Папиллярные микрокарциномы щитовидной железы (ПМЩЖ) составляют около 30% случаев папиллярного рака щитовидной железы. Мутация BRAF V600E является одной из драйверных в развитии папиллярных карцином щитовидной железы. Традиционные методы молекулярной диагностики требуют значительных временных и финансовых затрат, что актуализирует разработку альтернативных подходов на основе анализа гистологических изображений с применением машинного обучения.
Целью работы стала оценка 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 составило 0,83 (95% ДИ: 0,61—1,00) при использовании признаков Virchow с фильтрацией 20% наиболее информативных регионов. Для экстрактора CTransPath ROC-AUC составил 0,79 (95% ДИ: 0,60—0,95) при фильтрации 5% регионов.
Модель MIL демонстрирует потенциал для оценки BRAF-статуса ПМЩЖ по гистологическим изображениям, особенно при использовании признаков Virchow. Данный подход может служить альтернативой или дополнением к традиционному молекулярному тестированию, снижая временные и финансовые затраты на диагностику.