Интерпретируемые модели машинного обучения с использованием маркеров периферической крови для диагностики и прогноза глоточно-гортанной плоскоклеточной карциномы

Почему простой анализ крови может помочь сохранить ваш голос

Глоточно-гортанная опухоль поражает голосовые складки и угрожает как речи, так и жизни, но до операции её часто трудно отличить от безвредных проблем с голосом. В этом исследовании рассматривается, можно ли комбинировать рутинные анализы крови, которые многие получают перед операцией или осмотром, с современными компьютерными алгоритмами, чтобы раньше выявлять опасные опухоли и прогнозировать исход лечения — без дополнительных снимков или инвазивных процедур.

В поисках признаков рака в обычных анализах крови

Исследователи сосредоточились на мужчинах с нарушениями голосовых связок, сравнив три группы: 124 пациента с раком голосовой складки, 124 пациента с доброкачественными поражениями голосовых складок и 124 здоровых добровольца. У всех брали стандартные предоперационные показатели крови, отражающие воспаление (например, подсчёты лейкоцитов), склонность к свертыванию (например, фибриноген и времена свертывания) и питание (например, альбумин, главный белок крови). Поскольку эти тесты уже входят в рутинную больничную практику, любые выводы легко применимы широко и с низкой стоимостью.

Обучение машин отличать опасное от безвредного

Чтобы превратить этот массив чисел в практические рекомендации, команда использовала два популярных метода машинного обучения — Random Forest и XGBoost. Эти программы учатся находить закономерности в данных, как фильтр спама учится отделять нежелательную почту от полезной. Здесь задача заключалась в том, чтобы отличить рак от доброкачественных проблем голосовых складок, используя только результаты анализов крови. После обучения и перекрёстной проверки на основной части пациентов модели тестировали на отдельной выборке. Модель XGBoost показала особенно хорошие результаты, верно определяя рак и отсутствие рака в большинстве случаев, с мерой точности (AUC) 0,93 — высоким показателем для неинвазивного теста, основанного лишь на рутинных лабораторных данных.

Делаем «чёрный ящик» понятным для врачей

Компьютерные модели часто критикуют за то, что они похожи на «чёрные ящики», но в этой работе применили метод SHAP, чтобы показать, какие маркеры крови влияют на предсказания. Наиболее важными оказались показатели, связанные со свертыванием крови и иммунной активностью: международное нормализованное отношение (INR), фибриноген, время тромбина и соотношения между разными типами лейкоцитов (коэффициенты нейтрофилов к моноцитам и лимфоцитов к моноцитам). В целом у пациентов с раком чаще наблюдались признаки воспаления и склонность к тромбообразованию, а также смещения в балансе иммунных клеток. Исследователи даже создали простой визуальный инструмент оценки, основанный на ведущих маркерах, чтобы клиницисты могли на месте оценить риск наличия рака у конкретного пациента.

Кровяные маркеры, отражающие агрессивность опухоли

Помимо диагностики, исследование проверяло, отражают ли маркеры крови степень опасности опухоли. Соотнеся результаты крови с данными хирургического патоморфологического исследования, команда обнаружила, что некоторые комбинированные индексы — особенно системный иммунно-воспалительный индекс (SII) и несколько соотношений клеток — возрастали вместе с увеличением размеров опухоли, распространением в лимфоузлы и более высоким общим стадийным статусом. Один маркер, отношение нейтрофилов к тромбоцитам, тесно ассоциировался с нервно-периферной инвазией опухолевых клеток, тревожным признаком, связанным с рецидивом. При медиане наблюдения около четырёх с половиной лет пациенты с более высоким числом нейтрофилов, большим отношением нейтрофилов к лимфоцитам и повышенным SII имели худший исход — больше рецидивов и смертей.

Что это может значить для пациентов и врачей

Проще говоря, это исследование показывает, что тщательно проанализированный «моментальный снимок» крови пациента может рассказать гораздо больше, чем подсказывает обычный лабораторный отчёт. Комбинируя привычные тесты с интерпретируемыми инструментами машинного обучения, врачи вскоре смогут лучше решать, каким хриплым пациентам срочно нужна биопсия, какие опухоли, вероятно, будут агрессивными, и кому полезнее более частое наблюдение или дополнительная терапия. Хотя исследование было ретроспективным и ограничено мужчинами из одного региона — то есть требует подтверждения в более широких группах — оно очерчивает практичный и недорогой путь к более персонализированному, основанному на данных уходу за людьми с подозрением или подтверждённым раком голосовых складок.

Цитирование: Zhang, Y., Yan, X., Li, X. et al. Interpretable machine learning models using peripheral blood biomarkers for diagnosis and prognosis of glottic laryngeal squamous cell carcinoma. Sci Rep 16, 10451 (2026). https://doi.org/10.1038/s41598-026-40074-9

Ключевые слова: рак гортани, маркер крови, машинное обучение, прогноз при раке, иммунное воспаление