Диссекция лимфатических узлов у корня нижней брыжеечной артерии (НБА) должна проводиться только определенным пациентам с высоким риском развития ее поражения. Цель данного исследования - представить первые модели искусственного интеллекта (ИИ) для прогнозирования риска метастазирования в НБА у пациентов с раком левой половины ободочной и прямой кишки.

В когорту исследования был включен 2891 пациент с раком нисходящей ободочной кишки с вовлечением селезеночного изгиба, сигмовидной кишки и прямой кишки, перенесших первичную операцию и иссечение НБА. Пациенты были разделены на обучающее (67%) и тестирующее (33%) множество. Отбор признаков проводился с использованием метода LASSO (least absolute shrinkage and selection operator). Для построения прогностических моделей использовались семь алгоритмов искусственного интеллекта, а именно: Метод опорных векторов (Support Vector Machine, SVM), Логистическая регрессия (Logistic Regression, LR), XGBoost (Extreme Gradient Boosting, XGB), Light Gradient Boosting (LGB), Обучение дерева решений (Decision Tree Classifier, DTC), Алгоритм случайного леса (Random Forest, RF) и Многослойный перцептрон (Multilayer Perceptron, MLP), а также традиционная многомерная модель LR. Оптимальные гиперпараметры были определены с помощью пятикратной перекрестной валидации. Прогностическая эффективность моделей и эксперта-хирурга оценивалась и сравнивалась на тестовом множестве независимо друг от друга.

Частота вовлечения НБА составила 4,6%. Оптимальный набор признаков, отобранных с помощью LASSO, включал 10 характеристик: неоадъювантное лечение, возраст, синхронное метастазирование в печень, синхронное метастазирование в легкие, перстневидно-клеточная аденокарцинома, инвазия нервов, лимфоваскулярная инвазия, CA199, эндоскопическая обструкция, Т-стадия, выявленная на МРТ. Наиболее точная модель, полученная на основе MLP, продемонстрировала отличную предсказательную способность с площадью под ROC-кривой (area under the receiver operating characteristic curve, AUROC) 0,873 и обеспечила чувствительность распознавания 81,0% и специфичность 82,5% в тестовом наборе независимо друг от друга. В отличие от этого, оценка метастазирования в НБА экспертом-хирургом дала довольно неточные и ненадежные результаты со значительно более низким показателем AUROC, равным 0,509. Кроме того, предложенный MLP имел наибольшую чистую выгоду и наибольшее сокращение случаев ненужного иссечения НБА без случаев пропущенного вовлечения НБА.

Модель MLP смогла сохранить точность прогнозирования в тестовом наборе лучше, чем другие модели и эксперты-хирурги. Наша модель MLP может быть использована для выявления узловых метастазов в НБА и отбора кандидатов для индивидуального ее иссечения.

Источник: Xiaojie Wang et al; Development and validation of artificial intelligence models for preoperative prediction of inferior mesenteric artery lymph nodes metastasis in left colon and rectal cancer
https://doi.org/10.1016/j.ejso.2022.06.009