Прогнозирование экспрессии Ki-67 при инвазивном раке молочной железы с помощью радиомики на двух модальностях

Почему это исследование важно для пациенток

Для женщин с диагнозом инвазивного рака молочной железы ключевым является вопрос: как быстро опухоль будет расти и распространяться. Врачи часто полагаются на белок Ki-67, чтобы оценить скорость деления раковых клеток, но его измерение обычно требует взятия ткани иглой или в ходе операции. В этом исследовании рассматривается возможность того, что информация, скрытая в рутинных визуализациях молочной железы — УЗИ и маммографии — может быть объединена и проанализирована компьютером для прогнозирования уровня Ki-67 без дополнительного инвазивного теста, что потенциально поможет точнее подбирать лечение с меньшим дискомфортом и риском.

Видеть больше, чем способен глаз

УЗИ и маммография — стандартные методы обнаружения и характеристики опухолей молочной железы. Радиологи оценивают форму, контуры и другие видимые детали, но каждое изображение содержит также тонкие закономерности яркости и текстуры, слишком сложные для полного восприятия человеком. Радиомика — это метод, который превращает медицинские изображения в сотни измеримых признаков, превращая каждую опухоль в богатый числовой отпечаток. Авторы предположили, что эти отпечатки могут отражать агрессивность опухоли, в том числе то, высокий у неё уровень Ki-67 или низкий.

Объединяя два вида визуализации

Команда исследователей изучила 206 женщин с инвазивным раком молочной железы, лечившихся в одной больнице. У всех были качественные предоперационные изображения УЗИ и маммографии, а также лабораторные результаты Ki-67. Опухоли разделили на группы с низким Ki-67 (20% или меньше) и высоким Ki-67 (более 20%) — это часто используемый порог. Специалисты обвели контуры каждой опухоли на изображениях, а программное обеспечение извлекло более тысячи признаков из каждого метода визуализации. Эти признаки описывали базовую яркость, форму опухоли и тонкие текстурные шаблоны, как в исходных изображениях, так и после математических преобразований, направленных на выявление скрытых структур.

Обучая компьютер прогнозировать агрессивность

Поскольку не все признаки одинаково информативны, исследователи использовали статистический метод, чтобы сократить их до меньшего набора, обладающего наибольшей прогностической силой. Затем они обучили несколько типов моделей машинного обучения различать опухоли с высоким и низким Ki-67, создав три версии: на основе только УЗИ, только маммографии и комбинированную, объединяющую признаки обоих методов. Модели тщательно тестировали с помощью повторной кросс‑валидации — процесса многократной случайной перетасовки и разбиения данных на обучающую и тестовую выборки, чтобы проверить, насколько результаты применимы к новым случаям.

Чему модели научились по изображениям

Комбинированная модель явно превзошла модели, основанные на одном методе визуализации. Она достигла площади под кривой 0,882, что означает, что модель правильно ранжировала опухоли с высоким и низким Ki-67 почти в девяти случаях из десяти, с хорошим балансом чувствительности (уловить агрессивные опухоли) и специфичности (избежать ложных тревог). УЗИ и маммография по отдельности были заметно менее точны. Многие наиболее важные признаки отражали текстуру — насколько однородны или разнообразны уровни серого внутри опухоли — а также характеристики формы опухоли. С помощью инструмента интерпретации SHAP авторы показали, какие признаки сильнее всего склоняют модель к предсказанию высокого или низкого риска, делая её решения более прозрачными.

Возможное влияние на лечение и следующие шаги

Исследование показывает, что, объединяя данные УЗИ и маммографии, компьютеры могут оценивать активность роста опухоли способом, близким к тестам на Ki-67 по биопсии. На практике такой инструмент мог бы помочь врачам решить, когда усилить лечение или наблюдение, особенно если биопсия затруднена или когда требуются повторные измерения с течением времени. Однако работа проведена в одном центре и ретроспективно, поэтому её необходимо проверить на более крупных и разнообразных группах пациентов и в проспективных исследованиях. Если результаты подтвердятся, подход радиомики на двух модальностях может стать ценным неинвазивным дополнением к традиционной патологии при персонализации лечения рака молочной железы.

Цитирование: Xu, R., Lin, Q., Zheng, C. et al. Prediction of Ki-67 expression in invasive breast cancer with dual-modality radiomics. Sci Rep 16, 12129 (2026). https://doi.org/10.1038/s41598-026-42827-y

Ключевые слова: рак молочной железы, Ki-67, радиомика, ультразвук, маммография