Эффективность ранней диагностики рака легкого по составу выдыхаемого воздуха на основе нейросетевого и мультимодального подхода

Введение. Пятилетняя выживаемость больных раком легких (РЛ) составляет 22 %. Успешный исход борьбы с этим заболеванием во многом зависит от его выявления на ранних стадиях. Развитие РЛ определяется факторами риска: курением, профессиональными экспозициями, инфекциями, генетической предрасположенностью, наличием хронических заболеваний и др. Принятие во внимание факторов риска позволит повысить эффективность автоматизированных газоаналитических комплексов диагностики РЛ по выдыхаемому воздуху. Такие комплексы являются перспективными для применения масштабируемых алгоритмов нейросетевой обработки данных для неинвазивной диагностики РЛ на ранних стадиях.

Цель исследования – оценка эффективности метода диагностики рака легкого по выдыхаемому воздуху на основе данных от 100 добровольцев и улучшение его характеристик путем применения мультимодального подхода, учитывающего состав выдыхаемого воздуха и факторы риска заболевания.

Материал и методы. В базу данных, наряду с пробами выдыхаемого воздуха, включались данные анамнеза. Для обработки данных применялись нейронные сети с вариацией архитектур, обеспечивающие улучшение показателей эффективности диагностики. Набор данных для обучения нейросестевых классификаторов включал пробы выдыхаемого воздуха от 100 добровольцев, из них 47 здоровых лиц по данным диспансеризации и 53 пациента с морфологически подтвержденным РЛ. В качестве факторов риска заболевания анализировались возраст, факт курения и наличие хронической обструктивной болезни легких (ХОБЛ).

Результаты. Интеграция данных, включающих состав выдыхаемого воздуха и факторы риска РЛ, при обработке единой нейронной сетью приводит к увеличению ее первоначальной мономодальной архитектуры на 3 %. Учет сравнительно небольшого количества факторов риска, таких как возраст, пол, курение и наличие ХОБЛ, позволяет повысить чувствительность классификатора на 1,89 %, специфичность – на 6,39 %. Лучшие показатели обобщающей способности нейросетевого классификатора достигаются при двухпоточной гибридной модели с нормализацией.

Заключение. Учет данных анамнеза, таких как возраст, курение и наличие ХОБЛ, дополнительно к показателям состава выдыхаемого воздуха в едином нейросетевом классификаторе позволяет повысить точность диагностики рака легкого по выдыхаемому воздуху в среднем на 4 %. Этот эффект и расширение учитываемых факторов риска при диагностике рака легкого по выдыхаемому воздуху позволят повысить достоверность результатов скрининга.

1. Adib E., Nassar A.H., Abou Alaiwi S., Groha S., Akl E.W., Sholl L.M., Michael K.S., Awad M.M., Jӓnne P.A., Gusev A., Kwiatkowski D.J. Variation in targetable genomic alterations in non-small cell lung cancer by genetic ancestry, sex, smoking history, and histology. Genome Med. 2022; 14(1): 39. doi: 10.1186/s13073-022-01041-x.

2. Schabath M.B., Cote M.L. Cancer Progress and Priorities: Lung Cancer. Cancer Epidemiol Biomarkers Prev. 2019; 28(10): 1563–79. doi: 10.1158/1055-9965.EPI-19-0221.

3. Malhotra J., Malvezzi M., Negri E., La Vecchia C., Boffetta P. Risk factors for lung cancer worldwide. Eur Respir J. 2016; 48(3): 889–902. doi: 10.1183/13993003.00359-2016.

4. LoPiccolo J., Gusev A., Christiani D.C., Jänne P.A. Lung cancer in patients who have never smoked – an emerging disease. Nat Rev Clin Oncol. 2024; 21(2): 121–46. doi: 10.1038/s41571-023-00844-0.

5. Wang W., Dou S., Dong W., Xie M., Cui L., Zheng C., Xiao W. Impact of COPD on prognosis of lung cancer: from a perspective on disease heterogeneity. Int J Chron Obstruct Pulmon Dis. 2018; 13: 3767–76. doi: 10.2147/COPD.S168048.

6. Forder A., Zhuang R., Souza V.G.P., Brockley L.J., Pewarchuk M.E., Telkar N., Stewart G.L., Benard K., Marshall E.A., Reis P.P., Lam W.L. Mechanisms Contributing to the Comorbidity of COPD and Lung Cancer. Int J Mol Sci. 2023; 24(3): 2859. doi: 10.3390/ijms24032859.

7. Park H.Y., Kang D., Shin S.H., Yoo K.H., Rhee C.K., Suh G.Y., Kim H., Shim Y.M., Guallar E., Cho J., Kwon O.J. Chronic obstructive pulmonary disease and lung cancer incidence in never smokers: a cohort study. Thorax. 2020; 75(6): 506–509. doi: 10.1136/thoraxjnl-2019-213732.

