Авторы разработали специальный алгоритм обучения нейросетей, который можно применять к разным типам медицинских данных и архитектуре ИИ-моделей. В отличие от большинства существующих подходов, где группы пациентов формируются по заранее определенным признакам или сходству данных, новая система оптимизируется непосредственно по различиям в выживаемости между найденными кластерами пациентов.
Для проверки метода исследователи использовали два разных типа онкологических заболеваний и две разные модальности данных. В случае множественной миеломы модель анализировала стандартные лабораторные показатели крови, а при немелкоклеточном раке легкого – КТ-изображения. Системе не нужно было заранее показывать, где находится опухоль на снимке – нейросеть самостоятельно находила участки изображения, связанные с прогнозом заболевания.
При работе с данными пациентов с множественной миеломой алгоритм смог разделить пациентов на три группы с существенно различающейся выживаемостью. Модель выделила клинически значимые факторы риска, включая уровень β2-микроглобулина, креатинина, альбумина и гемоглобина, которые уже используются в существующих системах прогноза заболевания. Причем ИИ находил эти закономерности самостоятельно, без встроенных медицинских правил или информации о существующих шкалах стратификации риска.
Авторы отдельно подчеркивают, что модель показала сопоставимую или более высокую прогностическую точность по сравнению с рядом традиционных методов анализа выживаемости. Например, при множественной миеломе система примерно в 65% случаев правильно ранжировала пациентов по риску, превысив показатели применяемой в клинической практике шкалы R-ISS, несмотря на использование только рутинных лабораторных данных без цитогенетического анализа.
В задаче анализа КТ-снимков пациентов с немелкоклеточным раком легкого модель также смогла выделить группы с разным прогнозом выживаемости. Анализ карт внимания показал, что нейросеть концентрировалась не только на самой опухоли, но и на инфильтративных изменениях тканей вокруг нее, которые считаются признаками более агрессивного течения заболевания. В ряде случаев модель также учитывала особенности сердечно-сосудистых структур, связанных с риском осложнений у пациентов с раком легкого.
Исследователи дополнительно провели внешнюю валидацию модели на независимых наборах данных и пациентах из других клиник. По словам авторов, это подтверждает способность метода воспроизводить клинически значимые закономерности в разных популяциях и при различных протоколах визуализации.
Авторы считают, что предложенный подход может использоваться для поиска новых прогностических биомаркеров и создания систем поддержки принятия врачебных решений в онкологии. В перспективе технологию планируется адаптировать для мультимодальных моделей, объединяющих генетические данные, медицинские изображения и клинические параметры. Исследователи подчеркивают, что перед внедрением в практику метод требует дополнительной клинической проверки и проспективных исследований.
Интерес к подобным универсальным ИИ-системам в онкологии растет. Так, ученые из Гонконгского университета науки и технологий представили модель PRET для диагностики рака по патологическим изображениям, способную работать с минимальным количеством размеченных образцов без длительного дополнительного обучения под конкретные типы опухолей. В ряде задач точность системы превышала 97%.
Подписывайтесь на наши каналы в MAX: Vademecum и Vademecum Live
