Машинное обучение, объединяющее МРТ и клинические показатели, предсказывает раннюю рецидивность гепатоцеллюлярной карциномы после резекции

Почему имеет значение ранний возврат рака

Для пациентов, перенесших операцию по удалению рака печени, одна из главных забот — вернётся ли болезнь быстро. Ранний рецидив гепатоцеллюлярной карциномы — наиболее частого типа первичного рака печени — часто указывает на агрессивную опухоль и худший прогноз выживания. Врачи хотели бы знать ещё до операции, у каких пациентов наиболее велика вероятность раннего рецидива, чтобы адаптировать последующее наблюдение и дополнительные методы лечения. В этом исследовании изучается, может ли искусственный интеллект (ИИ) объединить рутинные анализы крови, МРТ‑сканирование и данные патологии, чтобы дать такое раннее предупреждение.

Сведение многих подсказок воедино

Исследователи проанализировали 240 пациентов с раком печени, которым была проведена операция в двух больницах Китая. До операции у всех пациентов выполняли стандартные контрастные МРТ‑исследования и общепринятые анализы крови, а после операции опухоли изучали под микроскопом. Вместо того чтобы оценивать по очереди отдельные факторы — например размер опухоли или один маркер в крови — команда подала десятки таких измерений в алгоритмы машинного обучения. Эти методы ИИ предназначены для выявления сложных закономерностей и взаимодействий, которые традиционные статистические инструменты могут пропускать, особенно когда связи не сводятся к простым «чем больше — тем хуже» или «чем выше — тем лучше».

Как строились модели ИИ

Чтобы не перегружать систему, исследователи сначала сократили длинный список кандидатов на признаки. Они удалили почти дублирующие измерения и затем использовали статистический метод LASSO для выбора 14 наиболее информативных факторов. На их основе тренировали несколько древовидных моделей машинного обучения — ExtraTrees, XGBoost, LightGBM и GradientBoosting — чтобы предсказать, вернётся ли рак в течение двух лет после операции. Модели настраивали на данных из одной больницы, а затем тестировали на независимой группе пациентов из второй больницы — более строгая проверка, лучше отражающая реальное применение.

Насколько хорошо модели работали

Три модели ИИ — ExtraTrees, XGBoost и LightGBM — продемонстрировали высокую способность различать пациентов с ранним рецидивом и без него. В обучающей группе их показатели (измеряемые площадью под ROC‑кривой, или AUC) варьировали примерно от 0,82 до 0,98, где 1,0 — идеальный результат, а 0,5 — не лучше, чем случай. В внешней тестовой группе AUC были несколько ниже, около 0,76–0,79, но по‑прежнему указывали на полезную прогностическую силу. Анализ на основе кривых решений, метод, который оценивает, поможет ли модель врачам принимать лучшие решения, показал, что использование этих инструментов ИИ может приносить больше пользы, чем одинаковое поведение ко всем пациентам или случайный выбор. В целом модели оказались достаточно точными и клинически значимыми.

Что определяло предсказания

При изучении входных данных, на которых модели опирались сильнее всего, исследование даёт представление о том, что, по‑всему видимому, важно для раннего рецидива. Два маркера крови — AFP, давно используемый в наблюдении рака печени, и CA15‑3, более знакомый по раку молочной железы — последовательно занимали высокие позиции среди наиболее влиятельных признаков. На МРТ наличие неровного, нерегулярного края опухоли было тесно связано с ранним рецидивом, что коррелирует с предыдущими работами, связывавшими зазубренный контур опухоли с более инвазивным поведением и скрытым распространением в печени. Возраст также играл роль: у молодых пациентов оказалась несколько более высокая вероятность раннего рецидива, что, вероятно, отражает более агрессивную биологию опухоли в этой группе. Микроскопические признаки, такие как небольшие скопления раковых клеток в мельчайших сосудах, дополнительно подтверждали оценки риска ИИ.

Что это значит для пациентов и врачей

Для пациента, стоящего перед операцией на печени, описанные модели не заменяют клиническое суждение врача, но могут предоставить дополнительный слой информации. Объединив данные, которые уже собираются в рутинной практике — анализы крови, результаты МРТ и стандартную патологию — инструменты ИИ могут выделять пациентов с повышенным риском раннего рецидива. Этих людей может потребоваться чаще наблюдать с помощью визуализации, проводить более частые анализы крови или рассмотреть дополнительные лечебные мероприятия после операции. Поскольку исследование было ретроспективным и ограничивалось двумя центрами в одном регионе, авторы подчёркивают, что прежде чем такие модели станут общепринятыми, необходимы более крупные проспективные исследования. Тем не менее работа указывает на будущее, в котором ИИ помогает врачам персонализировать наблюдение и терапию с целью более раннего выявления возвращающегося рака печени и улучшения долгосрочных исходов.

Цитирование: Feng, L., Luo, N., Ruan, F. et al. Machine learning integrating MRI and clinical features predicts early recurrence of hepatocellular carcinoma after resection. Sci Rep 16, 5653 (2026). https://doi.org/10.1038/s41598-026-36261-3

Ключевые слова: рак печени, машинное обучение, МРТ, рецидив опухоли, биомаркеры крови