В сообществе визуализации растёт консенсус, что радиомика вытеснена foundation models и end-to-end deep learning. Авторы не согласны: критики правы в том, что межоператорская вариабельность сегментации снижала воспроизводимость, методологическое качество было неоднородным, а разрыв между опубликованными AUC и клиническим внедрением — велик. Но они делают неверный вывод.

При раке почки (RCC), где предоперационная контрастная КТ — стандарт для каждого пациента перед нефрэктомией и где ~30% рецидивируют после операции, радиомика остаётся немедленно применимым, интерпретируемым и развёртываемым неинвазивным прогностическим инструментом.

Основное техническое ограничение радиомики — вариабельность сегментации — устраняется той же технологией deep learning, которой её критикуют. Фреймворки автоматической сегментации, такие как nnU-Net, достигают коэффициента Dice >0,93 на внешних когортах, убирая межоператорский шум.

В условиях низкой распространённости и высоких ставок в онкологии объёмов данных для предобучения foundation models не существует. Интерпретируемость — теперь регуляторное требование EU AI Act для высокорисковых клинических AI-систем — нативна для радиомики с handcrafted признаками и должна ретроспективно встраиваться в архитектуры deep learning.

Представлены биологические доказательства, что КТ-изображения кодируют информацию о микроокружении опухоли и молекулярных характеристиках, невидимую человеческому глазу. Это генерирует прямо тестируемую гипотезу: предоперационные радиомные оценки могут предсказывать не только рецидив, но и вероятность пользы от адъювантного лечения.

Радиомика не умерла. Её, наконец, делают правильно.