Исследователи из двух центров Китая поставили задачу создать и валидировать интерпретируемую платформу машинного обучения, интегрирующую полуавтоматическую сегментацию, внутриопухолевые хабитаты (habitat imaging) на основе мультипараметрической МРТ (mpMRI) и мультимасштабную перитуморальную радиомику для предоперационного прогноза высокоагрессивного рака предстательной железы (HGPCa).
Ретроспективное двухцентровое исследование включило 274 пациента: 208 из Центра 1 (для разработки модели) и 66 из Центра 2 (для внешней валидации). Когорта разработки была случайным образом разделена на обучающую выборку (n=145) и внутреннюю валидационную (n=63).
Клинические и визуализационные переменные включали возраст пациента, уровень PSA в сыворотке, свободный PSA (fPSA), плотность PSA (PSAD), максимальный диаметр опухоли, оценку PI-RADS и анатомическую зону (периферическая зона, PZ, vs. переходная зона, TZ).
Внутриопухолевые хабитаты выделялись с помощью полуавтоматической сегментации и неконтролируемой кластеризации методом K-means, позволяя выявить гетерогенные субрегионы внутри опухоли. Перитуморальные радиомические признаки извлекались из концентрических оболочек шириной 1, 3 и 5 мм вокруг опухоли.
Для построения предиктивных классификаторов использовались алгоритмы машинного обучения, в частности многослойный перцептрон (MLP) для модели habitat-сигнатуры. Была создана комбинированная клинико-радиомическая номограмма. Для повышения интерпретируемости модели применялся метод SHapley Additive exPlanations (SHAP). Проведён подгрупповой анализ по зонам (PZ и TZ).
Комбинированная номограмма продемонстрировала наилучшую диагностическую эффективность:
- AUC 0.914 в обучающей когорте
- AUC 0.903 во внутренней валидационной когорте
- AUC 0.797 во внешней тестовой когорте
MLP-модель на основе хабитатов показала хорошую дискриминационную способность:
- AUC 0.896, 0.897 и 0.782 в обучающей, внутренней валидационной и внешней тестовой когортах соответственно
Среди перитуморальных зон оболочка шириной 5 мм обеспечила наилучшую дискриминацию.
SHAP-анализ выявил, что наиболее влиятельным признаком является Habitat 1 Shape Sphericity (сферичность первого хабитата).
Подгрупповой анализ подтвердил дискриминационную способность комбинированной номограммы как в периферической зоне (AUC 0.796), так и в переходной зоне (AUC 0.753).
Интеграция полуавтоматической сегментации с анализом внутриопухолевых хабитатов и перитуморальной радиомики представляет перспективный подход для предоперационной стратификации риска при раке предстательной железы. Методика позволяет объективно оценить внутриопухолевую гетерогенность и микроокружение опухоли, что может улучшить отбор пациентов для активного наблюдения vs. радикального лечения.
Использование интерпретируемых моделей (SHAP) делает алгоритм более прозрачным для клиницистов, что критично для внедрения в клиническую практику. Внешняя валидация подтверждает воспроизводимость метода.