Система на основе глубокого обучения для прогнозирования объёма резекции при гепатоцеллюлярной карциноме с помощью контрастной КТ

Более разумное планирование операций при раке печени

Для пациентов с раком печени одна из главных задач хирургов — решить, какую часть печени удалить. Если удалить слишком мало, опухоль может вернуться; если удалить слишком много, у пациента останется недостаточно здоровой ткани для выживания. В этом исследовании представлена новая система искусственного интеллекта (ИИ), которая использует КТ‑сканирование, чтобы помочь врачам быстро и точно планировать операции на печени с целью сделать вмешательства безопаснее, быстрее и более предсказуемыми.

Почему размер печени так важен

Наиболее распространённый первичный рак печени — гепатоцеллюлярная карцинома — агрессивен и становится всё более частым во всём мире. Хирургическое удаление опухоли полностью даёт некоторым пациентам наилучшие шансы на долгосрочное выживание. Но печень — не просто еще один орган, который можно произвольно отрезать: она выполняет множество жизненно важных функций, от фильтрации токсинов до переработки питательных веществ. Если удалить слишком большой объём, пациент может развить угрожающее жизни печёночное недостаточность после операции. С другой стороны, слишком маленький запас здоровой ткани вокруг опухоли увеличивает риск оставшихся раковых клеток. Поэтому точный расчёт доли печени, которую безопасно можно удалить, имеет ключевое значение в современной печёночной хирургии.

Медленный, ручной статус-кво

В настоящее время этот тщательный расчёт обычно выполняется вручную. Радиологи и хирурги загружают контрастные КТ‑сканы в специализированное трёхмерное (3D) программное обеспечение для планирования, по срезам обводят печень и опухоли, определяют ключевые сосуды и моделируют разные варианты резекции. Этот процесс может занимать много минут на пациента и требует высококвалифицированных специалистов. Он также подвержен человеческой вариабельности: два эксперта могут отрисовать немного разные границы, а один и тот же человек не всегда полностью согласован от дня к дню. В загруженных больницах, где множество пациентов нуждаются в операциях на печени, такое длительное планирование замедляет помощь и увеличивает затраты.

ИИ‑помощник под названием LRVCD

Исследователи разработали систему на базе ИИ, которую назвали Liver Resection Volume Calculation with Deep Learning (LRVCD). Она использует модели глубокого обучения, обученные на КТ‑сканах 990 пациентов, пролеченных в двух крупных больницах в течение десяти лет. На первом этапе ИИ автоматически обнаруживает печёночные опухоли и делит печень на детальные анатомические сегменты на изображениях КТ. На втором этапе система комбинирует эти карты сегментов с хирургическим планом — будь то стандартная сегментарная резекция или более неправильный, индивидуальный разрез — чтобы вычислить, какой объём здоровой ткани и какой объём опухоли будут удалены. Система выдаёт ключевые показатели, такие как общий объём печени, объём опухоли, планируемый объём резекции и процент удаляемой печени.

Тестирование системы

Чтобы проверить надёжность LRVCD, команда сравнила её результаты с результатами опытных хирургов, использовавших установленное 3D‑программное обеспечение для планирования. Оценивались две независимые группы пациентов: одна из той же больницы, где обучали ИИ, и другая — из разных центров. Для каждого случая измеряли, насколько близко оценки ИИ по объёму печени, объёму опухоли и планируемой резекции совпадали с ручной ссылкой. Отличия оказались небольшими, а совпадение по ключевому показателю — процент удаляемой печени — было близким в обеих группах. Хотя ИИ склонялся к лёгкому занижению общего объёма печени и небольшому завышению объёма опухоли, эти отклонения оставались в пределах клинически допустимых значений и соответствовали известным особенностям ручного 3D‑планирования.

От часов работы — к секундам

Одно из самых заметных преимуществ LRVCD — скорость. В обеих группах тестирования, внутренней и внешней, рабочий процесс на базе ИИ сократил время планирования примерно в двадцать раз по сравнению с традиционным 3D‑ПО. То, что раньше занимало порядка десяти минут и более, теперь можно выполнить менее чем за полминуты. Поскольку ИИ берёт на себя основную работу по сегментации и расчёту объёмов, человеческое участие сводится в основном к вводу базовой хирургической информации и внесению небольших корректировок при необходимости. Это позволяет радиологам и хирургам больше сосредоточиться на клинических решениях и меньше тратить время на рутинную работу мышью.

Что это означает для пациентов

Для пациентов технические детали сводятся к простому обещанию: более точное и быстрое планирование операций без дополнительных сканирований или затрат. Быстро предоставляя согласованные оценки того, какой объём печени можно безопасно удалить, LRVCD может помочь хирургам стремиться к радикальным операциям, сохраняя контроль над риском послеоперационной печёночной недостаточности. В исследовании показано, что этот инструмент ИИ работает примерно так же хорошо, как и установленные 3D‑методы планирования, при значительном снижении рабочей нагрузки. Авторы отмечают, что требуется дальнейшая проверка системы на более широких группах пациентов и дополнительная автоматизация хирургического принятия решений, но их результаты указывают на то, что планирование с поддержкой ИИ вскоре может стать практичным помощником в операционной при лечении рака печени.

Цитирование: Wang, X., Zhang, L., Liu, P. et al. Deep learning-based system to predict hepatocellular carcinoma resection volume using contrast-enhanced CT. Sci Rep 16, 6388 (2026). https://doi.org/10.1038/s41598-026-37085-x

Ключевые слова: операция при раке печени, ИИ в медицинской визуализации, гепатоцеллюлярная карцинома, планирование КТ, объём резекции печени