Биология ва тиббиёт муаммолари 2026, №5 (171)

Subject of the article

ДИФФЕРЕНЦИАЛЬНАЯ ОЦЕНКА СТЕПЕНИ ЗЛОКАЧЕСТВЕННОСТИ ГЛИОМ С ИСПОЛЬЗОВАНИЕМ МРТ И АЛГОРИТМОВ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА (388-392)

Authors

Хамидов Обид Абдурахмонович, Шарипов Маруфжон Орифжон угли

Institution

1 - Научно-исследовательский институт реабилитологии и спортивной медицины Самаркандского госу-дарственного медицинского университета, Республика Узбекистан, г. Самарканд; 2 - Управление здравоохранения города Самарканда, Республика Узбекистан, г. Самарканд

Abstract

Цель: оценить диагностическую эффективность мультипараметрической МРТ и алгоритмов искус-ственного интеллекта (ИИ) в дифференциальной диагностике глиом различной степени злокаче-ственности. Материал и методы: ретроспективно проанализированы МРТ-исследования 142 пациентов с верифицированными глиомами (низкой степени злокачественности – 68, высокой – 74). Оценивали морфологические признаки, количественные пара-метры ADC и алгоритм трёхмерной сверточной нейронной сети (3D-CNN); обучающая, валидацион-ная и тестовая выборки составили 70, 15 и 15% со-ответственно. Результаты: стандартная МРТ-оценка показала чувствительность 78,4%, специ-фичность 81,3%, AUC 0,821; анализ ADC – 84,5%, 82,1% и 0,875; модель 3D-CNN – 91,3%, 88,7%, точ-ность 90,0%, F1-мера 0,898, AUC 0,938; комбиниро-ванная модель «МРТ + ИИ» – 93,5%, 91,2% и AUC 0,955. Выводы: алгоритм искусственного интеллек-та в сочетании с мультипараметрической МРТ об-ладает высокой диагностической эффективностью при дифференциации глиом различной степени зло-качественности и может служить надёжным ин-струментом поддержки врачебных решений.

Key words

глиома, магнитно-резонансная томография, искусственный интеллект, глубокое обучение, радиомика, ADC, дифференциальная диагностика, глиома низкой степени злокачественности, глиома высокой степени злокачественности, машинное обучение.