8. Wasswa-Kintu S., Gan W.Q., Man S.F., Pare P.D., Sin D.D. Relationship between reduced forced expiratory volume in one second and the risk of lung cancer: a systematic review and meta-analysis. Thorax. 2005. 60(7): 570–75. doi: 10.1136/thx.2004.037135.

9. Lam V.K., Bentzen S.M., Mohindra P., Nichols E.M., Bhooshan N., Vyfhuis M., Scilla K.A., Feigenberg S.J., Edelman M.J., Feliciano J.L. Obesity is associated with long-term improved survival in definitively treated locally advanced non-small cell lung cancer (NSCLC). Lung Cancer. 2017; 104: 52–57. doi: 10.1016/j.lungcan.2016.11.017.

10. Huang S.X., Jaurand M.C., Kamp D.W., Whysner J., Hei T.K. Role of mutagenicity in asbestos fiber-induced carcinogenicity and other diseases. J Toxicol Environ Health B Crit Rev. 2011; 14(1-4): 179–245. doi: 10.1080/10937404.2011.556051.

11. Кульбакин Д.Е., Обходская Е.В., Обходский А.В., Родионов Е.О., Сачков В.И., Чернов В.И., Чойнзонов Е.Л. Исследование эффективности метода диагностики заболеваний дыхательной системы по анализу выдыхаемого воздуха с применением газоаналитического комплекса. Сибирский журнал клинической и экспериментальной медицины. 2023; 38(4): 260–69. doi: 10.29001/2073-8552-2023-653. EDN: SRPDUH.

12. Обходский А.В., Кульбакин Д.Е., Обходская Е.В., Попов А.С., Родионов Е.О., Сачков В.И., Чернов В.И., Чойнзонов Е.Л. Программный комплекс нейросетевой классификации данных газоаналитического обследования дыхательной системы. Вестник Томского государственного университета. Управление, вычислительная техника и информатика. 2024; 69: 112–23. doi: 10.17223/19988605/69/12. EDN: SJAGNG.

13. Ortiz B.L., Gupta V., Kumar R., Jalin A., Cao X., Ziegenbein C., Singhal A., Tewari M., Choi S.W. Data Preprocessing Techniques for AI and Machine Learning Readiness: Scoping Review of Wearable Sensor Data in Cancer Care. JMIR Mhealth Uhealth. 2024; 12: e59587. doi: 10.2196/59587.

14. Cos H., Li D., Williams G., Chininis J., Dai R., Zhang J., Srivastava R., Raper L., Sanford D., Hawkins W., Lu C., Hammill C.W. Predicting Outcomes in Patients Undergoing Pancreatectomy Using Wearable Technology and Machine Learning: Prospective Cohort Study. J Med Internet Res. 2021; 23(3): e23595. doi: 10.2196/23595.

15. Adeoye J., Su Y. Deep learning with data transformation improves cancer risk prediction in oral precancerous conditions. Intelligent Medicine. 2025; 5(2): 141–50. doi: 10.1016/j.imed.2024.11.003.

16. Papadimitroulas P., Brocki L., Christopher Chung N., Marchadour W., Vermet F., Gaubert L., Eleftheriadis V., Plachouris D., Visvikis D., Kagadis G.C., Hatt M. Artificial intelligence: Deep learning in oncological radiomics and challenges of interpretability and data harmonization. Phys Med. 2021; 83: 108–21. doi: 10.1016/j.ejmp.2021.03.009.

17. Yang T.Y., Kuo P.Y., Huang Y., Lin H.W., Malwade S., Lu L.S., Tsai L.W., Syed-Abdul S., Sun C.W., Chiou J.F. Deep-Learning Approach to Predict Survival Outcomes Using Wearable Actigraphy Device Among End-Stage Cancer Patients. Front Public Health. 2021; 9: 730150. doi: 10.3389/fpubh.2021.730150.

18. Huang Y., Roy N., Dhar E., Upadhyay U., Kabir M.A., Uddin M., Tseng C.L., Syed-Abdul S. Deep Learning Prediction Model for Patient Survival Outcomes in Palliative Care Using Actigraphy Data and Clinical Information. Cancers (Basel). 2023; 15(8): 2232. doi: 10.3390/cancers15082232.

19. Li Y., Jiang J., Li X., Zhang M. Multi-modal data integration of dosiomics, radiomics, deep features, and clinical data for radiation-induced lung damage prediction in breast cancer patients. J Radiat Research and Appl Sci. 2025; 18(2): 101389. doi: 10.1016/j.jrras.2025.101389.

20. Batra U., Nathany S., Nath S.K., Jose J.T., Sharma T., Preeti. P., Pasricha S., Sharma M., Arambam N., Khanna V., Bansal A., Mehta A., Rawal K. AI-based pipeline for early screening of lung cancer: integrating radiology, clinical, and genomics data. Lancet Reg Health Southeast Asia. 2024; 24: 100352. doi: 10.1016/j.lansea.2024.100352.