Мультицентровое ретроспективное исследование включило 367 пациентов с нативной КТ околоушной железы. Разработана модель AttenNet в парадигме «clinician-in-the-loop»: модуль nnU-Net автоматически сегментирует опухоль в 3D (медиана Dice 0.827), затем 3D-ResNet извлекает объёмные признаки, которые динамически объединяются с семантическими метками радиолога через механизм Multi-Head Cross-Attention Fusion (MHAF) — сеть «запрашивает» морфологию, опираясь на экспертные приоритеты.

AttenNet (3D-ResNet) показала AUC 0.908 в дифференциации доброкачественных и злокачественных опухолей — значимо выше image-only 3D-ResNet (AUC 0.741) и модели только экспертных признаков (AUC 0.821). На внешней валидации (n=20) AUC составила 0.560–0.910; крайне малая выборка допускает интерпретацию результата лишь как exploratory proof-of-concept, а не подтверждения обобщаемости.

Grad-CAM подтвердила, что AttenNet выделяет клинически значимые геометрические индикаторы — контуры опухоли и внутреннюю гетерогенность — для различения малигнизации, тогда как одномодальные модели фокусировались на артефактах фона.

Парадигма с участием радиолога успешно интегрирует пространственную визуализацию с экспертным рассуждением. Основной прирост производительности обеспечило мультимодальное объединение, а механизм MHAF — интерпретируемость пространственных признаков.