Возможности радиомического анализа ультразвуковых изображении в диагностике объемных образований челюстно-лицевой области

Автоматизированный количественный анализ радиографического фенотипирования относится к совре- менному цифровому методу исследования, который позволяет проводить дифференциальную диагностику различных патологических состояний челюстно-лицевой области (ЧЛО). Радиологические данные отражают характеристики тканей и очагов поражения, такие как гетерогенность и форма, и могут отдельно или в со- четании с демографическими, гистологическими, геномными или протеомными данными, использоваться для решения клинических проблем. Ультразвуковое исследование (УЗИ) является одним из наиболее ши- роко используемых методов визуализации во всем мире. Благодаря безопасности, невысокой стоимости и доступности оно часто используется в качестве неинвазивного метода диагностики и последующего наблюдения в различных областях применения.
Цель исследования: оценить возможности радиомического анализа в дифференциальной диагностике объемных образований ЧЛО для дальнейшей разработки программы на основе искусственного интеллекта, которая с помощью радиомического анализа УЗ-изображений сможет ставить предварительный диагноз.
Материал и методы. Обзор литературы, результаты обследования 77 пациентов с различными патологиче- скими состояниями ЧЛО от 25 до 72 лет, 56 женщин и 21 мужчина (диагноз подтвержден рентгенологически и гистологически), статистический анализ полученных результатов.
Результаты. По данным обзора литературы, в 2021 г. Loïc Duron и др. доказали возможность примене- ния радиомического анализа ультразвуковых изображений для диагностики патологических состояний головы и шеи. Наиболее частыми случаями из 77 были новообразования (плеоморфная аденома): 29(78,39%) и кисты – 8 (21,62%) больших слюнных желез. После гистологического подтверждения ди- агноза полученные ультразвуковые изображения подвергались ручной сегментации, затем количест- венному анализу в программе Slicer 5.6.1, в результате чего были рассчитаны радиомические признаки (n=120), представленные цифровыми значениями. Проведенный анализ методом главных компонент подтвердил наличие радиомических признаков, характерных только для одного диагноза. Далее были отобраны признаки (n=50) с коэффициентом повторяемости ниже 1. Из них 5 радиомических признаков были характерны только для одного диагноза, что может быть интерпретировано как потенциальный биомаркер визуализации данных нозологий. Оставшиеся 45 признаков были характерны для обоих диагнозов, но различия цифровых значений между ними оказались статистически незначимыми (p- значение =0,72; уровень значимости α=0,05). Следовательно, эти данные не могли быть использованы в качестве потенциальных биомаркеров визуализации. Заключение. Было выявлено 5 биомаркеров визуализации для диагностики плеоморфных аденом и кист больших слюнных желез (для плеоморфных аденом – Original Glcm JointAverage, Original Glrlm RunEntropy и Original Glszm GreyLevelNonUniformityN ormalized, для кист – Original Glszm GreyLevelVariance и Original Glcm SumEntropy). Необходимы даль- нейшие исследования для получения большего объема данных. Такая модель радиомики способствует правильной маршрутизации пациента и выбору оптимального метода лечения.
Ключевые слова: радиомика, радиомический анализ, сегментация, радиомический признак, искусственный интеллект, ультразвуковое исследование, биомаркер визуализации
Конфликт интересов. Авторы заявляют об отсутствии конфликта интересов.
Финансирование. Работа выполнена без спонсорской поддержки.

Background. Automated quantitative analysis of radiographic phenotyping refers to a modern digital research method that allows differential diagnosis of various pathological conditions of the maxillofacial region. Radiological data reflect the characteristics of tissues and lesions, such as heterogeneity and shape, and can, alone or in combination with demographic, histological, genomic or proteomic data, be used to solve clinical problems. Ultrasound is one of the most widely used imaging techniques worldwide. Due to its safety, low cost and accessibility, it is often used as a non-invasive diagnostic and follow-up method in various applications.
The aim of the study was to evaluate the possibilities of radiomic analysis in the differential diagnosis of the maxillofacial region masses for further development of an artificial intelligence-based program that can make a preliminary diagnosis using radiomic analysis of ultrasound images.
