Глиобластома (ГБМ) обычно рецидивирует вблизи исходного макроскопического объёма опухоли (GTV), что предполагает наличие резистентных к лечению субрегионов ещё до радиологически видимого прогрессирования. Исследователи проверили возможность применения глубокого обучения на картах измеряемого коэффициента диффузии (ADC) для создания попиксельных вероятностных карт резистентных зон внутри GTV.

Обучающая/валидационная выборка включала изображения 64 собственных пациентов после 10-й фракции облучения (Fx10) и 40 внешних пациентов до лечения (вспомогательная когорта для кросс-доменного обучения); тестовая выборка — 16 пациентов Fx10. Резистентные регионы определялись как зоны перекрытия между GTV на сканах после 10-й фракции и последующим рецидивом после завершения лечения. Модели обучались на 2D-срезах с выделенным GTV при разделении на уровне пациентов для предотвращения утечки данных. Сравнивались одномодальные и мультимодальные МРТ-входы, затем оценивались модели на основе ADC (базовая UNet, предобученная ResNet34, UNet с поддержкой BiomedCLIP и UNet на основе BLIP image-text).

ADC оказалась наиболее информативной одиночной модальностью, достигнув 69% ROC AUC и 80% PR AUC. При сравнении архитектур на основе ADC ни одна модель не превосходила другие по всем метрикам. Базовая UNet показала наивысшую точность, F1-score и чувствительность (recall), тогда как предобученная ResNet34 и модели с поддержкой BLIP продемонстрировали немного более высокий ROC AUC, чем базовая UNet (обе 70%).

Анализ ошибок показал, что производительность существенно снижалась для малых или разрозненных резистентных зон, а ложноотрицательные ошибки концентрировались вблизи границ резистентных регионов и GTV.

Глубокое обучение на основе ADC продемонстрировало возможность попиксельного пространственного картирования резистентных к лечению зон глиобластомы внутри GTV. UNet, обученная с нуля, обеспечила наилучший компромисс чувствительности и F1-score, в то время как предобученные модели и модели с поддержкой VLM дали преимущества лишь по отдельным метрикам. Модели с поддержкой BiomedCLIP и BLIP image-text UNet не показали явного улучшения точности пространственной сегментации по сравнению с базовой UNet.