Построение радиомической классификационной модели RadMenGr для различения менингиом головного мозга Grade 1 и Grade 2

Предоперационная дифференциальная диагностика степени злокачественности менингиом остается затруднительной при рутинной магнитно-резонансной томографии (МРТ) головного мозга. Отсутствие надежных неинвазивных инструментов ограничивает возможности ранней стратификации риска и выбора тактики лечения.

Цель: построение радиомической классификационной модели RadMenGr, ориентированной на предсказание степени злокачественности менингиом (Grade 1 или Grade 2) на основе T1-взвешенных изображений с контрастным усилением.

Материал и методы. Ретроспективное одноцентровое исследование выполнено с использованием открытого анонимизированного набора данных Meningioma-SEG-CLASS. В анализ включены 95 пациентов, в том числе 53 пациента с менингиомами Grade 1, 42 – с менингиомами Grade 2. Из изображений, размеченных вручную, с помощью библиотеки PyRadiomics были извлечены 105 радиомических признаков. Классификация выполнена с применением алгоритма Naive Bayes после дискретизации признаков методом Entropy-MDL. Оценка диагностической эффективности проводилась с использованием метрик AUC, чувствительности, специфичности и точности. Для оценки стабильности AUC использовался бутстрап-анализ с 10 000 итераций и расчетом 95% доверительного интервала.

Результаты. На валидационной выборке (n = 46) ROC-AUC составила 0,805 (95% ДИ: 0,671–0,915). Нижняя граница 95% ДИ AUC превышает значение по нулевой гипотезе (AUC = 0,63), что подтверждает статистическую значимость полученных результатов (p < 0,05).

Заключение. В ходе исследования была разработана радиомическая классификационная модель, направленная на дифференциальную диагностику менингиом Grade 1 и Grade 2. Применение алгоритма Naive Bayes на признаках, извлеченных из T1-взвешенных изображений с контрастным усилением и преобразованных методом дискретизации, позволило достичь значимого уровня диагностической точности. Однако ширина доверительного интервала указывает на невысокую стабильность модели, что требует ее валидации на большой репрезентативной выборке. 

1. Yarabarla V., Mylarapu A., Han T.J., McGovern S.L., Raza S.M., Beckham T.H. Intracranial meningiomas: an update of the 2021 World Health Organization classifications and review of management with a focus on radiation therapy. Front. Oncol. 2023;13:1137849. https://doi.org/10.3389/fonc.2023.1137849

2. Ostrom Q.T., Price M., Neff C., Cioffi G., Waite K.A., Kruchko C. et al. CBTRUS Statistical Report: Primary Brain and Other Central Nervous System Tumors Diagnosed in the United States in 2016–2020. Neuro. Oncol. 2023;25:iv1–99. https://doi.org/10.1093/neuonc/noad149

3. Goldbrunner R., Minniti G., Preusser M., Jenkinson M.D., Sallabanda K., Houdart E. et al. EANO guidelines for the diagnosis and treatment of meningiomas. Lancet Oncol. 2016;17:e383–e391. https://doi.org/10.1016/S1470-2045(16)30321-7

4. Upreti T., Dube S., Pareek V., Sinha N., Shankar J. Meningioma grading via diagnostic imaging: A systematic review and meta-analysis. Neuroradiology. 2024;66:1301–1310. https://doi.org/10.1007/s00234-024-03404-0

5. Brugada-Bellsolà F., Teixidor Rodríguez P., Rodríguez-Hernández A., Garcia-Armengol R., Tardáguila M., González-Crespo A. Growth prediction in asymptomatic meningiomas: the utility of the AIMSS score. Acta Neurochir. (Wien.). 2019;161:2233–2240. https://doi.org/10.1007/s00701-019-04056-3

6. Васильев Ю.А., Владзимирский А.В. Искусственный интеллект в лучевой диагностике: Per Aspera Ad Astra. М: Издательские решения; 2025:491. ISBN 978-5-0067-5622-9.

