В ретроспективное исследование включены 246 пациенток с патоморфологически подтверждённым раком эндометрия (РЭ). Собраны предоперационные клинические данные и МРТ-изображения: T2-взвешенные изображения (T2WI) и контрастно-усиленные T1-взвешенные изображения (CE-T1WI). Созданы радиомные и deep learning модели на основе T2WI, CE-T1WI и их комбинации. Итоговая комбинированная модель интегрировала мультипараметрические радиомные признаки, признаки глубокого обучения (2.5D) и клинические параметры. Производительность оценивалась по AUC, калибровочным кривым, decision curve analysis (DCA) и тесту DeLong.

Однофакторный и многофакторный логистический регрессионный анализ выявили максимальный диаметр опухоли, MR-DMI, BMI и ER-статус как независимые прогностические факторы. Мультипараметрическая МРТ-модель превзошла модели с одной последовательностью (T2WI или CE-T1WI), основанные на радиомике или deep learning.

Комбинированная модель продемонстрировала лучшую прогностическую эффективность в валидационной выборке: AUC 0.891, точность 0.86, чувствительность 0.909, специфичность 0.765 и F1-score 0.896. Тест DeLong показал статистически значимое превосходство комбинированной модели над всеми другими в обучающей выборке (P < 0.05), а в валидационной — над клинической моделью и T2+CET1-Rad моделью (P < 0.05). DCA-анализ подтвердил, что комбинированная модель обеспечивает наибольшую клиническую чистую пользу.

Сочетание мультипараметрической МРТ-радиомики и 2.5D deep learning показало высокую прогностическую способность для стратификации риска при РЭ, предлагая перспективный неинвазивный инструмент для персонализированного планирования лечения и прогностической оценки пациенток с раком эндометрия в клинической практике. Grad-CAM использован для повышения интерпретируемости модели.