Гепатоцеллюлярная карцинома (ГЦК) остается одним из наиболее распространенных и летальных злокачественных новообразований, прогностическая оценка которого представляет значительные трудности. Гистопатологические биомаркеры критически важны для оценки прогноза рака. Достижения в области искусственного интеллекта (ИИ) сделали возможной автоматизацию классификации и детекции информации из цельнослайдовых патологических изображений с использованием глубокого обучения.

Целью данного исследования стала разработка AI-модели для анализа гистопатологических препаратов пациентов с ГЦК с целью прогностической стратификации и оптимизации клинических терапевтических решений.

Для автоматической сегментации цельнослайдовых изображений (WSI) использовался метод порогового разделения Otsu. Анализировались два датасета: The Cancer Genome Atlas (TCGA) и собственная коллекция препаратов ГЦК из Ansteel General Hospital.

Патологические признаки WSI экстрагировались предобученной моделью CONCH и использовались в качестве входных данных. Производительность модели оценивалась с использованием площади под ROC-кривой (AUC-ROC) и дополнительных метрик. Для анализа интерпретируемости применялась визуализация тепловых карт внимания (Attention Heatmap Visualization).

Кривая Колмогорова-Смирнова использовалась для стратификации пациентов на различные группы риска. Анализ выживаемости проводился для оценки различий в общей выживаемости между группами. Одно- и многофакторный регрессионный анализ Кокса применялся для идентификации ключевых клинических показателей и патологических признаков как значимых предикторов.

Разработана прогностическая модель с использованием CLAM self-attention framework на основе TCGA-датасета, валидация которой проведена на независимом датасете гистологических препаратов. Результаты продемонстрировали высокую способность модели к переносу знаний.

Смертность демонстрировала прогрессивное увеличение в возрастающих группах риска. Система риск-стратификации показала потенциальную клиническую полезность для выбора терапевтической тактики.

Анализ Forest plots подтвердил, что система риск-стратификации функционирует как независимый прогностический предиктор для ГЦК. Калибровочный анализ подтвердил предиктивную точность модели, а анализ кривых принятия решений (Decision Curve Analysis) продемонстрировал её превосходную полезность для клинического принятия решений.

Исследование представляет прогностическую модель, чья риск-стратификация может служить независимым прогностическим предиктором для ГЦК и руководством для терапевтических решений. Интеграция AI-анализа гистопатологических изображений открывает новые возможности для персонализации лечения пациентов с гепатоцеллюлярной карциномой на основе объективных, воспроизводимых патоморфологических данных.