7. Lee T., Lee J.H., Yoon S.H., Park S.H., Kim H. Availability and transparency of artificial intelligence models in radiology: a meta-research study. Eur. Radiol. 2025. https://doi.org/10.1007/s00330-025-11492-6

8. Vassantachart A., Cao Y., Shen Z., Cheng K., Gribble M., Ye J.C. et al. A repository of grade 1 and 2 meningioma MRIs in a public dataset for radiomics reproducibility tests. Med. Phys. 2024;51(3):2334–2344. https://doi.org/10.1002/mp.16763

9. Блохин И.А., Коденко М.Р., Шумская Ю.Ф., Гончар А.П., Решетников Р.В. Проверка гипотез исследования с использованием языка R. Digital Diagnostics. 2023;4(2):238−247. https://doi.org/10.17816/DD121368

10. Park J.H., Quang L.T., Yoon W., Baek B.H., Park I., Kim S.K. Predicting histologic grade of meningiomas using a combined model of radiomic and clinical imaging features from preoperative MRI. Biomedicines. 2023;11:3268. https://doi.org/10.3390/biomedicines11123268

11. Buerki R.A., Horbinski C.M., Kruser T., Horowitz P.M., James C.D., Lukas R.V. An overview of meningiomas. Future Oncol. 2018;14:2161–2177. https://doi.org/10.2217/fon-2018-0006

12. Patel R.V., Yao S., Huang R.Y., Bi W.L. Application of radiomics to meningiomas: A systematic review. Neuro. Oncol. 2023;25:1166–1176. https://doi.org/10.1093/neuonc/noad028

13. Woznicki P., Laqua F.C., Al-Haj A., Bley T., Baeßler B. Addressing challenges in radiomics research: systematic review and repository of open-access cancer imaging datasets. Insights Imaging. 2023;14:216. https://doi.org/10.1186/s13244-023-01556-w

14. Hale A.T., Stonko D.P., Wang L., Strother M.K., Chambless L.B. Machine learning analyses can differentiate meningioma grade by features on magnetic resonance imaging. Neurosurg. Focus. 2018;45:E4. https://doi.org/10.3171/2018.8.FOCUS18191

15. Santhosh G. Medical Image Classification using Interesting Pruning and Machine Learning Algorithm. International Journal of Intelligent Systems and Applications in Engineering. 2024;12(21s):4260–4272. URL: https://mail.ijisae.org/index.php/IJISAE/article/view/6284 (23.01.2026).

16. Yan P.F., Yan L., Hu T.T., Xiao D.D., Zhang Z., Zhao H.Y. et al. The potential value of preoperative MRI texture and shape analysis in grading meningiomas: a preliminary investigation. Transl. Oncol. 2017;10:570–577. https://doi.org/10.1016/j.tranon.2017.04.006

17. Korte J.C., Cardenas C., Hardcastle N., Kron T., Wang J., Bahig H. et al. Radiomics feature stability of open-source software evaluated on apparent diffusion coefficient maps in head and neck cancer. Sci. Rep. 2021;11:17633. https://doi.org/10.1038/s41598-021-96600-4

18. Способ контроля технического состояния магнитно-резонансного томографа по клиническим изображениям головного мозга. Патент RU 2811031 C1. Васильев Ю.А., Семенов Д.С., Ахмад Е.С., Петряйкин А.В., Сморчкова А.К., Кудрявцев Н.Д. и др. Дата регистрации: 10.01.2024. URL: https://www.elibrary.ru/item.asp?id=59921654 (23.01.2026).

19. Ахмад Е.С., Семенов Д.С., Сергунова К.А., Петряйкин А.В., Андрейченко А.Е., Смирнов А.В. и др. Методика контроля параметров и характеристик магнитно-резонансных томографов в условиях эксплуатации: методические рекомендации. Серия: «Лучшие практики лучевой и инструментальной диагностики». М: ГБУЗ «НПКЦ ДиТ ДЗМ»; 2022:80.