Глубокое обучение может поддерживать прогнозирование ответа менингиом после радиохирургии Гамма-ножом (GKRS), однако малые клинические выборки увеличивают риск переобучения и нестабильной производительности. Авторы разработали код с контролем утечки данных, адаптированный для малых клинических датасетов.

Проанализированы предоперационные Т1-взвешенные МРТ с контрастированием от 190 пациентов (по одному аксиальному срезу через центр опухоли на пациента). Ответ определялся как снижение объёма опухоли ≥30% на log10(месяцы). Оценивались ResNet-10t, ResNet-18, ResNet-50 и DenseNet-121 с предобучением ImageNet или RadImageNet в трёх рабочих процессах: (1) замороженный backbone CNN с обучением только головы; (2) логистическая регрессия или наивный байесовский классификатор признаков, извлечённых из замороженных CNN; (3) ограниченный файн-тюнинг CNN. Использовали пять частично перекрывающихся хронологических сплитов развитие/тест, при этом вся зависимая от данных подгонка, отбор признаков и оптимизация модели ограничивались данными развития.

Наименьшая сеть RadImageNet ResNet-10t показала лучшие результаты при файн-тюнинге (peak AUC 0.953 и 1.000), но продемонстрировала наибольшую вариацию между сплитами (диапазон 0.738–1.000). Когда признаки RadImageNet, извлечённые из ResNet-10t, классифицировались наивным байесовским методом и логистической регрессией, они достигли более низких медианных и пиковых AUC, но в более узких диапазонах. Предсказательная способность не зависела последовательно от размера CNN.

Насколько известно авторам, это первое исследование глубокого обучения, прогнозирующее объёмный ответ менингиом после GKRS. Предоставлен открыто доступный готовый код для трёх основных рабочих процессов на малых клинических датасетах с защитой от утечки информации. Польза файн-тюнинга и предобучения RadImageNet зависела от архитектуры. Робастное моделирование на малых выборках требует внимания к консистентности производительности между хронологическими сплитами, а не только к наивысшему AUC в одном сплите.