Диагностическая эффективность искусственного интеллекта при выявлении распространения на брюшину и тонкую кишку при эпителиальном раке яичника с использованием предоперационной контрастной КТ

Почему важно обнаруживать скрытое распространение

Для женщин с раком яичников то, что врачи видят в брюшной полости до операции, может означать разницу между излечимой операцией и обширным вмешательством, при котором остаются опухолевые очаги. Особенно проблемными являются крошечные очаги, покрывающие оболочку брюшной полости и поверхность тонкой кишки. Их трудно заметить на рутинных сканах, но они могут помешать хирургам полностью удалить опухоль безопасным способом. В этом исследовании проверяют, сможет ли искусственный интеллект (ИИ) эффективнее, чем человеческий глаз, анализировать стандартные контрастные КТ-снимки для поиска такого скрытого распространения и помогать в планировании более безопасного и обоснованного лечения.

Как рак яичников тихо распространяется

Эпителиальный рак яичников часто остается незамеченным, пока не появятся множественные мелкие опухолевые очаги в брюшной полости. Эти отложения могут покрывать внутреннюю оболочку живота и поверхности органов, включая тонкие петли кишечника. Когда объем опухоли очень велик или вовлечены критические участки, хирургам может оказаться невозможно удалить всю видимую болезнь, даже при обширных операциях. В то же время выживаемость лучше при полном отсутствии оставшейся опухоли. В настоящее время врачи ориентируются на КТ для оценки распространения заболевания, но обнаружение крошечных очагов — особенно на подвижной, сложенной тонкой кишке — затруднено. В некоторых случаях хирургам приходится выполнять диагностическую операцию лишь для того, чтобы решить, возможна ли радикальная резекция.

Обучение компьютеров чтению снимков

Исследовательская группа собрала контрастные КТ-снимки у 227 женщин, лечившихся от рака яичников, маточных труб или первичного перитонеального рака в двух больницах, получив 254 набора сканов. Для каждой пациентки из данных операции было известно, имелось ли распространение на брюшину и на тонкую кишку. Используя эти реальные результаты как «ключ ответов», авторы обучили две системы глубокого обучения. Одна, P-Model, научилась судить о наличии опухолевых отложений на перитонеальных поверхностях в целом. Другая, SB-Model, была нацелена специально на распространение по тонкой кишке. Обе системы строились на компактной архитектуре нейросети, хорошо подходящей для медицинских изображений, и многократно обучались и тестировались на разных группах пациентов, чтобы оценить стабильность их работы.

Насколько хорошо ИИ действительно работал

При тестировании на невидимых ранее сканах ИИ показал обнадеживающую точность. Для общего перитонеального поражения P-Model правильно выявляла случаи примерно в трех из четырёх случаев, с чувствительностью около двух третей и специфичностью выше четырёх пятых. Проще говоря, она пропускала некоторые позитивные случаи, но давала относительно мало ложных срабатываний. Система для тонкой кишки показала ещё лучшие результаты: SB-Model правильно классифицировала более четырёх из пяти пациенток, выявляя примерно 86% случаев с вовлечением тонкой кишки и одновременно правильно подтверждая примерно 77% пациентов без поражения. Такой уровень чувствительности явно превышает скромные показатели, описанные для обычного чтения КТ в предыдущих исследованиях, где крошечные кишечные отложения часто оставались незамеченными.

Когда компьютер испытывал трудности

Исследователи также проанализировали ситуации, в которых ИИ работал плохо, определяя это как корректность не более чем в четверти решений для конкретной пациентки. Интересно, что и человеческие радиологи испытывали трудности во многих из тех же случаев, что указывает на то, что некоторые паттерны на сканах по своей природе трудно интерпретировать. Команда обнаружила, что ИИ склонен переоценивать распространение, когда брюшная полость заполнена большим количеством жидкости и уровни опухолевых маркеров в крови очень высоки, и иногда недооценивать болезнь при небольшом объеме опухоли и жидкости. Этот паттерн намекает, что система могла выработать сильную зависимость от визуальных признаков, таких как жидкость вокруг кишечника, которые не всегда точно отражают реальный объем опухоли.

Что это может значить для ухода за пациентками

Несмотря на ограничения, исследование показывает, что помощник на основе ИИ, анализирующий обычные КТ-снимки, может существенно улучшить обнаружение тонкого распространения опухоли, особенно на тонкой кишке, где радиологи сейчас испытывают наименьшую уверенность. При дальнейшем тестировании и доработке такие инструменты могут помочь врачам точнее решать, кому вероятнее всего пойдет на пользу агрессивная первичная операция, а кому целесообразнее назначить химиотерапию перед операцией. Авторы подчеркивают, что ИИ не заменит экспертную оценку или диагностическую хирургию во всех случаях, но может стать мощным дополнительным «взглядом», превращая существующие изображения в более надежную карту для сложных онкологических операций.

Цитирование: Kim, R., Seki, T., Noda, K. et al. Diagnostic performance of artificial intelligence for detecting peritoneal and small bowel dissemination in epithelial ovarian cancer using preoperative contrast-enhanced CT imaging. Sci Rep 16, 8739 (2026). https://doi.org/10.1038/s41598-026-41728-4

Ключевые слова: рак яичников, искусственный интеллект, КТ-изображения, метастазы в брюшине, распространение на тонкую кишку