Дооперационная дифференциальная диагностика липом и атипичных липоматозных опухолей (ALT) конечностей представляет существенную клиническую задачу. При стандартной МРТ-оценке эти новообразования демонстрируют сходные визуальные характеристики, что затрудняет точную диагностику и может приводить к неоптимальной лечебной тактике. В отличие от доброкачественных липом, ALT обладают потенциалом локального рецидивирования и требуют более радикального иссечения с широкими краями резекции.

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 без применения контрастного усиления.

Проведено мультицентровое ретроспективное исследование с включением данных 61 пациента с гистологически верифицированными липомами и ALT конечностей. Выполнена сегментация новообразований на бесконтрастных Т1-ВИ и Т2-ВИ с извлечением 221 радиомического признака 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)
• Случайного леса (Random Forest) с подбором гиперпараметров сеточным поиском

Эффективность моделей оценивали по Accuracy, ROC-AUC, чувствительности, специфичности, Precision и F1-мере. Сравнение проводили с применением теста Макнемара, теста Делонга и бутстрап-анализа (1000 итераций). Статистически значимыми считали различия при p 0,05) в неинвазивной дифференциации липом и ALT на основе бесконтрастной МРТ. LASSO-модель показала умеренную чувствительность, но высокую специфичность, что важно для минимизации ложноположительных результатов.

Однако низкая чувствительность LASSO (0,250) и нулевая чувствительность Random Forest указывают на ограниченную способность моделей идентифицировать ALT, что может быть связано с малым размером выборки и дисбалансом классов. Модель Random Forest продемонстрировала тенденцию к «консервативной» классификации (специфичность 1,000 при чувствительности 0,000).

В перспективе разработанные модели могут служить инструментом поддержки принятия клинических решений, способствуя:

• Повышению точности дооперационной диагностики липоматозных образований
• Стандартизации МРТ-оценки мягкотканных опухолей