Details

Цель работы – разработка и валидация радиомической модели классификации глиом на низко- (LGG) и высокозлокачественные (HGG) на основе данных ПЭТ/КТ с ¹¹С-метионином. Методология. Включены данные 41 пациента (20 LGG, 21 HGG). Сегментация выполнена в 3D Slicer. Извлечено 107 радиомических признаков из ПЭТ-изображений с помощью PyRadiomics (IBSI). Отбор признаков проведён двухэтапно: LASSO-регуляризация с 5-кратной кросс-валидацией и валидационная кривая. Классификация выполнена методами LDA, SVM, k NN. Метрики оценки – AUC, точность, чувствительность, специфичность. Результаты. Модель на основе ПЭТ (5 отобранных признаков) достигла AUC = 0,89 ± 0,09, точности 0,828 ± 0,13, чувствительности 0,85 и специфичности 0,867. Разрыв между обучающей и тестовой производительностью составил 0,016, переобучение отсутствует. Линейные классификаторы (LDA, SVM) показали преимущество над k NN при малой выборке. Область применения. Разработанный конвейер может использоваться в нейроонкологии для неинвазивной градации глиом. Выводы. Радиомическая модель на основе ПЭТ с ¹¹С-метионином обеспечивает высокую точность классификации LGG и HGG, устойчива к переобучению и открывает перспективы для прогнозирования молекулярного статуса глиом.

Objective – to develop and validate a radiomic model for classifying gliomas into low grade (LGG) and high grade (HGG) based on PET/CT with ¹¹C methionine. Methods. Data from 41 patients (20 LGG, 21 HGG) were included. Segmentation was performed in 3D Slicer. A total of 107 radiomic features per patient were extracted from PET images using PyRadiomics (IBSI). Feature selection was carried out in two stages: LASSO regularization with 5 fold cross validation and a validation curve to determine the optimal number of features. Classification was performed using LDA, SVM, and k NN. Evaluation metrics included AUC, accuracy, sensitivity, and specificity. Results. The PET based model (5 selected features) achieved AUC = 0.89 ± 0.09, accuracy = 0.828 ± 0.13, sensitivity = 0.85, specificity = 0.867. The training test performance gap was 0.016, indicating no overfitting. Linear classifiers (LDA, SVM) outperformed k NN on the small sample. Application area. The developed pipeline can be used in neuro oncology for non invasive glioma grading. Conclusions. The PET based radiomic model with ¹¹C methionine provides high accuracy for LGG vs HGG classification, is robust against overfitting, and opens perspectives for predicting the molecular status of gliomas.