Радиомика — автоматизированный анализ количественных признаков медицинских изображений — становится перспективным инструментом персонализации онкологической помощи. При злокачественных новообразованиях головы и шеи (ЗНО ГШ) выбор оптимальной тактики лечения остается вызовом: системная противоопухолевая терапия и химиолучевое лечение показывают вариабельный ответ, и стандартные клинико-патологические факторы не всегда позволяют точно стратифицировать пациентов. Систематический обзор 13 исследований, выполненных за последние 10 лет на данных КТ, МРТ и ПЭТ-КТ, анализирует возможности радиомических моделей для прогнозирования выживаемости и ответа на индукционную, паллиативную и химиолучевую терапию.

Поиск публикаций проведен в базах данных PubMed и eLIBRARY по ключевым словам, связанным с радиомикой, системной терапией и опухолями головы и шеи. Из 56 найденных работ после исключения нерелевантных материалов в обзор включено 13 оригинальных исследований, опубликованных за последние 10 лет. Анализировались методы построения радиомических моделей, типы извлекаемых признаков (текстурные, морфологические, интенсивностные), используемые алгоритмы машинного обучения и искусственного интеллекта, а также прогностическая и предиктивная ценность моделей для различных видов терапии.

Радиомические модели показали значительный потенциал в предсказании ответа на индукционную химиотерапию у пациентов с местно-распространенными ЗНО ГШ. Комбинированные клинико-радиомические модели, интегрирующие радиомические признаки с клиническими и патологическими данными (стадия, статус по HPV, гистология), часто демонстрировали более высокую эффективность в сравнении с изолированными радиомическими или клиническими моделями. Несколько работ отметили, что текстурные признаки первичной опухоли и метастатических лимфоузлов на предтерапевтических изображениях КТ и МРТ коррелируют с частотой полного ответа и прогрессированием.

Для паллиативной системной терапии радиомика позволяет идентифицировать пациентов с благоприятным прогнозом, которые могут извлечь максимальную пользу из лечения, и тех, кому целесообразно раннее изменение тактики. Предиктивные модели на основе ПЭТ-КТ с ¹⁸F-FDG, учитывающие гетерогенность накопления радиофармпрепарата, показали корреляцию с общей выживаемостью (OS) и выживаемостью без прогрессирования (PFS).

Радиомические признаки, извлеченные из предтерапевтических КТ, МРТ и ПЭТ-КТ, продемонстрировали способность прогнозировать выживаемость и локорегионарный контроль у пациентов, получающих химиолучевую терапию. Несколько исследований выявили ассоциации между текстурными параметрами (энтропия, однородность, корреляция) и безрецидивной выживаемостью. Модели, включающие радиомические и клинические данные, достигали AUC >0,80 для предсказания 2-летней OS.

Использование алгоритмов машинного обучения (логистическая регрессия, случайный лес, градиентный бустинг, нейронные сети) для оптимизации радиомических моделей позволило повысить точность стратификации риска. Deep learning-подходы на основе сверточных нейронных сетей показали перспективу автоматизированного извлечения признаков без предварительной сегментации, однако требуют больших объемов данных для обучения.

Основные ограничения текущих исследований включают техническую, алгоритмическую и программную гетерогенность: различия в протоколах сканирования, методах сегментации (ручная vs. полуавтоматическая vs. автоматическая), наборах извлекаемых признаков и алгоритмах селекции. Малые выборки и отсутствие внешней валидации в большинстве работ ограничивают обобщаемость результатов. Необходимы стандартизация методов (согласно рекомендациям Image Biomarker Standardisation Initiative, IBSI) и проспективная валидация моделей на крупных мультицентровых когортах для перехода к рутинному клиническому применению.

Перспективы включают интеграцию радиомики с геномными и протеомными данными (radiogenomics), разработку моделей для real-time адаптации терапии на основе динамики радиомических признаков и создание клинических систем поддержки принятия решений (clinical decision support systems).

Радиомика представляет собой эффективный инструмент персонализации системной противоопухолевой и химиолучевой терапии при злокачественных новообразованиях головы и шеи. Комбинированные клинико-радиомические модели на основе КТ, МРТ и ПЭТ-КТ позволяют повысить точность прогнозирования ответа и выживаемости, оптимизируя выбор лечебной тактики. Для массового внедрения в клиническую практику критически важны стандартизация методов сбора и анализа радиомических данных, валидация моделей на независимых когортах и устранение технической гетерогенности между исследованиями.