Искусственный интеллект в скрининге и ранней диагностике новообразований поджелудочной железы в условиях централизации лабораторной службы региона

Цель работы – определение оптимальной модели машинного обучения для создания программного обеспечения по скринингу и ранней диагностике новообразований поджелудочной железы в условиях централизации лабораторной службы региона. Материал и методы. Основу клинического материала составили 1 254 пациента, проходивших обследование в централизованной лаборатории ГУЗ «Консультативно-диагностическая поликлиника № 2» Волгограда. Из них в дальнейшем 139 оперированы в ГБУЗ «Волгоградский областной клинический онкологический диспансер» по поводу злокачественных новообразований поджелудочной железы. В 65 (46,7 %) наблюдениях выполнена дистальная резекция поджелудочной железы, в 74 (53,3 %) – панкреатодуоденальная резекция. В 28 (20,1 %) случаях на момент выявления опухоли пациенты не имели клинической симптоматики. Статистическая обработка данных проводилась с использованием языка программирования python. Для машинного обучения использованы 5 различных классификаторов. Результаты. В ходе факторного анализа из 62 лабораторных показателей крови отобраны 11 параметров, динамику изменения которых следует прицельно оценивать на этапах скрининга и ранней диагностики новообразований поджелудочной железы. Сравнительная оценка методик машинного обучения показала, что оптимальным вариантом для создания соответствующего программного обеспечения является градиентный бустинг на основе гистограмм (диагностическая точность – 0,909, чувствительность – 0,642, специфичность – 0,965, прогностичность отрицательного результата – 0,928, прогностичность положительного результата – 0,794, F1 – 0,828, функция потерь логистической регрессии – 0,352, площадь под Rocкривой – 0,89). Заключение. Создание программного обеспечения на основе выбранного алгоритма позволит уточнить реальную эффективность машинного обучения на большей популяции пациентов с новообразованиями поджелудочной железы.

1. Шахзадова А.О., Старинский В.В., Лисичникова И.В. Состояние онкологической помощи населению России в 2022 году. Сибирский онкологический журнал. 2023; 22(5): 5–13. doi: 10.21294/1814-4861-2023-22-5-5-13.

2. Румянцев П.О. Ранняя диагностика агрессивных форм рака: альянс специалистов, технологий и искусственного интеллекта. Лучевая диагностика и терапия. 2023; 14(2): 7–14. doi: 10.22328/2079-5343-2023-14-2-7-14.

3. Солодкий В.А., Каприн А.Д., Нуднов Н.В., Харченко Н.В., Ходорович О.С., Запиров Г.М., Шерстнева Т.В., Дибирова Ш.М., Канахина Л.Б. Современные системы поддержки принятия врачебных решений на базе искусственного интеллекта для анализа цифровых маммографических изображений. Вестник рентгенологии и радиологии. 2023; 104(2): 151–62. doi: 10.20862/0042-4676-2023-104-2-151-162.

4. Барчук А.А., Раскина Ю.В., Смирнова О.В., Беляев А.М., Багненко С.Ф. Скрининг онкологических заболеваний на уровне государственных программ: обзор, рекомендации и управление. Общественное здоровье. 2021; 1(1): 19–31. doi: 10.21045/2782-1676-2021-1-1-19-31.

5. Raju N.G., Lakshmi K.P., Jain V.M., Kalidindi A., Padma V. Study the Influence of Normalization/Transformation process on the Accuracy of Supervised Classification. Third International Conference on Smart Systems and Inventive Technology (ICSSIT). Tirunelveli, India, 2020; 729–35, doi: 10.1109/ICSSIT48917.2020.9214160.

6. Yang J., Rahardja S., Fränti P. Outlier detection: how to threshold outlier scores? In Proceedings of the International Conference on Artificial Intelligence, Information Processing and Cloud Computing (AIIPCC ‘19). Association for Computing Machinery, New York, NY, USA. 2019; 1–6. doi: 10.1145/3371425.3371427.

7. Kelleher J.D., Mac Namee B., D’arcy A. Fundamentals of machine learning for predictive data analytics: algorithms, worked examples, and case studies. MIT press, 2020.

8. Злокачественные новообразования в России в 2021 году (заболеваемость и смертность). Под ред. А.Д. Каприна, В.В. Старинского, А.О. Шахзадовой. М., 2022. 252 с.

9. Hameed B.S., Krishnan U.M. Artificial Intelligence-Driven Diagnosis of Pancreatic Cancer. Cancers (Basel). 2022; 14(21): 5382. doi: 10.3390/cancers14215382.

10. Singhi A.D., Koay E.J., Chari S.T., Maitra A. Early Detection of Pancreatic Cancer: Opportunities and Challenges. Gastroenterology. 2019; 156(7): 2024–40. doi: 10.1053/j.gastro.2019.01.259.

11. Kirkegård J., Mortensen F.V., Heide-Jørgensen U., Cronin-Fenton D. Predictors of underlying pancreatic cancer in patients with acute pancreatitis: a Danish nationwide cohort study. HPB (Oxford). 2020; 22(4): 553–62. doi: 10.1016/j.hpb.2019.08.013.

12. Гусев А.В., Евгина С.А., Годков М.А. Искусственный интеллект в здравоохранении России. Роль лаборатории. Лабораторная служба. 2022; 11(2): 5–8. doi: 10.17116/labs2022110215.

13. Singh G. Artificial intelligence in colorectal cancer: a review. Siberian Journal of Oncology. 2023; 22(3): 99–107. doi: 10.21294/1814-4861-2023-22-3-99-107.

14. Мельников П.В., Доведов В.Н., Каннер Д.Ю., Черниковский И.Л. Искусственный интеллект в онкохирургической практике. Тазовая хирургия и онкология. 2020; 10(3–4): 60–4. doi: 10.17650/2686-9594-2020-10-3-4-60-64.

15. Faur A.C., Lazar D.C., Ghenciu L.A. Artificial intelligence as a noninvasive tool for pancreatic cancer prediction and diagnosis. World J Gastroenterol. 2023; 29(12): 1811–23. doi: 10.3748/wjg.v29.i12.1811.