Material and methods. Literature review, examination results of 77 patients with various pathological conditions of the maxillofacial region aged from 25 to 72 years, 56 females and 21 males (the diagnosis was confirmed radiologically and pathologically), statistical analysis of the results. Results. According to the literature review, Loïc Duron et al., 2021 proved the possibility of using radiomic analysis of ultrasound images for the diagnosis of pathological conditions of the head and neck. The most frequent cases out of 77 were neoplasms (pleomorphic adenoma) – 29 (78.39%) and cysts – 8 (21.62%) of the large salivary glands. After pathological confirmation of the diagnosis, the ultrasound images obtained were subjected to manual segmentation, then quantitative analysis using the Slicer 5.6.1 software, as a result of which radiomic features (n=120), represented by digital values, were calculated. Principal component analysis confirmed the presence of radiomic features characteristic of only one condition. Further, we selected features (n=50) with a coefficient of repeatability below 1. Of these, 5 radiomic features were characteristic of only one condition, which can be interpreted as a potential imaging biomarker for these nosologies.
Conclusion: Five imaging biomarkers for the diagnosis of pleomorphic adenomas and large salivary gland cysts were identified (Original Glcm JointAverage, Original Glrlm RunEntropy and Original Glszm GreyLevelNonUniformityNorma lized for pleomorphic adenomas, Original Glszm GreyLevelVariance and Original Glcm SumEntropy for cysts). Further research is needed to obtain more data. This radiomics model facilitates proper patient routing and selection of the optimal treatment method.
Key words: radiomics, radiomics analysis, segmentation, radiomic feature, artificial intelligence, ultrasound, biomarker
Conflicts of interest. The authors have no conflicts of interest to declare.
Funding. There was no funding for this study

Введение Автоматизированный количественный анализ радиографиче- ского фенотипирования относится к современному цифровому методу исследования, который позволяет проводить диффе- ренциальную диагностику различных патологических состояний челюстно-лицевой области (ЧЛО). Радиологические данные отра- жают характеристики тканей и очагов поражения, такие как гете- рогенность и форма, и могут отдельно или в сочетании с демо- графическими, гистологическими, геномными или протеомными данными, использоваться для решения клинических проблем [1]. Предпосылки к созданию и развитию радиомики появились относительно давно, еще в 60-х гг. XX в., c изобретения систем CAD-CAM (Computer aided design, computer aided manufacturing). Естественно, изначально область ее применения была ограничена тяжелой промышленностью, а именно, авиаконструированием. Со временем и ускорением развития технологий данная инно- вация внедрилась и в другие сферы деятельности, в частности в медицину. Использование и роль технологий медицинской визуализации значительно расширились – от использования в качестве диагностического инструмента до более важной роли в персонализированной медицине [2]. Ультразвуковое исследование (УЗИ) является одним из наи- более широко используемых методов визуализации во всем мире. Благодаря безопасности, невысокой стоимости и доступ- ности оно часто используется в качестве неинвазивного метода диагностики и последующего наблюдения в различных областях применения. Поскольку для верификации диагноза новообразования необходимо проведение гистологического и/или цитологиче- ского исследования, все пациенты проходят через процедуру взятия биопсии, что чаще всего сопровождается страхом боли и подтверждения диагноза злокачественного новообразования, вследствие чего многие из них неохотно идут на процедуру или вовсе отказываются даже при наличии ярких клинических проявлений. Научная новизна Поскольку тема радиомики чаще всего использовалась в онкологии, то большинство исследований касались преимуще- ственно 3D-медицинских изображений, таких как компьютерная (КТ), магнитно-резонансная (МРТ) и позитронно-эмиссионная (ПЭТ) томография. В процессе сбора литературного материа- ла получилось найти лишь одно исследование возможностей радиомического анализа УЗ-изображений ЧЛО, а именно орбиты [3]. Мы же решили провести