Жиляков Александр Андреевич - студент V курса института клинической медицины
620028, Свердловская область, Екатеринбург, ул. Репина, д. 3
Alexander A. Zhilyakov - 5[th] -year student at the Institute of Clinical Medicine
Yekaterinburg
Блинов Владислав Сергеевич - кандидат медицинских наук, заведующий рентгенодиагностическим отделением
624090, Свердловская область, г. Верхняя Пышма, ул. Чайковского, д. 32
Vladislav S. Blinov - Cand. of Sci. (Med.), Head of the X-ray diagnostic department
Verkhnyaya Pyshma
Чернавин Павел Федорович - кандидат экономических наук, доцент кафедры «Аналитика больших данных и методы видеоанализа»
620062, Свердловская область, Екатеринбург, ул. Мира, д. 19
Pavel F. Chernavin - Cand. of Sci. (Econ.), Assoc. Prof. of the Department of Big Data Analytics and Video Analysis Methods
Yekaterinburg
Жиляков Андрей Викторович - доктор медицинских наук, доцент кафедры травматологии и ортопедии
620028, Свердловская область, Екатеринбург, ул. Репина, д. 3
Andrey V. Zhilyakov - Dr. of Sci. (Med.), Assoc. Prof. of the Department of Traumatology and Orthopedics
Yekaterinburg
ВВЕДЕНИЕ: Радиомика рассматривается как инструмент объективного количественного анализа медицинских изображений, позволяющий описывать тканевые изменения через набор воспроизводимых числовых дескрипторов. Для поражений вращательной манжеты плеча наиболее проблемным остается воспроизводимое распознавание промежуточных степеней жировой инфильтрации и атрофии надостной мышцы по данным МРТ, поскольку традиционные визуальные шкалы подвержены субъективизму и дают неоднозначные границы между соседними стадиями. В связи с этим актуальна разработка радиомико-ориентированного протокола на протонно-взвешенных последовательностях с подавлением жира как на наиболее распространенном клиническом источнике данных.
ЦЕЛЬ: Определить наиболее информативные радиомические, преимущественно текстурные, параметры на протонновзвешенных МРТ-изображениях надостной мышцы и на их основе разработать и внутренне валидировать классификационную модель машинного обучения (Random Forest) для объективной многоклассовой стратификации выраженности дегенеративных изменений.
МАТЕРИАЛЫ И МЕТОДЫ: Проведен ретроспективный анализ 41 МРТ плечевого сустава, выполненных на томографах 1,5 Тл в клиниках Екатеринбурга и Свердловской области. Использовали протонно-взвешенные серии семейства TSE/FSE с подавлением жира (PD-FS) стандартного клинического протокола; изображения подвергали унифицированной предобработке и стандартизации. Надостную мышцу сегментировали посрезово с формированием трехмерной области интереса, после чего извлекали радиомические дескрипторы (SlicerRadiomics). Исходный набор включал 427 параметров; применяли поэтапное сокращение размерности (удаление неинформативных переменных, корреляционная фильтрация, комбинированный отбор предикторов) с формированием финального набора для моделирования. В качестве основного классификатора использовали Random Forest с балансировкой классов и подбором гиперпараметров; качество оценивали 5-кратной стратифицированной кросс-валидацией. Дополнительно анализировали поклассовую чувствительность, macro F1-score, k и AUC в схеме «один против всех».
Статистика: статистическая обработка данных и построение моделей машинного обучения осуществлялись с использованием программного обеспечения IBM SPSS Statistics (IBM Corp., Армонк, США) и среды статистических вычислений R (R Core Team, 2025), а также с применением языка программирования Python (библиотеки scikit-learn, pandas, matplotlib, shap).
