В одноцентровой ретроспективной когорте 879 женщин, направленных на кольпоскопию, 242 (27,5%) имели гистологически подтверждённый CIN2+. Использовали 15 рутинно собираемых переменных, включая оценку клинициста на основе визуального осмотра, зафиксированную до получения гистопатологического заключения.
Десять семейств моделей машинного обучения — от логистической регрессии до self-supervised табличного трансформера (TabPFN) и CatBoost — обучали по единому протоколу: фиксированная разбивка данных (single fold), одно зерно рандомизации, без тюнинга гиперпараметров. Дискриминацию сравнивали парными тестами DeLong и бутстрепом.
Заранее были запланированы два анализа: точная Shapley-атрибуция для определения вклада пяти клинических групп переменных в каждое семейство моделей и анализ комплементарности — могут ли модели выявить CIN2+ среди женщин, которых клиницист счёл здоровыми. Замороженные модели валидировали на внешней двухцентровой когорте из 103 случаев.
AUROC вне обучающей выборки варьировала от 0,726 до 0,761. Ни одна модель не превзошла логистическую регрессию (AUROC 0,757): CatBoost показал разницу −0,002 (p = 0,860), TabPFN +0,004 (p = 0,554). Три контрольных варианта self-supervised табличного трансформера с удалением компонентов также не выявили различий (все p ≥ 0,096).
Удаление переменной «оценка клинициста» снизило AUROC во всех десяти семействах (на 0,041–0,072; все p ≤ 0,008).
Shapley-анализ ранжировал пять групп переменных идентично во всех моделях (коэффициент конкордации Кендалла W = 1,00; перестановочный p < 0,001):
- Оценка клинициста — 39–50% дискриминации сверх случайного уровня
- Цитология
- ВПЧ-тестирование
- Кольпоскопические находки
- Демографический анамнез
Одна оценка клинициста имела чувствительность 0,504 и специфичность 0,882; 49,6% случаев CIN2+ приходились на женщин, которых клиницист счёл здоровыми.
Повторный пересмотр 20% клинически отрицательных женщин с наивысшим риском по модели выявил 34,2% (95% ДИ 25,7–42,7%) пропущенных CIN2+ — против 20%, ожидаемых при случайном отборе. Это повысило общую чувствительность маршрута до 0,674 при специфичности 0,733.
Внешняя валидация логистической регрессии дала AUROC 0,710.
На рутинных структурированных данных популяции, направленной на кольпоскопию, при едином протоколе архитектура модели не определяла производительность — определяла информация предикторов. Ретроспективно рутинные данные дополнили клиническое суждение в небольшой мере среди клинически негативных женщин, а не заменили его.
Авторы подчёркивают: заявления о том, что сложные архитектуры улучшают клиническое табличное предсказание, должны тестироваться против логистической регрессии с парной оценкой неопределённости на повторных разбивках данных.