Команда исследователей предложила двухветвевую CNN-LSTM архитектуру, объединяющую анализ гистопатологических изображений колоректального рака и структурированных клинико-биохимических данных гепатоцеллюлярной карциномы. Работа носит исследовательский характер и направлена на изучение возможностей обучения представлений на независимых, непарных публичных датасетах.
CNN-ветвь извлекает пространственные и железистые текстурные признаки из кураторских патчей изображений колоректального рака, тогда как LSTM-ветвь обрабатывает клинические атрибуты фиксированного порядка как структурированную последовательность признаков для выявления межпризнаковых зависимостей в записях пациентов с ГЦК.
При внутреннем тестировании на публичных датасетах с бутстрэп-оценкой неопределённости полная архитектура CNN + LSTM + MLP показала:
- Точность: 0.978 (95% CI 0.971–0.984)
- Macro-F1: 0.977 (95% CI 0.971–0.984)
- Macro OVR AUC: 0.997 (95% CI 0.996–0.998)
Аблационный анализ и сравнение с базовыми моделями выявили существенное снижение производительности при использовании отдельных компонентов:
- CNN only: точность 0.938
- LSTM only: 0.875
- Clinical encoder only: 0.890
- CNN + LSTM: 0.966
- CNN + clinical MLP: 0.958
- Late fusion: 0.952
- EfficientNet-B0-style fusion: 0.970
- ViT-tiny-style fusion: 0.960
- XGBoost: 0.910
- Random forest: 0.900
- Logistic regression: 0.875
Полная модель превзошла EfficientNet-B0-style baseline по Macro AUC на 0.003 (95% CI 0.002–0.004; парный бутстрэп P = 0.007; точный тест Макнемара P = 0.011). Для интерпретации решений каждой ветви использовались Grad-CAM (визуализация активационных карт CNN) и SHAP (объяснение вклада признаков LSTM).
Авторы подчёркивают, что результаты ограничены внутренней валидацией на публичных датасетах без внешней клинической проверки. Модель обучалась на раздельных источниках данных (гистопатология КРР и клинические записи ГЦК), что делает её скорее исследовательским инструментом для изучения трансфера представлений, чем готовым решением для клинической практики. Необходима проспективная валидация на независимых когортах для оценки реальной клинической применимости подхода.