В ретроспективное двухцентровое исследование включены 833 пациента с хирургически удалёнными, патоморфологически подтверждёнными субсолидными узлами (SSN) спектра аденокарциномы (обучающая выборка n=586, внешняя валидация n=247). Низкий риск определялся как атипическая аденоматозная гиперплазия (AAH), аденокарцинома in situ (AIS) или минимально инвазивная аденокарцинома (MIA); высокий риск — инвазивная аденокарцинома (IAC).

Для отбора признаков из 19 AI-параметров, 7 семантических признаков и 3 клинических характеристик применялся метод LASSO. Построены и валидированы семь моделей машинного обучения с использованием десятикратной перекрёстной валидации и внешней валидации. Интерпретируемость обеспечивалась методом SHAP (SHapley Additive exPlanations).

LASSO выделил девять предикторов: контур узла, спикулярность, лобуляция, плевральная втянутость, сосудистая конвергенция, длинный диаметр, доля солидного компонента, skewness и энтропия.

При внутренней перекрёстной валидации все семь моделей показали сопоставимую производительность (средняя AUC 0,935–0,940). На внешней валидации модель random forest (RF) продемонстрировала численно наибольшую AUC — 0,959 (95% ДИ: 0,938–0,980), хотя попарные тесты DeLong с поправкой Бонферрони не выявили статистически значимых различий между моделями.

SHAP-анализ идентифицировал пять ведущих предикторов инвазивности: длинный диаметр, skewness, спикулярность, энтропия и доля солидного компонента. На основе модели RF разработан онлайн-калькулятор индивидуального риска: https://subsolid-nodule.shinyapps.io/data/.

Модели ансамблевого обучения, особенно random forest, интегрирующие AI-количественные КТ-параметры и семантические признаки, точно прогнозируют риск инвазивности SSN. Неинвазивный инструмент может предоставить дополнительную информацию для предоперационной стратификации риска и мультидисциплинарной оценки пациентов с субсолидными узлами лёгкого.