Машинное обучение и искусственный интеллект в анализе жидкостной биопсии для раннего обнаружения рака поджелудочной железы: обзор-схема

Почему важны ранние признаки в крови и моче

Рак поджелудочной железы — один из самых смертельных среди распространённых злокачественных опухолей, потому что он редко вызывает явные симптомы до того, как уже распространился. В этом обзоре рассматривается, как врачи могут выявлять его раньше, изучая крошечные следы опухолевого материала, плавающие в обычных биологических жидкостях, и используя искусственный интеллект для обнаружения скрытых закономерностей. Для пациентов и их семей надежда состоит в том, что простой анализ крови или мочи однажды сможет обнаружить проблему задолго до того, как опухоль станет опасной для жизни.

Орган, к которому трудно добраться, с тихими предвестниками

Поджелудочная железа расположена глубоко в брюшной полости, поэтому опухоли могут долго развиваться без шума. Многие люди сначала замечают лишь расплывчатые симптомы — усталость, боли в животе или спине, потерю веса или пожелтение кожи. К тому моменту, когда обнаруживают аденокарциному протоков поджелудочной железы, у более трех четвертей пациентов уже есть распространение в прилегающие или отдалённые органы, и немногие подходят для операции. Даже при современных методах лечения в США выживает около одного из десяти пациентов через пять лет после постановки диагноза, поэтому смещение времени в сторону более раннего обнаружения имеет критическое значение.

Жидкостная биопсия как менее инвазивное окно в опухоль

Текущие методы скрининга для групп высокого риска опираются на визуализационные исследования и эндоскопическое УЗИ, которые могут быть дорогими, неприятными и иногда рискованными. Жидкостная биопсия предлагает другой путь. Вместо того чтобы смотреть непосредственно на поджелудочную железу, клиницисты анализируют кровь, мочу, желчь или жидкость из кисты на предмет молекул, отщепленных опухолью. К ним относятся фрагменты опухолевой ДНК, целые опухолевые клетки, крошечные везикулы в мембране и короткие молекулы РНК, участвующие в регуляции генов. Поскольку эти маркеры можно собрать при простом заборе крови или образце мочи, они могли бы поддержать более частые и доступные проверки, особенно если использовать их в панелях вместе, а не полагаться на один маркер, как долго применяемый анализ крови CA19-9.

Обучение компьютеров чтению сложных молекулярных сигналов

Проблема в том, что эти биологические жидкости содержат плотную смесь нормального и патологического материала, а ранние стадии рака могут оставлять лишь слабые следы. Авторы обзора рассматривают 18 недавних исследований, в которых применяют машинное обучение и глубокое обучение для выделения тонких паттернов в этом море данных. Большинство исследований использовали образцы крови, несколько — мочу, желчь или жидкость из кист поджелудочной. Распространённые компьютерные методы, такие как случайные леса и опорные векторы, обучали разделять пациентов с раком поджелудочной железы от здоровых добровольцев, от людей с другими видами рака или от тех, у кого есть доброкачественные заболевания поджелудочной, например хроническое воспаление или доброкачественные кисты. Два исследования использовали более сложные нейронные сети, способные извлекать закономерности напрямую из больших наборов измерений.

Что работает лучше всего пока и где остаются пробелы

Эффективность по исследованиям сильно различалась, но прослеживались общие выводы. Тесты, основанные на малых молекулах РНК в биологических жидкостях, особенно если они защищены внутри везикул, часто достигали очень высокой точности и чёткого различения образцов с раком и без него. Напротив, методы, опирающиеся на целые опухолевые клетки или некоторые типы везикул, демонстрировали худшие результаты, отчасти потому, что такие частицы хрупкие, встречаются редко и их сложнее надёжно выделять. Несколько групп показали, что сочетание CA19-9 с новыми маркерами улучшало показатели по сравнению с CA19-9 в одиночку, что созвучно прошлым успехам с многомаркерными пренатальными анализами крови. Тем не менее большинство исследований включало сравнительно небольшие когорты пациентов, часто уже с подтверждённым диагнозом, и публиковало результаты разными способами, что затрудняет справедливое сравнение.

Что это значит для пациентов и врачей сегодня

Обзор делает вывод, что жидкостная биопсия с поддержкой искусственного интеллекта — это перспективное дополнение к визуализационному скринингу, а не его замена на текущем этапе. Область ещё молода, и немногие из протестированных панелей готовы к рутинному применению в клинике. Необходимы более крупные, лучше спроектированные исследования у людей с высоким риском и у тех, у кого есть ранние изменения, такие как хронический панкреатит, а также более чёткие стандарты отчётности о производительности моделей. Если эти препятствия удастся преодолеть, простые тесты на основе жидкостей, управляемые умными алгоритмами, однажды могут помочь выявлять рак поджелудочной раньше, сократить необходимость инвазивных процедур и дать большему числу пациентов шанс на излечение.

Цитирование: Ku, J., Singhal, M., Burnette, M. et al. Machine learning and artificial intelligence in liquid biopsy-based early detection of pancreatic cancer: a scoping review. BJC Rep 4, 26 (2026). https://doi.org/10.1038/s44276-026-00232-y

Ключевые слова: рак поджелудочной железы, жидкостная биопсия, машинное обучение, раннее обнаружение, биомаркеры в крови