Классификация рака с помощью радиомики в контролируемых доклинических моделях

Чтение рака по снимкам и по крови

Современная онкология всё чаще опирается на компьютеры, которые ищут шаблоны в медицинских изображениях и лабораторных тестах, невидимые невооружённым глазом. В этом исследовании задаётся простой, но важный вопрос: если нужно определить тип рака у пациента, лучше извлекать скрытую информацию из снимков или из крови? В тщательно контролируемых экспериментах на мышах авторы напрямую сравнили оба подхода, чтобы выяснить, какой из них даёт более надёжные ответы.

Что значит «виртуальная биопсия»

Радиомика — быстро развивающийся метод, который рассматривает каждый медицинский снимок как богатый источник данных, а не просто как картинку. Специальное программное обеспечение просматривает трёхмерные КТ‑изображения опухоли и превращает их в сотни числовых признаков, описывающих форму, яркость и тонкую текстуру. По сути, эти шаблоны могут отражать биологию опухоли подобно биопсии, но без игл и операции — так называемая «виртуальная биопсия». Сторонники надеются, что радиомика поможет классифицировать опухоли, оценивать их агрессивность и направлять выбор лечения. Но есть и опасения: результаты могут плохо воспроизводиться, легко искажаться техническими артефактами и быть трудными для интерпретации врачами.

Честное очное сравнение на мышах

Чтобы подвергнуть радиомику строгой проверке, команда использовала модель на мышах, где почти всё можно было контролировать. Группам генетически одинаковых мышей имплантировали один из двух типов опухолей: CT26, модель колоректального рака, и 4T1, модель рака молочной железы. Все животные были одной породы, пола и схожего возраста, содержались в одинаковых условиях и снимались на одном и том же КТ‑аппарате. Опухоли тщательно очерчивали в 3D‑программе, а популярный пакет радиомики извлекал по 1 409 числовых признаков с каждого снимка. Параллельно у тех же животных брали кровь и измеряли виды иммунных клеток и десятки белков — биомаркеров, которые в предыдущих работах исследователей уже показали почти идеальную способность различать эти модели рака.

Сжатие тысяч деталей изображения в полезный сигнал

Большинство исходных признаков изображения оказалось бесполезным: часть практически не варьировала между мышами, многие были почти дубликатами друг друга. После нескольких этапов статистической фильтрации осталось лишь 18 нередундантных радиомических признаков, в основном описывающих тонкие текстурные паттерны, а не простые размеры или форму. Затем команда использовала стандартный метод машинного обучения Random Forest, чтобы проверить, насколько эти уточнённые признаки изображения способны различать два типа опухолей. Также применяли инструменты визуализации, чтобы проверить, формируют ли данные естественные кластеры для каждого типа рака без предварительных меток.

Сигналы крови превзошли сигналы изображения

Контраст между кровью и изображениями был поразительным. Когда исследователи свели данные о клетках крови и белках плазмы к двум измерениям, два типа опухолей образовали чётко разделённые кластеры, что подтверждало способность крови нести сильные, специфичные для опухоли сигналы. В радиомических данных, однако, возникли три смешанных кластера, каждый из которых содержал смесь двух типов рака, что указывало на влияние других, неизвестных факторов на изображения. В контролируемых (супервизированных) тестах радиомика в одиночку классифицировала тип опухоли с точностью около 87% — неплохо, но заметно хуже по сравнению с 96% точностью по подсчёту иммунных клеток и 99% по белкам плазмы. Добавление радиомики к маркёрам крови не улучшало результат; в некоторых сочетаниях точность даже слегка снижалась. Дальнейший эксперимент показал, что использование только небольшой сферической области внутри опухоли вместо очерчивания всей массы ещё сильнее ухудшало работу радиомики, подчёркивая, насколько эти признаки чувствительны к тому, как опухоль выделяют на снимке.

Что это означает для будущих тестов на рак

Для неспециалиста вывод ясен: хотя продвинутый анализ изображений может дать полезные подсказки, в этом исследовании он уступил относительно простым тестам крови в задаче различения двух типов рака. Даже в строго контролируемых лабораторных условиях с идентичными мышами и стандартизированной визуализацией небольшие технические различия и сложность обработки изображений, по-видимому, размывали радиомический сигнал. Авторы делают вывод, что радиомика ещё не готова выступать как автономный, высоконадежный классификатор рака. По их мнению, прежде чем «виртуальные биопсии» смогут надёжно направлять клинические решения наряду с, или вместо, устоявшихся биомаркеров крови, потребуются более строгая стандартизация визуализации, лучшие инструменты очерчивания и более чёткие связи между образами и лежащей в основе биологией.

Цитирование: Drover, K., Davis, D.A.S., Gosling, K. et al. Cancer classification with radiomics in controlled preclinical models. Sci Rep 16, 6647 (2026). https://doi.org/10.1038/s41598-026-37757-8

Ключевые слова: радиомика, биомаркеры рака, медицинская визуализация, машинное обучение в онкологии, анализ крови на рак