Literature

1. Ризаев Ж.А., Ахроров А.Ш. Плеоморфная аде-нома: особенности клеточного состава и морфоло-гической структуры // Проблемы биологии и ме-дицины. 2025. № 2 (159). С. 314–317. Ссылка на публикацию. 2. Ризаев Ж.А., Васильев А.Ю., Гайбуллаев Э.А. Рентгенодиагностика как современный метод диа-гностики в стоматологии // Стоматология. 2019. Т. 1, № 1 (74). С. 67–71. DOI: 10.71337/inlibrary.uz.stomatologiya.1319. 3. Ризаев Ж.А., Джурабекова А.Т., Касимов А.А., Мамурова М.М., Мамаурова М.М. Объективиза-ция клинико-неврологической картины повторно-го инсульта у пожилых // Uzbek Journal of Case Reports. 2023. Т. 3, № 3. С. 15–22. DOI: 10.55620/ujcr.3.3.2023.3. 4. Ризаев Ж.А., Кубаев А.С., Абдукадыров А.А. Предоперационное планирование хирургического лечения верхней ретро-микрогнатии // Журнал биомедицины и практики. 2020. Специальный выпуск, № 2. С. 866–873. Библиографическое подтверждение. 5. Ризаев Ж.А., Туляганов Н.А. Состояние верх-нечелюстной пазухи у пациентов с переломами скулоорбитального комплекса: обзор литературы // Передовая офтальмология. 2023. Т. 2, № 2. С. 66–73. DOI: 10.57231/j.ao.2023.2.2.012. 6. Ризаев Ж.А., Хайдаров Н.К. Клиническое, эпи-демиологическое и этиопатогенетическое иссле-дование ишемического инсульта // Журнал невро-логии и нейрохирургических исследований. 2020. Т. 1, № 1. С. 11–15. DOI: 10.26739/2181-0982-2020-1-2. 7. Ризаев Ж.А., Хакимова С.З., Музаффарова Н.Ш., Ахмадеева Л.Р. Дополнительные подходы к функциональной и визуализационной диагности-ке головного мозга при разработке индивидуали-зированных стратегий помощи для пациентов с неврологическими проблемами // Uzbek Journal of Case Reports. 2023. Т. 3, № 4. С. 15–19. Ссылка на публикацию. 8. Ризаев Ж.А., Шадманов А.А., Кубаев А.С., Олимжонов К.Ж. Роль компьютерного моделиро-вания при дентальной имплантологии в совре-менной стоматологии // Журнал стоматологии и краниофациальных исследований. 2021. Т. 2, № 1. С. 50–55. Ссылка на публикацию. 9. Aerts H.J.W.L., Velazquez E.R., Leijenaar R.T.H., et al. Decoding tumour phenotype by noninvasive imaging using a quantitative radiomics approach // Nature Communications. 2014. Vol. 5. Art. 4006. 10. Akkus Z., Galimzianova A., Hoogi A., et al. Deep learning for brain MRI segmentation: state of the art and future directions // Journal of Digital Im-aging. 2017. Vol. 30, № 4. P. 449–459. 11. Çiçek Ö., Abdulkadir A., Lienkamp S.S., et al. 3D U-Net: learning dense volumetric segmentation from sparse annotation // Medical Image Computing and Computer-Assisted Intervention – MICCAI 2016. Springer, 2016. P. 424–432. 12. DeLong E.R., DeLong D.M., Clarke-Pearson D.L. Comparing the areas under two or more corre-lated receiver operating characteristic curves: a non-parametric approach // Biometrics. 1988. Vol. 44, № 3. P. 837–845. 13. Guo A.C., Cummings T.J., Dash R.C., et al. Lymphomas and high-grade astrocytomas: compari-son of water diffusibility and histologic characteris-tics // Radiology. 2002. Vol. 224, № 1. P. 177–183. 14. Ismail M., Hill V., Statsevych V., et al. Shape features improve prediction of survival for glioblas-toma patients // Scientific Reports. 2016. Vol. 6. Art. 29356. 15. Jenkinson M., Bannister P., Brady M., et al. Im-proved optimization for the robust and accurate line-ar registration and motion correction of brain images // NeuroImage. 2002. Vol. 17, № 2. P. 825–841. 16. Kickingereder P., Bonekamp D., Nowosielski M., et al. Radiogenomics of glioblastoma: machine learning-based classification of molecular character-istics by using multiparametric and multiregional MR imaging features // Radiology. 2016. Vol. 281, № 3. P. 907–918. 17. Law M., Yang S., Babb J.S., et al. Comparison of cerebral blood volume and vascular permeability from dynamic susceptibility contrast-enhanced per-fusion MR imaging with glioma grade // AJNR American Journal of Neuroradiology. 2004. Vol. 25, № 5. P. 746–755. 18. Lev M.H., Ozsunar Y., Henson J.W., et al. Glial tumor grading and outcome prediction using dynam-ic spin-echo MR susceptibility mapping compared with conventional contrast-enhanced MR: con-founding effect of elevated rCBV of oligodendrogli-omas // AJNR American Journal of Neuroradiology. 2004. Vol. 25, № 2. P. 214–221. 19. Louis D.N., Perry A., Wesseling P., et al. The 2021 WHO Classification of Tumors of the Central Nervous System: a summary // Neuro-Oncology. 2021. Vol. 23, № 8. P. 1231–1251. 20. Menze B.H., Jakab A., Bauer S., et al. The mul-timodal brain tumor image segmentation benchmark (BRATS) // IEEE Transactions on Medical Imaging. 2015. Vol. 34, № 10. P. 1993–2024. 21. Ostrom Q.T., Patil N., Cioffi G., et al. CBTRUS statistical report: primary brain and other central nervous system tumors diagnosed in the United States in 2013–2017 // Neuro-Oncology. 2020. Vol. 22, Suppl. 12. P. iv1–iv96. 22. Rizaev J.A., Maeda H., Khramova N.V. Plastic surgery for the defects in maxillofacial region after surgical resection of benign tumors // Annals of Cancer Research and Therapy. 2019. Vol. 27, № 1. P. 22–23. DOI: 10.4993/acrt.27.22. 23. Rizayev J.A., Xamidov O.A., Gaybullayev Sh.O. Improving medical radiology services in the Repub-lic of Uzbekistan with the introduction of innovative diagnostic methods // Problems of Biology and Med-icine. 2024. № 2 (152). P. 139–141. Библиографи-ческое подтверждение. 24. Ronneberger O., Fischer P., Brox T. U-Net: con-volutional networks for biomedical image segmenta-tion // Medical Image Computing and Computer-Assisted Intervention – MICCAI 2015. Springer, 2015. P. 234–241. 25. Saadh M.J., Hussain Q.M., Albadr R.J., Doshi H., Rekha M.M., Kundlas M., Pal A., Rizaev J.A., et al. Advanced feature fusion of radiomics and deep learning for accurate detection of wrist fractures on X-ray images // BMC Musculoskeletal Disorders. 2025. Vol. 26. Art. 498. DOI: 10.1186/s12891-025-08733-6. 26. Saadh M.J., Hussain Q.M., Albadr R.J., Doshi H., Rekha M.M., Kundlas M., Pal A., Rizaev J.A., et al. Radiomics meets transformers: a novel approach to tumor segmentation and classification in mam-mography for breast cancer // Journal of X-Ray Sci-ence and Technology. 2025. Vol. 33, № 6. P. 1039–1058. DOI: 10.1177/08953996251351624. 27. Shen D., Wu G., Suk H.I. Deep learning in med-ical image analysis // Annual Review of Biomedical Engineering. 2017. Vol. 19. P. 221–248. 28. Toh C.H., Castillo M., Wong A.M., et al. Prima-ry cerebral lymphoma and glioblastoma multiforme: differences in diffusion characteristics evaluated with diffusion tensor imaging // AJNR American Journal of Neuroradiology. 2008. Vol. 29, № 3. P. 471–475. 29. Tustison N.J., Avants B.B., Cook P.A., et al. N4ITK: improved N3 bias correction // IEEE Trans-actions on Medical Imaging. 2010. Vol. 29, № 6. P. 1310–1320. 30. van Griethuysen J.J.M., Fedorov A., Parmar C., et al. Computational radiomics system to decode the radiographic phenotype // Cancer Research. 2017. Vol. 77, № 21. P. e104–e107. 31. Warfield S.K., Zou K.H., Wells W.M. Simulta-neous truth and performance level estimation (STA-PLE): an algorithm for the validation of image seg-mentation // IEEE Transactions on Medical Imaging. 2004. Vol. 23, № 7. P. 903–921. 32. Wesseling P., Capper D. WHO 2016 Classifica-tion of gliomas // Neuropathology and Applied Neu-robiology. 2018. Vol. 44, № 2. P. 139–150.