Радиомический анализ в оценке состояния тканей надостной мышцы при магнитно-резонансной томографии: ретроспективное исследование

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.

1. Peeters N.H.C., Kraats A.M., Krieken T.E. et al. The validity of ultrasound and shear wave elastography to assess the quality of the rotator cuff // Eur. Radiol. 2024. Vol. 34. P. 1971–1978. doi: 10.1007/s00330-023-10037-z.

2. Werthel J.D., Boux C.F., Burdin V. et al. CT-based volumetric assessment of rotator cuff muscle in shoulder arthroplasty preoperative planning // Bone Joint Open 2021. Vol. 2, No. 7. P. 552–561. doi: 10.1302/2633-1462.27.BJO-2021-0081.R1.

3. Nozaki T., Tasaki A., Horiuchi S. et al. Quantification of Fatty Degeneration Within the Supraspinatus Muscle Using a 2-Point Dixon Method on 3-T MRI // AJR Am. J. Roentgenol. 2015. Vol. 205, No. 1. P. 116–122. doi: 10.2214/AJR.14.13518.

4. Kissenberth M.J., Rulewicz G.J., Hamilton S.C. et al. A positive tangent sign predicts the repairability of rotator cuff tears // J. Shoulder Elbow Surg. 2014. Vol. 23, No. 7. P. 1023–1027. doi: 10.1016/j.jse.2014.02.014.

5. Ro K., Kim J.Y., Park H. et al. Deep-learning framework and computer-assisted fatty infiltration analysis for the supraspinatus muscle in MRI // Sci Rep. 2021. Vol. 11. Р. 15065. doi: 10.1038/s41598-021-93026-w.

6. Kim J.Y., Ro K., You S. et al. Development of an automatic muscle atrophy measuring algorithm to calculate the ratio of supraspinatus in supraspinous fossa using deep learning // Comput. Methods Programs Biomed. 2019. Vol. 182. Р. 105063. doi: 10.1016/j.cmpb.2019.105063.

7. Fuchs B., Weishaupt D., Zanetti M. et al. Fatty degeneration of the muscles of the rotator cuff: assessment by computed tomography versus magnetic resonance imaging // J. Shoulder Elbow Surg. 1999. Vol. 8, No. 6. P. 599–605. doi: 10.1058/S1058-2746(99)90097-6.

8. Fei Y., Wan Y., Xu L. et al. Novel methods to diagnose rotator cuff tear and predict post-operative Re-tear: Radiomics models // Asia Pac. J. Sports Med. Arthrosc. Rehabil Technol. 2024. Vol. 37. P. 14–20. doi: 10.1016/j.asmart.2024.03.003.

9. Saavedra J.P., Droppelmann G., García N., Jorquera C., Feijoo F. High-accuracy detection of supraspinatus fatty infiltration in shoulder MRI using convolutional neural network algorithms // Front Med (Lausanne). 2023. Vol. 10. Р. 1070499. doi: 10.3389/fmed.2023.1070499.

10. Ingebritsen R., Grogan B., Baer G., Cotter E. Deep learning accurately predicts supraspinatus pathology on shoulder magnetic resonance imaging // Arthrosc Sports Med. Rehabil. 2023. Vol. 5, No. 4. P. e1107–e1113. doi: 10.1016/j.asmr.2023.100807.

11. Vasilev Y.A., Nanova O.G., Blokhin I.A. et al. Priority radiomic parameters for computed tomography of head and neck malignancies: A systematic review // Digital Diagnostics. 2024. Vol. 5, No. 2. P. 255–268. doi: 10.17816/DD623240.

12. Xie J., Zhou M., Guo Z., Zhu Y., Jiang C.A. Quantitative Fatty Infiltration Evaluation of the Supraspinatus Muscle: Enhanced Clinical Relevance and Improved Diagnostic Value on Predicting Retear Compared With the Goutallier Classification // Am. J. Sports Med. 2025. Vol. 53, No. 4. P. 952–960. doi: 10.1177/036354652412313809.

13. Tian Z., Ni Y., He H. et al. Quantitative assessment of rotator cuff injuries using synthetic MRI and IDEAL-IQ imaging techniques // Heliyon. 2024. Vol. 10, No. 17. Р. e37307. doi: 10.1016/j.heliyon.2024.e37307.