исследование возможностей ради- омического анализа УЗ-изображений больших слюнных желез и собрать необходимую базу данных для выявления отличитель- ных цифровых характеристик того или иного патологического сотояния выбранной области. Целью исследования является создание программы на основе искусственного интеллекта, которая с помощью радиомического анализа медицинских изображений, а именно УЗ-изображений, сможет ставить предварительный диагноз. Это сможет помочь молодым специалистам в процессе их обучения, а также позволит получить квалифицированную интерпретацию изображения в отсутствие рентгенолога, в качестве неинвазивной цифровой биопсии. В задачи исследования входит оценка возможностей радиомического анализа в дифференциальной диагностике объ- емных образований ЧЛО. Материал и методы Еще в 2021 г. французские исследователи Loïc Duron и соавт. доказали возможность применения радиомического анализа УЗ-изображений для дифференциальной диагностики патоло- гических состояний орбиты [3]. Поэтому мы решили провести свое проспективное сравнительное клиническое исследование на основе радиомического анализа УЗ-изображений выбран- ных областей ЧЛО. Для этого были отобраны 77 пациентов (56 женщин и 21 мужчина). Критериями включения являлись возраст от 18 лет, наличие гистологически подтвержденного диагноза доброкачествен- ного образования ЧЛО, поражения одноименных локализаций (большие слюнные железы). Критерии исключения: возраст до 18 лет, наличие гистологически подтвержденного диагноза злокачественного новообразования, различные локализации поражений. После гистологического и рентгенологического подтвержде- ния диагноза и получения УЗ-изображения оно подвергалось обработке, сегментированию и количественному анализу в специальной программе Slicer 5.6.1, в результате чего были рассчитаны радиомические признаки, которые представлены цифровыми значениями. В качестве метода статистической обработки данных мы использовали метод статистической проверки гипотез, осно- ванный на распределении Стьюдента. Далее полученные признаки статистически анализировались, и в результате были выявлены те статистически значимые при- знаки, которые потенциально могут быть интерпретированы как биомаркер визуализации того или иного патологического состояния. Результаты Из 77 случаев наиболее частыми являлись новообразования (плеоморфная аденома): 29 (78,39%) и кисты – 8 (21,62%) больших слюнных желез. На КТ-снимках кисты определяются, как гипоплотные образования, округлой формы с четкими, ровными контурами, однородной структуры. Согласно N. Kakimoto и соавт. вероятность обнаружения пле- оморфной аденомы 77% на аксиальных КТ-снимках, 90% – на аксиальных КТ-снимках с контрастированием соответственно. Границы новообразования четко очерчены во многих случаях на КТ-снимках (73–92%). Границы поражения, как правило, гладкие (55–62%). Вид образования на обычных КТ-снимках неоднородный (71%). Контраст между поражением и окружа- ющей тканью на обычных КТ-снимках (56%) низкий, в то время как на КТ-снимках с контрастированием контраст высокий (81 или 55%). Интенсивность сигнала на обычных КТ-изображениях средней интенсивности (82%), а с контрастированием – варьи- руется от средней до высокой [4]. Мы использовали ручной метод обозначения зоны интереса, при этом сегментация УЗ-изображения проводилась врачом- рентгенологом, имеющим сертификат специальности «ультраз- вуковая диагностика» (рис. 1, 2). Впоследствии, проведя анализ методом главных компонент (PCA), проведенный в программе RStudio, мы получили точеч- ную 2D-диаграмму, на которой четко видно, что большинство точек, обозначающих плеоморфные аденомы, сгруппировались отдельно от точек, обозначающих кисты, что лишь доказыва- ет наличие радиомических признаков, характерных лишь для данного диагноза (рис. 3). Аналогичный вывод можно сделать и для кист. Для выявления биомаркеров визуализации необходимо отби- рать признаки, цифровые значения которых у всех пациентов с одноименным диагнозом будут стремиться к среднему арифме- тическому значению в 95% случаев. Такую ситуацию характери- зует коэффициент повторяемости RC (Repeatability Coefficient). Чем меньше коэффициент, тем выше повторяемость, поэтому было решено отбирать признаки с коэффициентом повторяемо- сти ниже 1. Поскольку из 2 полученных выборок 45 признаков совпали, мы