РЕЗУЛЬТАТЫ: По экспертной оценке, распределение степеней дегенеративных изменений составило: степень 0 11 случаев (26,8%), степень 1 — 5 (12,2%), степень 2 — 20 (48,8%), степень 3 — 5 (12,2%). После предобработки и отбора сформирован финальный набор из 43 радиомических предикторов. Внутренняя валидация модели Random Forest показала общую точность 63,4%, macro F1-score 45,7% и k=0,42. ROC-анализ в схеме «один против всех» продемонстрировал высокие значения AUC (0,94–1,0) при выраженной неоднородности качества между классами: модель надежнее распознавала наиболее представленную категорию, тогда как промежуточные/малочисленные степени требовали дальнейшего улучшения протокола и расширения выборки. Наибольший вклад в решения модели вносили текстурные параметры после вейвлет-преобразования и показатели, отражающие интегральные особенности интенсивности сигнала в области интереса.
ЗАКЛЮЧЕНИЕ: Показана принципиальная реализуемость радиомико-ориентированной многоклассовой классификации дегенеративных изменений надостной мышцы на протонно-взвешенных МР-изображениях в условиях реальной клинической выборки. Полученные результаты подтверждают высокую информативность текстурных признаков, однако выявляют ограничение текущей модели при дифференциации соседних и малочисленных степеней, что требует дальнейшей гармонизации протокола и расширения данных.
INTRODUCTION: Radiomics provides quantitative image-derived descriptors that may reduce subjectivity in MRI assessment of supraspinatus muscle degeneration. In rotator cuff pathology, the major challenge is reliable stratification of intermediate grades of fatty infiltration and atrophy, where visual grading is prone to inter-reader variability. Proton-density fat-suppressed sequences are routinely acquired in shoulder MRI and may serve as a practical source for radiomics-based modeling.
OBJECTIVE: To identify the most informative radiomic, predominantly texture-based, features on proton-density fat-suppressed MRI of the supraspinatus muscle and, based on these features, to develop and internally validate a Random Forest machinelearning model for objective multiclass stratification of degenerative changes.
MATERIALS AND METHODS: A retrospective dataset of 41 shoulder MRI examinations acquired on 1.5 T scanners in multiple clinical sites was analyzed. PD-weighted turbo/fast spin-echo fat-suppressed series were selected and processed using a unified pre-processing and standardization workflow. The supraspinatus muscle was manually segmented slice-by-slice to create a three-dimensional region of interest. Radiomic features were extracted using SlicerRadiomics, followed by stepwise dimensionality reduction and a combined feature-selection strategy to form the final predictor set. A Random Forest classifier with class balancing and hyperparameter tuning was used as the main model. Performance was assessed with 5-fold stratified cross-validation using accuracy, macro F1-score, Cohen’s kappa, per-class sensitivity, and one-vs-rest ROC AUC.
Statistics: statistical data processing and the construction of machine learning models were carried out using IBM SPSS Statistics software (IBM Corp., Armonk, USA) and the R statistical computing environment (R Core Team, 2025), as well as using the Python programming language (scikit-learn, pandas, matplotlib, shap libraries).
RESULTS: Expert grading yielded an imbalanced class distribution (grade 0: 11 cases; grade 1: 5; grade 2: 20; grade 3: 5). The final modeling set comprised 43 radiomic predictors. Cross-validated performance of the Random Forest model reached an overall accuracy of 63.4%, macro F1-score of 45.7%, and Cohen’s kappa of 0.42. One-vs-rest ROC analysis showed high AUC values (0.94–1.0), while class-wise sensitivity indicated pronounced heterogeneity, with better recognition of the most prevalent category and reduced performance for intermediate/rare grades. Wavelet-based texture features and intensity-related descriptors contributed most to model decisions.
CONCLUSIONS: The study demonstrates the feasibility of radiomics-assisted multiclass classification of supraspinatus muscle degeneration on PD fat-suppressed MRI in a real-world clinical dataset. Texture features, particularly wavelet-derived metrics, were among the most informative; however, discrimination of adjacent and underrepresented grades remains a limitation and requires further protocol harmonization and larger datasets.
The authors declare that there are no conflicts of interest present.