Глубокое обучение multi-omics улучшает долгосрочное прогнозирование рака молочной железы на основе FDG PET-CT

Почему это важно для пациентов и их семей

Когда ставят диагноз рак молочной железы, один из первых вопросов звучит так: «Что это означает для моего будущего?» Современные системы стадирования и лабораторные тесты дают лишь приблизительные оценки. В этом исследовании проверяют, может ли объединение медицинских снимков, заключений врачей и базовой клинической информации с помощью продвинутого искусственного интеллекта дать более четкий и персонализированный прогноз долгосрочной выживаемости и риска рецидива.

Вглядеться в то, как тело использует «топливо»

Ключевой инструмент в этом исследовании — сканирование FDG PET-CT. Оно показывает не только форму тканей, как обычный КТ, но и то, сколько сахара они потребляют, что отражает активность опухоли. Врачи уже знают, что определенные показатели со сканов — например, насколько «ярко» выглядит опухоль или её размер — связаны с исходом. Однако эти традиционные измерения улавливают лишь малую часть богатой информации, скрытой в изображениях, и часто зависят от трудоемкой ручной работы специалистов по обведению опухолей.

Обучение компьютеров читать снимки и отчёты

Исследователи собрали FDG PET-CT снимки, соответствующие радиологические отчёты и рутинные клинические данные от 1210 женщин с раком молочной железы, лечившихся в одном нидерландском онкоцентре в течение 15 лет. У никого при диагнозе не было видимых отдалённых метастазов. Они создали систему под названием Multi-Omics Prognostic Stratification (MOPS), использующую глубокое обучение — тип искусственного интеллекта, который выявляет закономерности в больших наборах данных — для объединения трёх видов информации: сами снимки, письменные отчёты радиологов и клинические факторы, такие как возраст, размер опухоли, статус лимфатических узлов и гормональный статус. Автоматизированная программа предварительно выделяла опухоли молочной железы и поражённые лимфоузлы, чтобы модель могла сосредоточиться на наиболее релевантных регионах без ручного обведения.

Получая больше за счёт объединения многих подсказок

Команда сначала проверила, насколько хорошо обычные числовые показатели со сканов предсказывают, кто будет жить дольше и у кого может случиться рецидив. Показатели, отражающие общий опухолевый объём, такие как метаболический объём опухоли и суммарная гликолизная активность очагов, оказались лучше, чем простая мера пиковой яркости, но их точность всё ещё была умеренной. Модель глубокого обучения, анализировавшая всю область грудной клетки на PET-CT, улучшила результаты по сравнению с традиционными параметрами. Затем исследователи отдельно протестировали три «потока» данных: изображения, текстовые отчёты и клиническую информацию. Из них клинические данные по отдельности дали наибольшую прогностическую силу. Тем не менее при слиянии всех трёх источников в системе MOPS производительность возросла ещё больше, обеспечив более надёжные прогнозы как общей выживаемости, так и безрецидивной выживаемости на 3, 5 и 10 лет.

Открывая «чёрный ящик»

Поскольку врачи должны уметь доверять и объяснять инструменты, влияющие на решения о лечении, команда разработала MOPS с учётом интерпретируемости. Тепловые карты, наложенные на КТ‑срезы, показали, что модель фокусировалась на первичных опухолях молочной железы и вовлечённых лимфоузлах, а не на нерелевантных частях изображения. В клинических данных модель выделяла знакомые факторы с высоким влиянием, такие как размер опухоли (T стадия), статус лимфатических узлов и семейный анамнез. В текстовых отчётах она чаще обращала внимание на слова, описывающие лимфоузлы, локализацию опухоли и метаболическую активность, что отчасти повторяет рассуждения радиологов. В разных стадиях опухоли и биологических подтипах модель смогла разделить пациентов на группы с более высоким и более низким риском, хотя различие естественно было менее выражено для очень мелких, ранних стадий с уже отличной выживаемостью.

Что это может значить для ухода

Практически это исследование показывает, что продуманное объединение визуализации, врачебных записей и стандартной клинической информации может уточнить оценки долгосрочного прогноза пациента с раком молочной железы сильнее, чем любой отдельный источник. Если результаты подтвердят в других больницах и на других типах сканеров, инструмент вроде MOPS мог бы помочь врачам выявлять пациентов, которым действительно требуется более тщательное наблюдение или более интенсивное лечение, в то же время избавляя пациентов с низким риском от ненужной терапии и переживаний. Вместо того чтобы заменять клиницистов, система выступает как второе мнение, конденсируя сложные данные в индивидуальный риск‑скор, который помогает вести более ясные разговоры о прогнозе и последующих шагах.

Цитирование: Liang, X., Zhang, T., Braga, M. et al. Multi-omics deep learning improves FDG PET-CT-based long-term prognostication of breast cancer. npj Precis. Onc. 10, 74 (2026). https://doi.org/10.1038/s41698-026-01283-7

Ключевые слова: прогноз при раке молочной железы, ПЭТ-КТ визуализация, глубокое обучение, multi-omics, прогноз выживаемости