сравнили их значения, в результате чего из-за высокого сходства было отобрано 16 одноименных признаков с разницей в значении не менее 0,1. Поскольку мы получили 2 зависимые выборки, было необходимо оценить статистическую значимость различий между ними. Для этого мы воспользова- лись методом статистической проверки гипотез, основанных на распределении Стьюдента. Сначала было сформировано 2 гипо- тезы: нулевая и альтернативная. Нулевая – это «Существенной разницы между выборками нет» и Альтернативная – «Есть ста- тистически значимая разница между выборками». Был выбран уровень значимости, равный 0,05 (95%). Далее было рассчитано критическое значение t-критерия Cтьюдента и степень свободы, на основании чего р-значение получилось равным 0,72 (18%), что больше выбранного нами уровня значимости. Из этого следует, что существенной разницы между выборками нет и такие данные невозможно использовать для диагностики обра- зований ЧЛО. Оставшиеся 5 признаков были характерны только для одного из диагнозов: для плеоморфных аденом – Original Glcm JointAverage, Original Glrlm RunEntropy и Original Glszm GreyLevelNonUniformityNormalized, для кист – Original Glszm GreyLevelVariance и Original Glcm SumEntropy. Обсуждение Сегментация Сегментация подразделяется на несколько видов: ручная, полуавтоматическая и автоматическая. Поскольку на данный момент единого протокола проведения сегментации не сущест- вует, то выбор метода остается на усмотрение исследователя. Ручная сегментация проводится квалифицированным врачом- рентгенологом. Это позволяет более детально выделить необ- ходимые параметры из интересующих областей, однако требует больших временных затрат и значительного опыта специалиста. Автоматическое и полуавтоматическое сегментирование прово- дится с помощью глубокого машинного обучения искусственно- го интеллекта, это минимизирует время и повышает последо- вательность в разграничении областей интереса, но на данный момент значительно уступает в точности ручному методу [5]. Так, P. Schelb и соавт. в своем исследовании 165 пациентам с подозрением на клинически выраженный рак простаты после многопараметрической МРТ была проведена биопсия, подтвер- дившая диагноз. Ретроспективно были сформированы наборы сегментаций: сегментации клинических поражений (контрольная группа), независимые сегментации, выполненные тремя рентгено- логами, и полностью автоматизированные двухпараметрические сегментации U-Net. Соответствие по каждой зоне интереса было рассчитано для каждого варианта сегментации путем определе- ния среднего коэффициента Dice для всех перекрывающихся участков с контрольной группой. Соответствие определялось с помощью описательной статистики и линейных смешанных моде- лей. Средний коэффициент Dice для ручного сегментирования показал лишь умеренное соответствие на уровне 0,48–0,52, что отражает сложную визуальную задачу определения контуров совместно обнаруженных поражений. Зона, обозначенная U-Net, была значительно меньше по размеру, чем при ручной сегмен- тации (p<0,0001), и имела более низкий средний коэффициент Dice, равный 0,22, что было значительно ниже по сравнению с ручной сегментацией (все p<0,0001). Знание порядка согласования результатов сегментации, выполненных разными рентгенологами вручную, важно для определения ожидаемого значения для систем искусственного интеллекта (ИИ) в задаче сегментации изображения [6]. Не следует ожидать идеального соответствия (коэффициент Dice, равный единице) для ИИ. Более низкие коэффициенты Dice в U-Net по сравнению с ручной сегментацией лишь частично объясняются меньшими размерами участка сегментации и могут быть результатом сосредоточения внимания на ядре поражения и небольшого относительного смещения центра поражения [7]. Промежуточные коэффициенты Dice для ручной сегментации отражают сложность определения совместно обнаруженных оча- гов поражения. Более низкие коэффициенты Dice для глубокого машинного обучения мотивируют дальнейшие исследования для приближения к человеческому восприятию [8]. Радиомические признаки После обработки, сегментирования и количественного ана- лиза в специальной программе рассчитываются радиомиче- ские признаки, которые представлены цифровыми значениями. Далее полученые признаки статистически анализируются, и в результате отбираются те статистически значимые признаки, которые потенциально могут быть интерпретированы как био- маркер визуализации того или иного патологического состояния. Большую популярность в последнее время приобретают автома- тические алгоритмы, наиболее популярными из которых явля- ются регрессия, нейронные сети и различные виды решающих деревьев. Таким образом, из большого множества признаков отбираются биомаркеры, удовлетворяющие тем критериям, по которым они отбирались. Радиомические признаки можно условно разделить на ста- тистические, в т.