Искусственный интеллект в определении молекулярно-биологического подтипа рака молочной железы

Аннотация:

Цель исследования - изучить возможности технологий искусственного интеллекта для определения молекулярных подтипов рака молочной железы (РМЖ) по данным лучевой диагностики. Материалом для исследования послужили данные ретроспективного анализа результатов обследования 344 больных РМЖ, получавших лечение в Свердловском областном онкологическом диспансере в период с 2021 по 2023 г. Средний возраст пациенток исследуемой выборки составил 56,8 + 10,6 года в диапазоне от 33 до 82 лет. У всех больных РМЖ подтвержден гистологически и определены молекулярные подтипы по данным трепанобиопсии и исследования операционного материала. Всем больным выполнялась рентгеновская, ультразвуковая и магнитно-резонансная маммография, выделены диагностические симптомокомплексы, соответствующие молекулярным подтипам РМЖ. Для достижения поставленной цели были выбраны наиболее значимые диагностические признаки: возраст больных, максимальный диаметр новообразования по данным различных методов лучевой диагностики, скиалогические признаки (контуры и форма новообразований или участков перестройки структуры, пространственная ориентация, гетерогенность структуры, наличие кальцинатов, характеристики кровотока в опухоли), динамические параметры накопления парамагнетика при магнитно-резонансной маммографии. По данным гистологического исследования оценивались степень дифференцировки опухоли (G), индекс пролиферативной активности (Ki-67), статус регионарных лимфатических узов (наличие или отсутствие метастазов), молекулярно-иммуногистохимический подтип опухоли. Был выполнен анализ статистически значимой связи между диагностическими признаками визуализации и молекулярным подтипом РМЖ путем проведения х2-тестов в отношении признаков и подтипов (классов) РМЖ, предварительно приведенных к бинарному виду. Из массивов отобранных значений диагностических признаков визуализации были сформированы обучающая и тестовая выборки, определен алгоритм классификационной модели искусственного интеллекта. Точность типирования РМЖ обеспечивалась комбинацией из 7 визуальных признаков и 6 классификационных моделей: 5 одноклассовых и 1 мультиклассовой. Для обучения одноклассовых моделей был использован алгоритм градиентного бустинга (GradientBoostingRegressor), для обучения мультиклассовой модели - стратегия «один (класс) против остальных» с применением алгоритмов OneVsRestClassifier и градиентного бустинга (GradientBoostingClassifier). Качество обученной модели проверяли на тестовых данных. Статистическую обработку данных, разработку классификационных моделей, их тестирование и оценку качества обучения выполняли в среде Jupyter Notebook v.6.5.2. В результате показатели качества обучения одноклассовых моделей распознавания подтипов РМЖ распределялись следующим образом: чувствительность в определении люминального А подтипа (LA) составила 67,0%, люминального В подтипа (LB) - 72,7%, люминального В НЕР2-положительного подтипа (LBH) - 81,8%, нелюминального НЕК2-положительного (HER) и трижды негативного РМЖ (TIMC) - 100%. Специфичность составила при оценке LA подтипа - 90,2%, LB - 83,0%, LBH - 89,7%, HER и TNC - 98,3 и 93,5% соответственно. Площадь под ROC-кривой (AUC) в зависимости от молекулярного подтипа была определена следующим образом: для LA подтипа - 0,88; для LB - 0,86; для LBH - 0,87; для HER - 0,96; для TNC - 1,000. Мультиклассовая модель также показала низкие значения чувствительности, за исключением подтипов TNC (100%) и HER (85,7%), низкие уровни прогностической ценности положительных результатов для всех подтипов, за исключением TNC (91,7%), и высокие показатели специфичности и прогностической ценности отрицательных результатов для всех подтипов. Площадь под ROC-кривой у мультиклассовой модели составила для подтипов: LA-0,88; LB -0,86; LBH -0,86; HER-0,95; TNC - 1,00. Выводы. Показана возможность определения молекулярно-биологического подтипа РМЖ по комбинации диагностических признаков визуализации, полученных от разных методов лучевой диагностики, с помощью нового диагностического инструментария типирования РМЖ на основе классификационных моделей искусственного интеллекта. В перспективе внедрение искусственного интеллекта позволит снизить вероятность ошибки определения молекулярно-биологического подтипа РМЖ при несовпадении мнения врача и результатов иммуногистохимического исследования.

Авторы:

Издание: Опухоли женской репродуктивной системы
Год издания: 2025
Объем: 13с.
Дополнительная информация: 2025.-N 2.-С.34-46. Библ. 18 назв.
Просмотров: 1