Прогнозирование исходов у пациентов, подвергающихся резекции печени по поводу колоректальных метастазов в печени (CRLM), остается сложной задачей. Модели выживаемости на основе искусственного интеллекта могут улучшить индивидуализированную оценку риска. Группа исследователей разработала и сравнила классические методы машинного обучения и глубокого обучения, используя исключительно предоперационные клинические параметры у 350 пациентов с первичной резекцией печени по поводу CRLM.

В исследовании оценивались шесть моделей: пропорциональных рисков Cox (CoxPH), случайного леса выживаемости (RSF), опорных векторов для выживаемости (SVM), XGBoost survival, DeepSurv и DeepHit. Производительность моделей оценивалась с помощью индекса конкордантности (C-index) и интегрированной оценки Брайера (IBS) на обучающей выборке из 245 пациентов, тестовой выборке из 105 пациентов и независимой внутренней валидационной когорте из 88 пациентов исследования OSLO-COMET.

Интерпретируемость моделей оценивалась с помощью анализа SHAP (SHapley Additive exPlanations). Результаты разработанных моделей сравнивались с классическим Basingstoke Predictive Index (BPI).

На внутренней валидационной когорте модель CoxPH продемонстрировала наиболее стабильную производительность (C-index 0.59 на валидации и 0.65 на тестовой выборке), сопоставимую с более сложными моделями машинного и глубокого обучения. Хотя RSF достигла наивысшей производительности на обучающей выборке, это преимущество не сохранилось ни на тестовом, ни на валидационном наборах данных.

Модели CoxPH и DeepSurv показали сопоставимое с BPI индивидуальное предсказание 1-, 3- и 5-летней выживаемости. Анализ SHAP последовательно выявил в качестве наиболее влиятельных предикторов во всех моделях:

• ASA-статус
• Долевое распределение метастазов
• Локализацию первичной опухоли
• Количество метастазов

Используя структурированные предоперационные клинические данные, авторы разработали модели машинного и глубокого обучения для прогнозирования общей выживаемости у пациентов с CRLM. Учитывая, что модели основывались исключительно на предоперационных клинических переменных, их производительность является обнадеживающей.

Исследователи отмечают, что предсказательная точность может быть дополнительно улучшена путем включения дополнительных модальностей данных — в частности, радиологических признаков, а также обучением на более крупных датасетах. Это открывает перспективы для создания более точных инструментов стратификации риска при планировании хирургического лечения колоректальных метастазов в печени.