Цель: исследовать потенциальную ценность моделей машинного обучения, основанных на мультипараметрической МРТ экологического радиомики для прогнозирования лимфо- и васкулярной инвазии (LVI) у пациентов с раком желудка. Методы: ретроспективно собраны данные пациентов с подтвержденным патоморфологически раком желудка, проходивших обследование в Онкологической больнице провинции Шаньси с октября 2012 по май 2024, случайным образом разделены в пропорции 7:3 на обучающую и валидационную выборки. Проведена предобработка мультипараметрических МРТ, включая аксиальное Т2-взвешенное изображение, карту кажущегося коэффициента диффузии (ADC) и усиленное Т1-взвешенное изображение с ручной сегментацией опухоли. Опухоль разделена на субрегионы на основе алгоритма нечеткой кластеризации c-средних, выделены и отобраны радиомические признаки субрегионов и всего опухолевого региона. Сформированы радиомические модели на основе трёх алгоритмов машинного обучения: случайный лес (RF), логистическая регрессия (LR) и метод опорных векторов (SVM) для прогнозирования статуса LVI, выбрана оптимальная модель для всего опухолевого региона. Построены кривые рабочих характеристик приемника (ROC) и кривые анализа решений (DCA) для оценки предсказательной способности моделей LVI и их клинической пользы. Результаты: включено 446 пациентов с раком желудка, из них 313 в обучающую группу и 133 — в валидационную. Среди трёх моделей машинного обучения модель на основе SVM экологической радиомики показала наилучшее прогностическое качество с площадью под кривой (AUC) 0,803 для обучающей и 0,751 для валидационной выборки, что значительно превосходит модель радиомики всего опухолевого региона (тест DeLong, P < 0,05). Заключение: модели машинного обучения на основе мультипараметрической МРТ экологического изображений позволяют безинвазивно и точно прогнозировать статус LVI у пациентов с раком желудка, обеспечивая теоретическую основу для принятия клинических персонализированных решений.

рак желудка;лимфоваскулярная инвазия;магнитно-резонансная томография;экологический анализ;машинное обучение