Прогнозирование гепатоцеллюлярной карциномы с помощью радиомики на основе машинного обучения

Гепатоцеллюлярная карцинома (ГЦК) остается одной из основных причин смерти от рака во всем мире, причем показатели смертности неуклонно растут. Точное прогнозирование риска смертности является краеугольным камнем для оптимизации стратегий лечения и ведения пациентов с диагнозом ГЦК. Традиционные системы оценки полагаются на упрощенные модели, которые учитывают ограниченные клинические факторы, часто игнорируя богатые данные, предоставляемые передовыми методами визуализации. Однако появление методов машинного обучения (МО) в радиомике открыло новые возможности для прогнозирования результатов лечения пациентов с большей точностью. В недавней статье из European Radiology рассматривается применение прогностического инструмента на основе машинного обучения, разработанного для прогнозирования смертности у пациентов с ГЦК, с использованием клинических данных и радиомических характеристик, извлеченных из магнитно-резонансной томографии (МРТ).

Разработка прогностической модели на основе машинного обучения

Традиционные методы прогнозирования результатов ГЦК, такие как оценка по шкале Чайлда-Пью или стадирование рака печени в клинике Барселоны (BCLC), используют узкий набор переменных, в первую очередь клинические и размерные измерения опухоли, которые могут не отражать полную картину заболевания. Эти системы ограничены своей зависимостью от одномерных измерений размера опухоли и субъективной пороговой стратификации риска. Напротив, новая модель на основе МО использует преимущества полного трехмерного объема данных визуализации печени, используя радиомические характеристики, извлеченные из многофазных МРТ-сканирований.

Радиомические данные получаются посредством автоматизированной сегментации печени, что обеспечивает воспроизводимость и устраняет изменчивость, вносимую человеческой интерпретацией. Эта полностью автоматизированная структура сокращает время обработки, завершая анализ всего за минуту на пациента, что делает ее практичной для клинических условий. Модель использует случайный лес выживаемости (RSF), метод машинного обучения, который объединяет клинические и радиомические характеристики для прогнозирования общей выживаемости (OS). Этот подход учитывает как сложность опухоли печени, так и лежащее в основе заболевание печени, фиксируя важную информацию, такую ​​как текстура опухоли и изменения интенсивности на разных фазах визуализации.

Проверка и эффективность модели

Модель на основе МО была разработана с использованием набора данных 555 пациентов с ГЦК, не получавших лечения, которым была сделана многофазная МРТ при постановке диагноза. После разработки модель была независимо проверена на подгруппе пациентов. Эффективность модели оценивалась с использованием индекса С Харрелла, который измеряет способность модели правильно предсказывать результаты. Модель на основе МО превзошла традиционные системы стадирования, достигнув индекса С 0,8503 в когорте разработки и 0,8234 в когорте проверки, что указывает на ее надежность.

Кроме того, модель успешно стратифицирует пациентов на группы низкого, среднего и высокого риска. Каждая из этих групп продемонстрировала значительно различное время выживания, подтверждая, что прогнозы были не только точными, но и клинически значимыми. Такая стратификация риска имеет ценность для принятия решений о лечении, поскольку пациенты в группе высокого риска могут выиграть от более агрессивного лечения или более тщательного мониторинга, в то время как пациенты с низким риском могут избежать чрезмерного лечения.
 

Сравнение с традиционными системами постановки

Хотя модель на основе ML показала превосходную производительность, сравнение ее с традиционными системами стадирования имеет важное значение для выявления ее преимуществ. Системы стадирования Child-Pugh, BCLC и Hong Kong Liver Cancer (HKLC) широко используются, но имеют определенные ограничения. Эти традиционные модели полагаются на измерения размера опухоли, которые не всегда точно отражают жизнеспособность опухоли или потенциал роста. Кроме того, им не хватает глубины количественных данных, предоставляемых радиомикой.

Использование в модели на основе МО биомаркеров визуализации, таких как анализ текстуры и паттерны интенсивности, обеспечивает более детальное представление о поведении опухоли, что имеет решающее значение для прогнозирования результатов. Это важно для пациентов с небольшими опухолями или ГЦК на ранней стадии, когда обычные модели могут недооценивать риск. Способность модели МО включать это богатство данных приводит к более персонализированным и точным оценкам риска.

Более того, традиционные системы классифицируют пациентов по жестким категориям риска на основе предопределенных пороговых значений. Это может привести к неправильной классификации, особенно для пациентов, характеристики заболевания которых попадают на границу этих пороговых значений. Модель на основе МО, напротив, использует управляемые данными пороговые значения для стратификации, делая классификацию более гибкой и отражающей уникальный профиль заболевания каждого пациента.
 

Клинические последствия и будущие направления

Интеграция машинного обучения в радиомику для прогнозирования ГЦК представляет собой многообещающее достижение в персонализированной медицине. Модель на основе МО может значительно повысить точность и эффективность прогнозов риска смертности за счет использования обычно доступных клинических данных и МРТ-сканов. Это улучшение имеет практические последствия в клинических условиях, особенно для онкологических комиссий, где принимаются решения о стратегиях лечения. С более точной моделью прогнозирования врачи могут адаптировать стратегии последующего наблюдения к индивидуальным потребностям пациента, в конечном итоге улучшая результаты.

Эта структура МО может быть дополнительно улучшена путем включения продольных данных из разных временных точек в процессе лечения пациента, что позволит динамически корректировать прогнозы риска. Расширение модели для включения внешних наборов данных из нескольких учреждений может помочь обобщить ее применимость среди различных групп пациентов и протоколов визуализации.

Однако следует признать некоторые ограничения. Текущая модель основана на ретроспективных данных из одного учреждения, и для подтверждения ее обобщаемости необходимы перспективные многоцентровые исследования. Кроме того, хотя модель обеспечивает превосходную точность прогнозирования, она пока не учитывает влияние различных методов лечения на результаты выживаемости. Включение данных о лечении в будущие итерации модели может еще больше улучшить ее прогностические возможности.
 

Заключение

Применение машинного обучения в радиомике представляет собой значительный шаг вперед в прогнозировании ГЦК. Используя автоматизированную обработку изображений и передовые статистические модели, фреймворк на основе МО обеспечивает более точные и персонализированные прогнозы риска смертности, чем традиционные системы стадирования. Эта технология обещает улучшить принятие клинических решений и улучшить результаты для пациентов с ГЦК, особенно по мере того, как модель продолжает развиваться и включать дополнительные источники данных. По мере развития области радиомики интеграция инструментов на основе ИИ в повседневную клиническую практику может произвести революцию в лечении рака печени, гарантируя, что пациенты получат наиболее подходящую помощь на основе их индивидуальных профилей риска.
 

Источник:  European Radiology