Найдено 4 публикации
Двухцентровое исследование (n=284) показало, что радиомные модели на основе МРТ превосходят клинические данные в дискриминации high-grade менингиом на внешней валидации (AUC 0.719–0.863 vs 0.663), однако объединённая клинико-радиомная модель не продемонстрировала статистически значимого преимущества.

Комбинированная модель на основе радиомных признаков, deep learning и клинических параметров показала AUC 0.891 в валидационной выборке, превзойдя отдельные модели и демонстрируя потенциал как неинвазивный инструмент персонализированного планирования лечения.

Метаанализ 43 исследований (67 302 пациента) показал, что модели глубокого обучения достигают наивысшей точности прогноза pCR после нХЛТ при LARC (AUC 0.919), превосходя МРТ-радиомику (0.885) и клинические факторы (0.820). Однако преобладание ретроспективных одноцентровых дизайнов с ограниченной внешней валидацией представляет критический трансляционный разрыв.

Комбинированная модель на основе 2.5D CE-T1WI, объединяющая клинические данные, радиомику и deep transfer learning, достигла AUC 0.935 в предсказании инвазии менингиомы — превзойдя отдельные методы.
