Папиллярные микрокарциномы щитовидной железы (ПМЩЖ) составляют около 30% случаев папиллярного рака щитовидной железы, а мутация BRAF V600E является одной из ключевых драйверных мутаций в развитии папиллярных карцином щитовидной железы. Традиционные методы молекулярной диагностики требуют значительных временных и финансовых затрат, что делает актуальной разработку альтернативных подходов, таких как методы машинного обучения на основе анализа гистологических изображений.
Исследование направлено на оценку возможности применения модели Multiple-Instance Learning (MIL) для прогнозирования BRAF-статуса у пациентов с ПМЩЖ на основе анализа отсканированных гистологических препаратов.
В исследование включены гистологические сканы операционного материала 93 пациентов с ПМЩЖ (возраст 24—72 года, медиана 48 лет), оперированных в период с 01.01.22 по 01.09.23. BRAF V600E определяли методом Real-Time PCR. Для классификации использовали модель MIL (CLAM) с предобученными признаковыми экстракторами (CTransPath и Virchow). Качество оценки определяли по ROC-AUC с кросс-валидацией (k=5, 10 повторов).
Мутация BRAF V600E выявлена у 62 пациентов, у 31 отсутствовала. Наивысшее значение ROC-AUC (0,83; 95% ДИ: 0,61—1,00) достигнуто при использовании признаков Virchow с фильтрацией 20% наиболее информативных регионов. Для CTransPath ROC-AUC составил 0,79 (95% ДИ: 0,60—0,95) при фильтрации 5% регионов.
Модель MIL демонстрирует значительный потенциал для оценки BRAF-статуса ПМЩЖ по гистологическим изображениям, особенно при использовании признаков Virchow. Данный подход может служить дополнительным инструментом для быстрой предварительной оценки молекулярного статуса опухоли перед проведением дорогостоящих молекулярно-генетических исследований.