ч. основанные на гистограммах и текстурах, далее основанные на моделях, основанные на преобразовании и основанные на форме [9]. Применение радиомики в челюстно-лицевой хирургии Онкология Новообразования головы и шеи имеют тенденцию к быстрому метастазированию и увеличению в размерах первичного очага, поэтому необходимо проводить адекватную противоопухолевую терапию в кратчайшие сроки. Плоскоклеточный рак в области гортани является наиболее часто втречающимся злокачест- венным новообразованием, и хирургическое вмешательство является лучшим методом лечения. В таких ситуациях КТ, МРТ или ПЭТ-сканирование широко используются для постановки диагноза и планирования лечения, а также для последующего контроля в специализированных клинических центрах [10]. В частности, комбинированная ПЭТ/КТ с использованием метода слияния изображений дает множество преимуществ для клини- ческой практики как для определения стадии опухолевого про- цесса, так и при последующем наблюдении. Эти преимущества в основном связаны с морфологической визуализацией лока- лизации патологии на основе КТ в сочетании с метаболической ПЭТ-визуализацией результатов определения патологического радиометрического показателя, что обеспечивает уникальное сочетание двух методов получения изображений. Вот почему одно-единственное ПЭТ/КТ-сканирование тела может заменить дополнительные рентгенологические процедуры [11]. Однако, поскольку изображения ПЭТ/КТ обычно визуализируются в двух измерениях на рабочей станции отдельно от пациента, становится необходимым перенести информацию, полученную из 2D-изображений, в 3D. Метод дополненной реальности, использующий радиомический анализ медицинских изобра- жений, позволяет решить эту задачу, непосредственно обес- печивая визуализацию необходимых данных и зону операции в одном физическом пространстве, что, по сути, позволяет рентгеновскому зрению видеть сквозь объекты реального мира. В частности, иммерсивные системы дополненной реальности, такие как оптические прозрачные дисплеи, устанавливаемые на голову (OST-HMDS), могут быть интегрированы в процесс визуализации и могут использоваться для отображения меди- цинских данных в 2D или 3D непосредственно на пациенте без использования отдельного рабочего места. Хирург может наблюдать за пациентом через очки дополненной реальности, одновременно непосредственно изучая рентгенологическую информацию о патологии и окружающих анатомических струк- турах в сочетании без каких-либо отвлекающих факторов. Такой новый подход к визуализации в челюстно-лицевой хирургии может положительно повлиять на весь процесс клинической диагностики и лечения онкологических заболеваний, обеспечи- вая улучшенное пространственное восприятие анатомических структур и качественное трехмерное взаимодействие [12]. Микрохирургия Технология дополненной реальности в настоящее время исследуется для применения в микроинвазивной хирургии в раз- личных медицинских дисциплинах. Большинство исследований на сегодняшний день были ограничены экспериментальными разработками, в то время как число клинических испытаний и систематических обзоров невелико. Большинство статей, посвя- щенных навигации с использованием дополненной реальности, посвящены эндоскопическим/лапароскопическим операциям. Было доказано, что такая технология улучшает эргономику и визуализацию, а также сокращает время операции и крово- потерю. Дополненная реальность может быть использована для улучшения образования и подготовки хирургов, а также для создания и усовершенствования новых пользовательских интерфейсов, которые могут косвенно улучшить микроинва- зивные хирургические процедуры. Однако на сегодняшний день не хватает контролируемых исследований с большим числом случаев, стандартизированными параметрами результатов и отчетностью, чтобы подтвердить их ценность для клиниче- ского применения [13]. Например, технология дополненной реальности в дальнейшем может быть внедрена в апикальную микрохирургию [14]. Реконструктивная хирургия лица Операции по восстановлению лица требуют высокой точности для безопасной и быстрой навигации по анатомическим струк- турам. Этот метод не основан на маркерах отслеживания, при- крепленных к пациенту, он может выполняться автоматически для поддержания правильной сцены дополненной реальности и устранения снижения точности позиционирования, вызванного перемещениями пациента во время операции [15]. Хирургия височно-нижнечелюстного сустава При артроскопии височно-нижнечелюстного сустава необ- ходимо определять точку прокола кожи. Для этого используют анатомию поверхности кантально-козелковой линии. Однако по имеющимся данным, традиционная пункционная техника не уда- лась с первой попытки в 18% случаев [16]. Пропорциональная кондилэктомия часто используется в качестве начального мето- да лечения односторонней гиперплазии мыщелков. Ключевым моментом при пропорциональной кондилэктомии является возможность разместить плоскость остеотомии в нужном месте, чтобы уменьшить вертикальную асимметрию ветви нижней челюсти. С клинической точки зрения, остается сложной задача перенести практически запланированную плоскость кондилэкто- мии пациенту во время операции. Ограниченный хирургический доступ, аксиальное расположение головки мыщелка и распо- ложение мыщелка в ямке часто ограничивают полный обзор головки мыщелка и затрудняют использование хирургических направляющих. В качестве нового клинического рабочего про- цесса для пошагового проведения такой процедуры можно использовать дополненную реальность [17]. Имплантология Существующая система навигации по имплантации с допол- ненной реальностью обычно использует маркеры для управления изображением. Однако маркеры часто влияют на работу стома- тологов и доставляют дискомфорт пациентам. Чтобы решить проблему, связанную с маркерами, был предложен эффективный метод управления изображением без них. После завершения инициализации путем сопоставления контуров, благодаря сопо- ставлению характерных точек между текущей рамкой и пред- варительно загруженной исходной рамкой, получают соответ- ствующую зависимость. Такой метод позволяет стоматологам точно определить, как проводить операцию по имплантации с минимальной вероятностью совершения ошибки [18]. Инородные тела ЧЛО Инородные тела в ЧЛО могут повредить важные анатомиче- ские структуры, даже оставаясь неподвижными. Из-за эстети- ческой проблемы данной области хирурги должны максимально минимизировать операционные травмы. Поэтому очень важна точная предоперационная диагностика и интраоперационная локализация инородных тел. Новая технология визуализации и дополненная реальность объединяют виртуальные элемен- ты с реальными объектами. Однако удаление инородных тел ЧЛО является довольно сложной задачей. В настоящее время хирургическая навигационная технология является полезным и точным методом определения местоположения при удалении инородных тел, который в основном основан на оптических или электромагнитных методах локализации. Технология дополнен- ной реальности, являющаяся новой технологией наведения на изображение, позволяет интегрировать виртуальную информа- цию в реальную физическую среду, представляя интегрирован- ные изображения оператору через экран дисплея [19]. Удаление зубов Задержка прорезывания, неправильный прикус, плохая гигиена полости рта и образование фолликулярных кист – вот некоторые осложнения, связанные с удалением зуба. Хотя хирургическое удаление является одним из возможных методов предотвращения таких осложнений, оно также может привести к перелому корней или к необратимому повреждению молодых зубов и десен. В последнее время компьютерное предопераци- онное моделирование стало полезным при планировании опе- рации по точному удалению ретенированных зубов с помощью трехмерных изображений. Будучи минимально инвазивной, система, управляемая с помощью дополненной реальности, может точно определить положение зуба [20]. Хирургия слюнных желез Раньше хирурги не знали о расположении лицевого нерва во время операции на околоушно-жевательной области. Теперь с помощью специальных последовательностей МРТ его можно обнаружить и преобразовать в 3D-модель, отображаемую на устройстве дополненной реальности, чтобы