Ретроспективное исследование включило 674 пациента с патоморфологически подтверждённой менингиомой: 53 с инвазией в мозг (BI) и 621 без инвазии. Когорта разделена на обучающую и независимую тестовую выборки. На постконтрастных Т1-взвешенных изображениях (CE-T1WI) выделены области интереса опухоли (ROI), из которых извлечены радиомные и DTL-признаки. Использован 2.5D подход, синтезирующий мультипланарные биологические данные при управляемой вычислительной нагрузке. Признаки радиомики и deep transfer learning (DTL) объединены методом ранней фузии с последующей селекцией. В обучающей когорте проведена пятикратная кросс-валидация с SMOTE (применялся только к обучающей части каждого fold); валидационные fold и тестовая выборка сохранили исходное распределение классов.
Эффективность моделей оценивалась по AUC. Комбинированная модель ComM (клиника + радиомика + DTL) показала AUC 0.977 в обучающей выборке и 0.935 в тестовой — лучший результат среди всех подходов.
Иерархия производительности:
- Обучающая выборка: AUC(ComM) > AUC(DTLRM) > AUC(RadM) > AUC(ClinM) > AUC(DTLM)
- Тестовая выборка: AUC(ComM) > AUC(DTLRM) > AUC(RadM) > AUC(DTLM) > AUC(ClinM)
Тест Hosmer–Lemeshow подтвердил хорошее соответствие модели, калибровочная кривая ComM оказалась ближайшей к идеальной.
Все пять моделей (ClinM, RadM, DTLM, DTLRM, ComM) на основе 2.5D CE-T1WI продемонстрировали хорошую способность предсказывать инвазию менингиомы в мозг. Клинико-радиомная-DTL модель (ComM) достигла наивысшей эффективности, что указывает: DTL предоставляет дополнительные признаки, коррелирующие с инвазией менингиомы и отличающиеся от классических радиомных. Модель демонстрирует потенциал для неинвазивной предоперационной оценки инвазии, однако перед клиническим внедрением требуется валидация на крупных мультицентровых когортах.