Искусственный интеллект в определении молекулярно-биологического подтипа рака молочной железы

Цель исследования – изучить возможности технологий искусственного интеллекта для определения молекулярных подтипов рака молочной железы (РМЖ) по данным лучевой диагностики.

Материалы и методы. Материалом для исследования послужили данные ретроспективного анализа результатов обследования 344 больных РМЖ, получавших лечение в Свердловском областном онкологическом диспансере в период с 2021 по 2023 г. Средний возраст пациенток исследуемой выборки составил 56,8 ± 10,6 года в диапазоне от 33 до 82 лет. У всех больных РМЖ подтвержден гистологически и определены молекулярные подтипы по данным трепанобиопсии и исследования операционного материала. Всем больным выполнялась рентгеновская, ультразвуковая и магнитно-резонансная маммография, выделены диагностические симптомокомплексы, соответствующие молекулярным подтипам РМЖ.

Для достижения поставленной цели были выбраны наиболее значимые диагностические признаки: возраст больных, максимальный диаметр новообразования по данным различных методов лучевой диагностики, скиалогические признаки (контуры и форма новообразований или участков перестройки структуры, пространственная ориентация, гетерогенность структуры, наличие кальцинатов, характеристики кровотока в опухоли), динамические параметры накопления парамагнетика при магнитно-резонансной маммографии. По данным гистологического исследования оценивались степень дифференцировки опухоли (G), индекс пролиферативной активности (Ki-67), статус регионарных лимфатических узлов (наличие или отсутствие метастазов), молекулярно-иммуногистохимический подтип опухоли. Был выполнен анализ статистически значимой связи между диагностическими признаками визуализации и молекулярным подтипом РМЖ путем проведения χ2-тестов в отношении признаков и подтипов (классов) РМЖ, предварительно приведенных к бинарному виду. Из массивов отобранных значений диагностических признаков визуализации были сформированы обучающая и тестовая выборки, определен алгоритм классификационной модели искусственного интеллекта. Точность типирования РМЖ обеспечивалась комбинацией из 7 визуальных признаков и 6 классификационных моделей: 5 одноклассовых и 1 мультиклассовой. Для обучения одноклассовых моделей был использован алгоритм градиентного бустинга (GradientBoostingRegressor), для обучения мультиклассовой модели – стратегия «один (класс) против остальных» с применением алгоритмов OneVsRestClassifier и градиентного бустинга (GradientBoostingClassifier). Качество обученной модели проверяли на тестовых данных. Статистическую обработку данных, разработку классификационных моделей, их тестирование и оценку качества обучения выполняли в среде Jupyter Notebook v.6.5.2.

Результаты. Показатели качества обучения одноклассовых моделей распознавания подтипов РМЖ распределялись следующим образом: чувствительность в определении люминального А подтипа (LA) составила 67,0 %, люминального B подтипа (LB) – 72,7 %, люминального B HER2-положительного подтипа (LBH) – 81,8 %, нелюминального HER2-положительного (HER) и трижды негативного РМЖ (TNC) – 100 %. Cпецифичность составила при оценке LA подтипа – 90,2 %, LB – 83,0 %, LBH – 89,7 %, HER и TNC – 98,3 и 93,5 % соответственно. Площадь под ROC-кривой (AUC) в зависимости от молекулярного подтипа была определена следующим образом: для LA подтипа – 0,88; для LB – 0,86; для LBH – 0,87; для HER – 0,96; для TNC – 1,000.

Мультиклассовая модель также показала низкие значения чувствительности, за исключением подтипов TNC (100 %) и HER (85,7 %), низкие уровни прогностической ценности положительных результатов для всех подтипов, за исключением TNC (91,7 %), и высокие показатели специфичности и прогностической ценности отрицательных результатов для всех подтипов. Площадь под ROC-кривой у мультиклассовой модели составила для подтипов: LA – 0,88; LB – 0,86; LBH – 0,86; HER – 0,95; TNC – 1,00.