14. Chianca V., Bottino V., Cuocolo R., Zappia M. MRI Quantitative Evaluation of Muscle Fatty Infiltration // Magnetochemistry. 2023. Vol. 9, No. 4. Art. 111. doi: 10.3390/magnetochemistry9040111.

15. Cheng C., Liang X., Guo D., Xie D. Application of Artificial Intelligence in Shoulder Pathology // Diagnostics (Basel). 2024. Vol. 14, No. 11. Р. 1091. doi: 10.3390/diagnostics14111091.

16. Rodriguez H.C., Rust B., Hansen P.Y. et al. Artificial Intelligence and Machine Learning in Rotator Cuff Tears // Sports Med. Arthrosc. Rev. 2023. Vol. 31, No. 3. P. 67–72. doi: 10.1097/JSA.0000000000000371.

17. Khoruzhaya A.N., Ahkmad E.S., Semenov D.S. The role of the quality control system for diagnostics of oncological diseases in radiomics // Digital Diagnostics. 2021. Vol. 2, No. 2. P. 170–184. doi: 10.17816/DD60393.

18. Mercuri E., Pichiecchio A., Allsop J. et al. Muscle MRI in inherited neuromuscular disorders: past, present, and future // J. Magn. Reson. Imaging. 2007. Vol. 25, No. 2. P. 433–440. doi: 10.1002/jmri.20804.

19. Sudoł-Szopinska I., Jacques T., Gietka P., Cotten A. Imaging in dermatomyositis in adults and children // J. Ultrason. 2020. Vol. 20. No. 80. P. e36–e42. doi: 10.15557/JoU.2020.0007.

20. Zhan J., Liu S., Dong C. et al. Shoulder MRI-based radiomics for diagnosis and severity staging assessment of surgically treated supraspinatus tendon tears // Eur. Radiol. 2023. Vol. 33, No. 8. P. 5587–5593. doi: 10.1007/s00330-023-09523-1.

21. Mannil M., Burgstaller J.M., Held U. et al. Correlation of texture analysis of paraspinal musculature on MRI with different clinical endpoints: Lumbar Stenosis Outcome Study (LSOS) // Eur. Radiol. 2019. Vol. 29, No. 1. P. 22–30. doi: 10.1007/s00330-018-5552-6.

22. Larue R.T., Timmeren J.E., Jong E.E.C. et al. Influence of gray level discretization on radiomic feature stability for different CT scanners, tube currents and slice thicknesses: a comprehensive phantom study // Acta Oncol. 2017. Vol. 56, No. 11. P. 1544–1553. doi: 10.1080/0284186X.2017.1351624.

23. Shi H., Duan Y., Shi J. et al. Role of preoperative prediction of microvascular invasion in hepatocellular carcinoma based on the texture of FDG PET image: A comparison of quantitative metabolic parameters and MRI // Front Physiol. 2022. Vol. 13. Р. 928969. doi: 10.3389/fphys.2022.928969.

24. Aerts H.J., Velazquez E.R., Leijenaar R.T. et al. Decoding tumour phenotype by noninvasive imaging using a quantitative radiomics approach // Nat. Commun. 2014. Vol. 5. Р. 4006. doi: 10.1038/ncomms5006.

25. Gillies R.J., Kinahan P.E., Hricak H. Radiomics: images are more than pictures, they are data // Radiology. 2016. Vol. 278, No. 2. P. 563–577. doi: 10.1148/radiol.2015151169.

26. Lee D., Hong K.-T., Lee W. et al. Threshold-based quantification of fatty degeneration in the supraspinatus muscle on MRI as an alternative method to Goutallier classification and single-voxel MR spectroscopy // BMC Musculoskelet Disord. 2020. Vol. 21, No. 1. Р. 362. doi: 10.1186/s12891-020-03400-4.

27. Danilov G.V., Agrba S.B., Strunina Yu.V. et al. Radiomics and Machine Learning in Diagnostics of Glial Brain Tumors: a Systematic Review and Meta-Analysis // Sovrem. Tekhnologii Med. 2025. Vol. 17, No. 6. P. 69–79. doi: 10.17691/stm2025.17.6.07.