Микроваскулярная инвазия (MVI) предсказывает послеоперационный рецидив при гепатоцеллюлярной карциноме (ГЦК), однако предоперационная оценка остаётся сложной задачей. В исследование ретроспективно включили 236 пациентов с морфологически подтверждённой ГЦК. Области интереса опухоли полуавтоматически выделяли на КТ-изображениях в артериальной фазе, отбирали срезы с наибольшим поперечным сечением опухоли для построения 2.5D-датасета. Обучили четыре модели: Transformer, MIL (multiple instance learning), CNN и клиническую базовую модель. Сравнение проводили по площади под ROC-кривой (AUC) с помощью теста ДеЛонга; стабильность оценок AUC оценивали методом bootstrap-ресемплинга.

Transformer показал наивысший AUC 0.827 (95% ДИ 0.7585–0.8962) с точностью 0.775, чувствительностью 0.577 и специфичностью 0.889. За ним следовали MIL (AUC 0.766; 95% ДИ 0.6875–0.8441), CNN (0.723) и клиническая модель (0.715). Bootstrap-валидация подтвердила стабильность оценок AUC для всех моделей, при этом Transformer занял первое место (среднее 0.827; SD 0.034).

Transformer значимо превзошёл CNN (скорректированный P=0.001) и клиническую модель (скорректированный P=0.039). После коррекции на множественные сравнения различие с MIL имело пограничную значимость (скорректированный P=0.097). Между CNN, MIL и клинической моделью значимых различий не выявлено.

Среди четырёх оцениваемых моделей Transformer на основе КТ с контрастированием наиболее точно предсказывал микроваскулярную инвазию, и его преимущество сохранилось после внутренней bootstrap-валидации. Авторы подчёркивают, что полученные данные касаются только ранжирования дискриминативной способности моделей; клиническая полезность не установлена, и до любого клинического применения требуется проспективная валидация на бо́льших когортах.