Сверточные нейронные сети, использующие предоперационную КТ, для прогнозирования краткосрочного рецидива после пластики послеоперационной грыжи

Почему важно прогнозировать неудачи операции

Когда пациента оперируют по поводу грыжи брюшной стенки, возникшей в месте предыдущего разреза, всем хочется, чтобы результат был долговечным. Тем не менее в заметной части случаев грыжа рецидивирует, что часто влечёт за собой дополнительные боли, повторные вмешательства и расходы. Хирурги обычно оценивают этот риск на основании опыта и нескольких клинических факторов, но такие суждения несовершенны. В этом исследовании изучается, может ли форма искусственного интеллекта, обученная на рутинных предоперационных КТ-сканах, помочь предсказать, у каких пациентов с большей вероятностью возникнет рецидив после пластики послеоперационной грыжи.

Как из рутинных снимков получают прогнозы

Исследователи проанализировали ретроспективно 528 пациентов, которым в крупной больнице в 2016–2019 гг. выполняли операцию по поводу послеоперационной грыжи. У всех были сделаны КТ-сканы живота до операции, на которых фиксировались размер, расположение и форма грыжи и прилегающих тканей. Команда извлекла 44 380 отдельных срезов изображений, на которых была видна область грыжи, удалило всю идентифицирующую информацию, привело изображения к единому формату и разделило данные на большую обучающую и меньшую тестовую выборки. Важно, что модели никогда «не видели» тестовые изображения во время обучения, что обеспечило честную проверку их работы на новых пациентах.

Как компьютер учится по изображениям

Для анализа сканов авторы использовали три популярных модели глубокого обучения для изображений, известные как сверточные нейронные сети. Эти сети, изначально разработанные для задач распознавания предметов на фотографиях, хорошо выявляют закономерности в сложных изображениях. Во время обучения каждый срез КТ помечался в зависимости от того, возникал ли у пациента позднее рецидив. Сети многократно сравнивали свои предсказания с реальными исходами и корректировали внутренние связи для уменьшения ошибок. Для каждого пациента предсказания по множественным срезам объединялись в единый показатель риска рецидива.

Какая модель показала себя лучше

Три модели — ResNet-50, более глубокая версия ResNet-152 и VGG16 — показали неодинаковые результаты. При тестировании на ранее невидимых изображениях ResNet-50 продемонстрировала наилучшую способность отличать пациентов с последующим рецидивом от тех, у кого рецидива не было. Её результат, суммированный стандартной метрикой — площадью под кривой (AUC), — был заметно выше, чем у двух других сетей. Статистический анализ подтвердил, что эти различия вряд ли являются случайными. Чтобы понять, на что именно сети «смотрели», команда также использовала метод визуализации, выделяющий области изображения, самые важные для предсказания, и выяснила, что наибольший вклад вносят зоны вокруг дефекта грыжи и брюшной стенки.

Что это может значить для пациентов и хирургов

При дальнейшей доработке и валидации в нескольких больницах такие инструменты прогнозирования на основе изображений могли бы дополнить субъективную оценку хирурга объективным вторым мнением. Более точная оценка риска рецидива, вычисленная до операции по снимку, который уже входит в стандартное обследование, может помочь в выборе времени операции, подхода, типа и размера сетки и в решении о целесообразности направления пациента в специализированный герниологический центр. Пациентам с высоким риском, например, могут рекомендовать дополнительные меры для укрепления пластики, тогда как пациентов с низким риском можно будет оградить от более агрессивных вмешательств.

Дальнейшие шаги

Авторы подчёркивают, что это исследование — ранняя демонстрация концепции, а не готовый клинический инструмент. Работа опирается на пациентов одного учреждения, использует относительно умеренное количество случаев по меркам глубокого обучения и учитывает только визуальные данные, игнорируя другие важные факторы, такие как общее состояние здоровья, предыдущие операции и техника выполнения вмешательства. В дальнейшем потребуется объединить признаки, извлечённые из КТ, с подробной клинической и оперативной информацией, протестировать модели на больших и более разнообразных популяциях пациентов и обеспечить, чтобы предсказания были понятны и заслуживали доверия у клиницистов. Тем не менее полученные результаты указывают, что интеллектуальный анализ рутинных медицинских изображений может в будущем помочь персонализировать герниологические операции и снизить вероятность нежелательного повторного вмешательства.

Цитирование: Xing, X., Zhao, B., Wang, M. et al. Convolutional neural networks using preoperative CT to predict short-term recurrence after incisional hernia repair. Sci Rep 16, 14601 (2026). https://doi.org/10.1038/s41598-026-44070-x

Ключевые слова: послеоперационная грыжа, рецидив грыжи, глубокое обучение, КТ-изображения, хирургические исходы