Интеллектуальная поддержка принятия решений MDT при III стадии НМРЛ с использованием двухуровневой встраиваемости и трёхуровневых объяснений

Умная помощь при сложном выборе лечения рака лёгкого

Для людей с диагнозом продвинутой формы рака лёгкого варианты лечения могут быть ошеломляюще сложными — часто включая операцию, лучевую терапию, химиотерапию, иммунотерапию или их комбинации. В идеале каждое дело рассматривает панель специалистов, известная как мультидисциплинарная команда (MDT), которая разрабатывает индивидуальный план. Но во многих больницах, особенно где ресурсы ограничены, большинству пациентов не удаётся получить такое внимание. В этом исследовании описана система искусственного интеллекта (ИИ), разработанная для имитации — и объяснения — рассуждений таких экспертных команд с целью довести советы уровня MDT до гораздо большего числа пациентов.

Почему решения по лечению такие трудные

Немелкоклеточный рак лёгкого (НМРЛ) — самый распространённый тип рака лёгкого в мире, и примерно у каждого третьего пациента на момент постановки диагноза уже стадия III. На этой стадии опухоль и лимфатические узлы могут быть поражены по-разному, что делает паттерн болезни у каждого пациента уникальным. В результате не существует простого универсального пути лечения. MDT объединяют хирургів, онкологов, радиологов и других специалистов, чтобы взвесить все детали медицинской карты пациента и согласовать план. Исследования показывают, что такой командный подход может улучшить выживаемость и качество жизни, но встречи MDT отнимают много времени и зависят от дефицита экспертов, поэтому на практике преимущества получают лишь немногие пациенты.

Преобразование медкарт в изучаемые паттерны

Чтобы преодолеть этот разрыв, исследователи создали модель ИИ, которая обучается на случаях, уже рассмотренных MDT, а затем предлагает рекомендации для новых пациентов. Они собрали электронные медицинские карты (ЭМК) 2 876 человек со стадией III НМРЛ, пролеченных в двух крупных больницах Китая. Из них в фокус попали 2 521 пациент, чьё лечение укладывалось в шесть распространённых категорий, таких как операция, химиолучевая терапия или химиотерапия в сочетании с иммунотерапией или таргетными препаратами. Вместо опоры на несколько вручную отобранных переменных система читает богатые, свободно написанные прогресс-ноты, описывающие сканирования, лабораторные тесты, симптомы и клинические впечатления, а также базовые данные, такие как возраст и стадия болезни.

Анализ слов и предложений, а не только чисел

Суть подхода — то, как текст превращают в то, с чем компьютер может рассуждать. Модель использует стратегию «двухуровневой встраиваемости»: она представляют детали на уровне слов и одновременно захватывает более широкое значение целых предложений. Для слов применяется языковая модель, настроенная на китайские медицинские тексты и дополненная медицинским графом знаний, который кодирует связи между болезнями, препаратами, симптомами и процедурами. Для предложений используется другая модель, обученная улавливать, какие предложения семантически наиболее связаны между собой. Механизм внимания затем учится взвешивать и комбинировать эти два представления, формируя компактное резюме medical record каждого пациента, которое поступает в нейронную сеть-классификатор для предсказания одной из шести опций лечения, которую, вероятно, выбрала бы MDT.

Делая рассуждения ИИ видимыми

Поскольку врачи должны иметь возможность доверять и ставить под вопрос алгоритмические рекомендации, команда спроектировала систему с объяснимостью на трёх уровнях: слово, фраза и предложение. Оценки внимания подсвечивают, какие слова и предложения в записи наиболее повлияли на рекомендацию — например, описания распространения опухоли, вовлечения лимфоузлов или ключевых биомаркеров. Приём, называемый attention flow, отслеживает, как группы слов через слои модели объединяются в значимые фразы, например указывая на свидетельства в пользу операции или, наоборот, на преимущества медикаментозного подхода. Эти многоуровневые объяснения позволяют клиницистам увидеть, совпадает ли фокус ИИ с их собственным чтением случая, а не получать «чёрный ящик» в ответ.

От предсказаний к реальной выживаемости

На случаях, рассмотренных MDT, модель показала более 85% точности, точности позитивных предсказаний, полноты и F1-меры, то есть предлагаемые ею варианты лечения тесно соответствовали решениям экспертов. Затем исследователи проанализировали, что произошло с пациентами, которые никогда не проходили консультацию MDT. Они пометили каждый случай как «согласованный с моделью», если фактическое лечение соответствовало тому, что рекомендовала бы модель, и «несогласованный с моделью» в противном случае. Пациенты из группы, согласованной с моделью, имели существенно лучшую выживаемость: более высокие одном-, трёх- и пятилетние показатели выживания и чётко разделённые кривые выживаемости по Каплану–Мейеру. Даже после корректировки на возраст, пол, стадию болезни и на то, был ли рак впервые диагностирован или рецидив, получение лечения, согласованного с моделью, было связано со значимо более низким риском смерти.

Что это может означать для пациентов

Проще говоря, система ИИ научилась имитировать выбор мультидисциплинарных экспертов и указывать ключевые факты в медицинской карте каждого пациента, которые определяют эти решения. Для больниц, где полноценные встречи MDT невозможны для каждого случая, такой инструмент мог бы служить масштабируемым вторым мнением: выделяя индивидуальные особенности пациента, предлагая вероятно оптимальные варианты лечения и отмечая случаи, требующие более тщательного командного рассмотрения. Хотя исследование ограничено стадией III НМРЛ в двух центрах и требует более широкой проверки, оно указывает на то, что тщательно спроектированный интерпретируемый ИИ может помочь перенести поддержку принятия решений на уровне специалистов большему числу людей, сталкивающихся со сложной онкологической помощью.

Цитирование: Chen, Z., Chai, N., Wang, J. et al. Intelligent MDT treatment decision making for stage III NSCLC using dual level embedding and three level explanation. Sci Rep 16, 7807 (2026). https://doi.org/10.1038/s41598-026-39658-2

Ключевые слова: рак лёгкого, рекомендации по лечению, мультидисциплинарная команда, медицинский ИИ, исходы выживания