Н.Ю. Ильясова1, А.А. Селезнева2, Н.С. Демин3, Е.Н. Суровцев4, А.В. Капишников5

1–3 Самарский национальный исследовательский университет им. академика С.П. Королева (г. Самара, Россия)
1, 3 Институт систем обработки изображений, НИЦ «Курчатовский институт» (Москва, Россия)
4, 5 ФГБОУ ВО «Самарский государственный медицинский университет Минздрава России» (г. Самара, Россия)
1 ilyasova.nata@gmail.com, 2 seleznevalisha@gmail.com, 3 volfgunus@gmail.com, 4 evgeniisurovcev@mail.ru,
5 a.v.kapishnikov@samsmu.ru

Постановка проблемы. Развитие технологий, в частности искусственного интеллекта, создает предпосылки к интенсивному внедрению новых методов в медицину. Особенно они актуальны в задачах, требующих неординарного подхода, например, прогнозирование роста первичных внемозговых опухолей по МРТ-изображениям с использованием методов глубокого обучения. За последние 5 лет на эту тему было проведено всего одно исследование, касающееся только неврином и не рассматривающее влияние тканей вокруг опухоли.

Цель. Разработать технологию прогнозирования роста первичных внемозговых опухолей на основе радиомического анализа МРТ-изображений, включающую этапы сегментации опухоли, вычисление радиомических признаков и последующее построение прогностической модели на их основе.

Результаты. Проведено научное обоснование взаимосвязи между радиомическими параметрами опухоли, а также области прилегающих к ней тканей и скоростью ее роста.

Практическая значимость. Предложенная и описанная в работе технология прогнозирования роста внемозговых опухолей на основе радиомических параметров продемонстрировала свою значимость для принятия клинических решений. Результаты данной работы подтверждают актуальность и эффективность использования радиомических подходов в онкологии, что открывает новые возможности для более персонализированного лечения.

Ильясова Н.Ю., Селезнева А.А., Демин Н.С., Суровцев Е.Н., Капишников А.В. Применение нейронных сетей для прогнозирования роста первичных внемозговых опухолей // Биомедицинская радиоэлектроника. 2025. T. 28. № 5. С. 125−128. DOI: https://doi.org/10. 18127/j156 04136-202505-25

1. Ostrom Q.T., Price M., Neff C. et al. CBTRUS Statistical Report: Primary Brain and Other Central Nervous System Tumors Diagnosed in the United States in 2015-2019. Neuro Oncol. 2022. V. 24. № 5. P. v1–v95. DOI: 10.1093/neuonc/noac202.
2. Goldbrunner R., Stavrinou P., Jenkinson M.D. et al. EANO guideline on the diagnosis and management of meningiomas. Neuro Oncol. 2021. V. 23. № 11. P. 1821–1834. DOI: 10.1093/neuonc/noab150.
3. Goldbrunner R., Weller M., Regis J. et al. EANO guideline on the diagnosis and treatment of vestibular schwannoma. Neuro Oncol. 2020. Vol. 22. № 1. P. 31–45. DOI: 10.1093/neuonc/noz153.
4. Itoyama T., Nakaura T., Hamasaki T. et al. Whole Tumor Radiomics Analysis for Risk Factors Associated with Rapid Growth of Vestibular Schwannoma in Contrast-Enhanced T1-Weighted Images. World Neurosurg. 2022. V. 166. P. e572–e582. DOI: 10.1016/j.wneu.2022.07.058.
5. Maggio I., Franceschi E., Tosoni A. et al. Meningioma: not always a benign tumor. A review of advances in the treatment of meningiomas. CNS Oncology. 2021. V. 10. P. CNS72. DOI: 10.2217/cns-2021-0003.
6. Ghosh S., Chaki A., Santosh K. Improved U-Net architecture with VGG-16 for brain tumor segmentation. Physical and Engineering Sciences in Medicine. 2021. V. 44. P. 703–712. DOI: 10.1007/s13246-021-01019-w.
7. Agafonova, Yu.D., Gaidel A.V., Zelter P.M., Kapishnikov A.V. Efficiency of machine learning algorithms and convolutional neural network for detection of pathological changes on magnetic resonance images of the brain. Computer Optics. 2020. V. 44. № 2. P. 266–273. DOI: 10.18287/2412-6179-CO-671.
8. Mittal M., Goyal L.M., Kaur S. et al. Deep learning based enhanced tumor segmentation approach for MR brain images. Applied Soft Computing. 2019. V. 78. P. 346–354. DOI: 10.1016/j.asoc.2019.02.036.
9. Claus E.B., Bondy M. L., Schildkraut J. M. et al. Epidemiology of intracranial meningioma. Neurosurgery. 2005. V. 57. P. 1088–1095. DOI: 10.1227/01.neu.0000188281.91351.b9.
10. Van Timmeren J., Cester D., Tanadini-Lang S. et al. Radiomics in medical imaging. “how-to” guide and critical reflection. Insights into Imaging. 2020. V. 11. № 1. P. 91–107. DOI: 10.1186/s13244-020-00887-2.