Комбинированная модель на основе радиомических признаков УЗИ, пола, возраста и ТТГ предсказывает лимфогенное метастазирование папиллярного рака щитовидной железы с AUC 0.867 в валидационной когорте.

Ретроспективное исследование 210 пациентов с ГЦК показало, что эксцесс (kurtosis) интенсивности сигнала на МРТ позволяет различать опухоли у носителей генетических вариантов риска и пациентов дикого типа — но только при анализе нелеченых опухолей.

Продольное исследование с использованием жидкостной биопсии и радиомного анализа КТ-изображений у пациентов с билиарным раком (N=39) идентифицировало потенциальные механизмы первичной (SNV MET/CNV ERBB2) и вторичной (CNV EGFR/MET) резистентности к платиносодержащей терапии первой линии, при этом радиомные признаки коррелировали с молекулярной эволюцией опухоли.

Многоцентровое ретроспективное исследование продемонстрировало высокую точность интеграции МРТ, УЗИ, радиомики и глубокого обучения для прогнозирования pCR при ТНРМЖ: AUC 0.856 во внешней валидации, превосходя клинические модели.

Китайские исследователи разработали интерпретируемую модель машинного обучения, объединяющую полуавтоматическую сегментацию, внутриопухолевые «хабитаты» на мпМРТ и мультимасштабную перитуморальную радиомику для предоперационного прогноза высокодифференцированного рака предстательной железы. В двухцентровой когорте из 274 пациентов комбинированная номограмма достигла AUC 0.914 в обучающей выборке и 0.797 при внешней валидации, превосходя стандартные клинические параметры.

Систематический обзор 13 исследований показал, что радиомические модели на основе КТ, МРТ и ПЭТ-КТ обладают значительным потенциалом для прогнозирования выживаемости и ответа на индукционную, паллиативную и химиолучевую терапию при опухолях головы и шеи. Комбинированные клинико-радиомические модели превосходят по эффективности изолированные радиомические или клинические параметры.

Мультицентровое ретроспективное исследование (n=61) показало, что модели машинного обучения на основе радиомических и семиотических признаков бесконтрастной МРТ позволяют дифференцировать липомы и атипичные липоматозные опухоли (ALT) с ROC-AUC 0,889 для LASSO-регрессии и 0,833 для Random Forest (p>0,05). LASSO-модель идентифицировала 12 ключевых признаков, включая гиперинтенсивность с подавлением жира, топографию относительно компартментов и радиомические параметры текстуры.

Комбинированная модель радиомики и визуализационных признаков на основе мультифазной МРТ с гадоксетовой кислотой позволяет неинвазивно прогнозировать микроваскулярную инвазию при ГЦК с AUC 0.957, при этом 5-мм перитуморальная зона показала превосходство над 10-мм (точность 81.4% vs 69.8%, P=0.008).

Библиометрический анализ 394 публикаций выявил критический дисбаланс в исследованиях машинного обучения при ТНРМЖ: на каждое проспективное клиническое исследование приходится 44 работы по разработке алгоритмов. Ни одного проспективного интервенционного испытания не зарегистрировано.

Мультицентровое исследование продемонстрировало, что интеграция признаков глубокого обучения, радиомики, внутриопухолевой гетерогенности и клинических характеристик на основе мультипараметрической МРТ позволяет создать прогностическую модель с C-индексом 0.801 для пациентов с глиомами, превосходящую одномодальные подходы.