хирурги могли изучать лицевой нерв и совершать определенные манипуля- ции. Во всех случаях прогнозируемая траектория нерва, взятая из 3D-модели, сочеталась с хирургическим наблюдением и видеозаписью. Оказалось, что визуализация применима как при доброкачественных, так и при злокачественных образо- ваниях. Это также улучшило процесс получения информиро- ванного согласия пациента. Трехмерная МРТ лицевого нерва в околоушной железе и ее отображение в 3D-модели – это инновационный метод в хирургии околоушной железы. Теперь хирурги могут видеть расположение нерва и адаптировать свой подход к новообразованию каждого пациента, обеспечивая пер- сонализированное лечение. Этот метод устраняет слепую зону хирурга и является существенным преимуществом в хирургии слюнных желез [21]. Радиомика с использованием УЗИ УЗИ является одним из наиболее широко используемых мето- дов визуализации во всем мире. Поскольку это безопасный, неионизирующий, недорогой и легкодоступный метод, в т.ч. в развивающихся странах, он широко используется в качестве неинвазивного метода диагностики и последующего наблюдения в различных областях. Согласно мировой литературе, изменчивость результатов УЗ-диагностики влияет на повторяемость радиомических при- знаков. Стоит отметить, что этапы предварительной обработки изображений влияют на повторяемость признаков. В частности, для улучшения повторяемости радиомических признаков при УЗИ следует использовать метод дискретизации по уровню серого с фиксированным размером ячейки и стандартизацию интенсивности изображения с удалением выбросов, применя- емых к интересующей области, а не ко всему изображению или ограничивающей рамке [22]. Стандартизация интенсивности изображения с удалением выбросов, применяемая к зонам интереса, выделенным на изображении, и метод дискретизации на уровне серого с фиксированным размером ячейки, могут увеличить число повторяющихся признаков и, следовательно, потенциальных биомаркеров визуализации [3]. УЗИ требует относительно простой технологии и не оказывает вредного воздействия на здоровье. При УЗИ, поскольку изо- бражение получается динамическим и зависит от трехмерного движения датчика, опыт оператора имеет решающее значение при получении изображения; низкое качество изображения и возможные артефакты еще больше повышают требования к опыту специалиста [23]. В традиционной клинической практике определение очагов поражения при УЗИ основано исключи- тельно на изображениях, полученных невооруженным глазом. Для получения необходимой информации можно выполнить контурное сканирование очагов поражения, но это требует вре- мени и зависит от наблюдателя [24]. Поэтому было предложено несколько методов автоматической сегментации поражения. Методы активного контура, роста области и пороговые значения были основными методами сегментации, которые использо- вались в ранних исследованиях. Однако они часто требуют ручного вмешательства. Низкое качество визуализации при УЗИ может привести к тому, что лечащий врач пропустит очаг поражения. Кроме того, по данным Heil и соавт., максимальная погрешность при взятии образца ткани из очага поражения также может составлять 10%. Таким образом, процедура биоп- сии в значительной степени зависит от квалификации врача. Существуют попытки усовершенствования данной процедуры за счет радиомического анализа УЗИ-изображений путем исполь- зования дополненной реальности (AR), которая предоставляет информацию, такую как отслеживание биопсийной иглы в поле зрения в режиме реального времени [25]. Заключение Под контролем гистопатологического исследования было выяв- лено 5 потенциальных биомаркеров визуализации для диагности- ки плеоморфных аденом и кист больших слюнных желез (для плеоморфных аденом – Original Glcm JointAverage, Original Glrlm RunEntropy и Original Glszm GreyLevelNonUniformityNormalized, для кист – Original Glszm GreyLevelVariance и Original Glcm SumEntropy). Необходимы дальнейшие исследования для получения большего объема данных и расширений возможностей дифференцирования остальных патологий ЧЛО. Диагностическая модель радиоми- ки позволит ускорить и улучшить качество обучения молодых специалистов и выполнить неинвазивную цифровую биопсию новообразования в отсутствие узкого специалиста, что будет способствовать правильной маршрутизации пациента и выбору оптимального метода лечения.