новорожденных с диабетической фетопатией проявляются следующим образом: в лобной доле наблюдается неравномерное хаотичное распределение эхогенности с множественными гиперэхогенными участками. Перивентрикулярная зона демонстрирует выраженное диффузное повышение эхогенности, что создает эффект гомогенизации изображения. Радиомиксный анализ ультразвуковых изображений позволяет выявить изменения текстуры головного мозга, которые не определяются при стандартной НСГ.

Выводы. Мультипараметрический анализ ультразвуковых изображений с применением радиомиксного подхода продемонстрировал возможность выявлять структурные изменения в головном мозге новорожденных, страдающих от диабетической фетопатии. Полученные результаты подтверждают перспективность использования радиомиксного анализа в выявлении тонких нейроанатомических изменений.

1. Дедов И.И., Шестакова М.В., Викулова О.К., Железнякова А.В., Исаков М.А., Сазонова Д.В., Мокрышева Н.Г. Сахарный диабет в Российской Федерации: динамика эпидемиологических показателей по данным Федерального регистра сахарного диабета за период 2010–2022 гг. Сахарный диабет. 2023;26(2):104–123. https://doi.org/10.14341/DM13035

2. Holt R.I.G., Flyvbjerg A. (eds.). Textbook of diabetes. Sixth edition. Hoboken, NJ: Wiley-Blackwell, 2024. ISBN: 978-1-119-69742-8.

3. Riddle M.C., Cefalu W.T., Evans P.H., Gerstein H.C., Nauck M.A., Oh W.K. et al. Consensus Report: Definition and Interpretation of Remission in Type 2 Diabetes. Diabetes Care. 2021;44(10):2438–2444. https://doi.org/10.2337/dci21-0034

4. Лебедева М.А. Особенности ведения беременности и родоразрешения при диабетической фетопатии: дис. канд. мед. наук : 14.01.01 / М.А. Лебедева. [Место защиты: ФГБОУ ВО «Московский государственный медикостоматологический университет имени А.И. Евдокимова]. Москва, 2021:120.

5. Herath M.P., Beckett J.M., Hills A.P., Byrne N.M., Ahuja K.D.K. Gestational diabetes mellitus and infant adiposity at birth: A systematic review and meta-analysis of therapeutic interventions. J. Clin. Med. 2021;10(4):835. https://doi.org/10.3390/jcm10040835

6. Нуднов Н.В., Бит-Юнан Е.В., Шахвалиева Э.С., Борисов А.А., Султанова П.Н., Иванников М.Е. и др. Радиомика в дифференциальной диагностике очаговых поражений головного мозга: ретроспективное исследование. Лучевая диагностика и терапия. 2024;15(3):32–38. https://doi.org/10.22328/2079-5343-2024-15-3-32-38

7. Шухратбекова М.Х. Роль нейросонографии в диагностике задержки нервно-психического развития у детей раннего возраста. Экономика и социум. 2023;(10(113)):1. URL: https://cyberleninka.ru/article/n/rol-neyrosonografii-v-diagnostike-zaderzhki-nervno-psihicheskogorazvitiya-u-detey-rannego-vozrasta (14.09.2025).

8. Hatt M., Le Rest C.C., Tixier F., Badic B., Schick U., Visvikis D. Radiomics: Data are also images. J. Nucl. Med. 2019;60(Suppl. 2):38S–44S. https://doi.org/10.2967/jnumed.118.220582

9. Lambin P., Rios-Velazquez E., Leijenaar R., Carvalho S., van Stiphout R.G., Granton P. et al. Radiomics: Extracting more information from medical images using advanced feature analysis. Eur. J. Cancer. 2012;48(4):441–446. https://doi.org/10.1016/j.ejca.2011.11.036

10. Jiang H., Chen L., Zhao Y.J., Lin Z.Y., Yang H. Machine learning-based ultrasomics for predicting subacromial impingement syndrome stages. J. Ultrasound Med. 2022;41(9):2279–2285. https://doi.org/10.1002/jum.15914

11. Jia Y., Yang J., Zhu Y., Nie F., Wu H., Duan Y., Chen K. Ultrasoundbased radiomics: current status, challenges and future opportunities. Med. Ultrason. 2022;24(4):451–460. https://doi.org/10.11152/mu-3248

12. McCague C., Ramlee S., Reinius M., Selby I., Hulse D., Piyatissa P. et al. Introduction to radiomics for a clinical audience. Clin. Radiol. 2023;78(2):83–98. https://doi.org/10.1016/j.crad.2022.08.149

13. Van Griethuysen J.J.M., Fedorov A., Parmar C., Hosny A., Aucoin N., Narayan V. et al. Computational radiomics system to decode the radiographic phenotype. Cancer Research. 2017;77(21):e104–e107. https://doi.org/10.1158/0008-5472.CAN-17-0339

14. Triantafyllou M., Vassalou E.E., Goulianou A.M., Tosounidis T.H., Marias K., Karantanas A.H. et al. The effect of ultrasound image preprocessing on radiomics feature quality: A study on shoulder ultrasound. J. Imaging Inform. Med. 2025 Feb 6. Epub ahead of print. https://doi.org/10.1007/s10278-025-01421-w

15. Zwanenburg A., Vallières M., Abdalah M.A., Aerts H.J.W.L., Andrearczyk V., Apte A. et al. The image biomarker standardization initiative: Standardized quantitative radiomics for high-throughput image-based phenotyping. Radiology. 2020;295(2):328–338. https://doi.org/10.1148/radiol.2020191145

16. Аракелян Г.А., Оразмурадов А.А., Маяцкая Т.А., Бекбаева И.В., Котайш Г.А. Особенности новорожденных от матерей с гестационным сахарным диабетом и прегестационным ожирением. Акушерство и гинекология: новости, мнения, обучение. 2020;8(3). Прил.:24–29. https://doi.org/10.24411/2303-9698-2020-13904

17. Сахарова Е.С., Кешишян Е.С., Алямовская Г.А. Взаимосвязь результатов ультразвукового краниального исследования – нейросонографии – с исходами психомоторного развития детей, рожденных глубоконедоношенными. Российский вестник перинатологии и педиатрии. 2019;64(5):33–37. https://doi.org/10.21508/1027-4065-2019-64-5-33-37

18. Sultan L.R., Ramirez-Suarez K.I., Schenkel S.R., Schaeubinger M.M., Cerron-Vela C., Kgole S.W. et al. Brain ultrasound radiomics identify textural differences in basal ganglia and white matter between full term newborns HIV-exposed uninfected and HIV-unexposed in Botswana. Early Hum. Dev. 2025;210:106368. https://doi.org/10.1016/j.earlhumdev.2025.106368