Неинвазивное прогнозирование скрытого pT3a-апстейджинга при локализованном чКРК с радиогеномическими данными и прогностическим значением

Почему это важно для людей с опухолями почки

Когда врачи обнаруживают опухоль почки, им нужно выбрать между удалением только опухоли и прилегающих тканей или удалением всей почки. Это решение зависит от того, насколько далеко на самом деле распространился рак. Проблема в том, что сканы иногда не видят раннее, скрытое распространение за пределы почки, поэтому опухоль, кажущаяся менее опасной до операции, после вмешательства может оказаться более угрожающей. В этом исследовании представлен новый инструмент на базе искусственного интеллекта (ИИ), названный RENALNet, который использует рутинные КТ‑снимки для более точного выявления таких замаскированных высокорисковых опухолей с целью помочь в выборе более безопасной тактики операции и последующего наблюдения.

Скрытая угроза вокруг почки

Исследователи сосредоточились на опухоли почки светлоклеточного типа (чКРК), самом распространённом варианте рака почки. Многие из этих опухолей выявляются на стадии, считающейся «локализованной», то есть на изображениях они кажутся ограниченными самой почкой. Тем не менее в 10–20% таких случаев подробное патологоанатомическое исследование после операции показывает, что рак уже пророс в жировую ткань вокруг почки или в прилежащие вены. Эта стадия, обозначаемая как pT3a, связана с более высокой вероятностью рецидива и смерти. Стандартные КТ или МРТ часто не могут обнаружить эти мелкие продолжения, из‑за чего некоторым пациентам выполняют органосохраняющую операцию, тогда как более радикальное вмешательство было бы безопаснее.

Обучение компьютера распознавать тонкие признаки

Для решения этой задачи команда собрала КТ‑сканы и клинические данные 1661 пациента из пяти больниц, а также использовала общедоступный набор данных. Сначала они построили традиционные радиомические модели, в которых измерялись многочисленные вручную задаваемые характеристики опухоли и окружающих тканей, такие как форма и текстура. Эти модели работали достаточно хорошо, но испытывали трудности с обнаружением значительной доли по‑настоящему инвазивных опухолей. Затем учёные разработали RENALNet — трёхмерную систему глубокого обучения, которая напрямую анализирует КТ‑объёмы опухоли и кольца окружающей ткани, самостоятельно выучивая паттерны вместо опоры только на заранее определённые признаки.

Как новый инструмент работает вместе с врачами

RENALNet обучали на части когорт пациентов и тестировали на оставшихся, а также на четырёх внешних госпитальных когортах, чтобы оценить устойчивость модели. Во всех группах ИИ показал более высокую чувствительность по сравнению с радиомикой в выявлении скрыто более продвинутых опухолей при сохранении высокой точности. Важный момент: исследователи также попросили начинающих, врачей среднего звена и старших радиологов прочитать КТ‑снимки с оценками риска RENALNet и без них. При использовании выводов ИИ вместе с клиническим суждением радиологов их способность отличать действительно инвазивные опухоли улучшалась, особенно у менее опытных читателей, что демонстрирует, как человеческий опыт и ИИ могут дополнять друг друга.

Связь изображений с биологическим поведением опухоли

Исследование пошло дальше и проверило, отражают ли прогнозы ИИ реальную биологическую агрессивность. В нескольких когортах пациентов опухоли, которые RENALNet отнёс к группе высокого риска, демонстрировали повышенный уровень Ki‑67 — маркера ускоренного деления опухолевых клеток. Среди 246 пациентов с данными наблюдения те, кто вошёл в группу высокого риска по версии ИИ, были значительно более склонны к прогрессированию заболевания в течение пяти лет по сравнению с низкорисковыми пациентами. Используя данные об активности генов из большого публичного онкологического проекта, команда обнаружила, что высокие баллы RENALNet соответствуют активации молекулярных путей, связанных с инвазией, воспалением и выживанием опухолевых клеток, что указывает на связь между КТ‑паттернами, которые использует модель, и более глубокими генетическими программами внутри опухоли.

Что это может значить для ухода

В целом результаты указывают на то, что RENALNet может служить неинвазивным окном в то, насколько опасна опухоль почки на самом деле, даже когда КТ‑изображение выглядит внешне спокойным. Отмечая пациентов, чьи опухоли, вероятно, уже вышли за пределы почки, инструмент может помочь хирургам принять решение о более безопасном удалении всей почки вместо частичной резекции и определить, кому требуется более тщательное наблюдение. Хотя модель ещё нужно протестировать в условиях реальной клинической практики и расширить на другие типы сканирования и подтипы опухолей, это многообещающий пример того, как ИИ, «понимающий» одновременно изображения и биологию, может в будущем уточнить решения при лечении рака.

Цитирование: Li, S., Wang, C., Li, F. et al. Noninvasive prediction of occult pT3a upstaging in localized ccRCC with radiogenomic insights and prognostic relevance. npj Precis. Onc. 10, 104 (2026). https://doi.org/10.1038/s41698-026-01315-2

Ключевые слова: рак почки, ИИ в медицинской визуализации, глубокое обучение, планирование операций, радиогеномика