Выводы. Показана возможность определения молекулярно-биологического подтипа РМЖ по комбинации диагностических признаков визуализации, полученных от разных методов лучевой диагностики, с помощью нового диагностического инструментария типирования РМЖ на основе классификационных моделей искусственного интеллекта. В перспективе внедрение искусственного интеллекта позволит снизить вероятность ошибки определения молекулярно-биологического подтипа РМЖ при несовпадении мнения врача и результатов иммуногистохимического исследования.

1. Ross J.S., Fletcher J.A., Linette G.P. et al. The HER2/neu gene and protein in breast cancer 2003: Biomarker and target of therapy. Oncologist 2003;8(4);307–25. DOI: 10.1634/theoncologist.8-4-307

2. Tsang J., Tse G. Molecular classification of breast cancer. Adv Anat Pathol 2020;27(1):27–35. DOI: 10.1097/PAP.0000000000000232

3. Gusterson B., Eaves C. Basal-like breast cancers: From pathology to biology and back again. Stem Cell Rep 2018;10(6):1676–86. DOI: 10.1016/j.stemcr.2018.04.023

4. Lehmann B., Abramson V., Sanders M. et al. TBCRC 032 IB/II multicenter study: Molecular insights to AR antagonist and PI3K inhibitor efficacy in patients with AR+ metastatic triple-negative breast cancer. Clin Cancer Res 2020;26(9):2111–23. DOI: 10.1158/1078-0432.CCR-19-2170

5. WHO Classification of Tumours Editorial Board. Breast Tumours: World Health Organization classification of tumours. 5th edn. Lyon: IARC Press, 2019. DOI: 10.1111/his.14091

6. Duffy S.W., Tabár L., Yen A.M. et al. Beneficial effect of consecutive screening mammography examinations on mortality from breast cancer: A prospective study. Radiology 2021;299(3);541–7. DOI: 1148/radiol.2021203935

7. Johnson K., Conat E., Soo M.S. Molecular subtypes of breast cancer: A review for breast radiologists. Breast Image 2021;3(1):12– 24. DOI: 10.1093/jbi/wbaa110

8. Hou X., Li X., Han Y. et al. Triple-negative breast cancer survival prediction using artificial intelligence through integrated analysis of tertiary lymphoid structures and tumor budding. Cancer 2024;130(S8):1499–512. DOI: 10.1002/cncr.35261

9. Liu Y., Zhen T., Fu Y. et al. AI-powered segmentation of invasive carcinoma regions in breast cancer immunohistochemical whole- slide images. Сancers (Basel) 2023;16(1):167. DOI: 10.3390/cancers16010167

10. Алексеева М.Г., Зубов А.И., Новиков М.Ю. Искусственный интеллект в медицине. Международный научно- исследовательский журнал 2022;7(121). DOI: 10.23670/IRJ.2022.121.7.038

11. Останькович А.А., Вайман С.Д., Тананакин А.П. и др. Диагностика рака молочной железы с использованием маркеров об- работки изображений цифровой маммографии. Байкальский медицинский журнал 2003;1(4):35–8.

12. Садыков С.С., Буланова Ю.А., Садыков Ю.А. и др. Автоматизированная обработка и анализ маммографических снимков: монография. Владимир: Изд-во ВлГУ, 2014. 208 с.

13. Пасынков Д.В., Клюшкин И.В., Бусыгина О.В. Способ повышения чувствительности и специфичности систем компьютерного анализа маммографических изображений высокой плотности паренхимы молочной железы. Казанский меди- цинский журнал 2016;97(3):444–9. DOI: 10.17750/KMJ2016-443

14. Поспехова Н.И., Головина Д.А., Филиппова М.Г. и др. Молекулярно-биологические подтипы рака молочной железы у носителей мутаций в гене BRCA1. Успехи молекулярной онкологии 2020;7(4):29–36. DOI: 10.17650/2313-805X-2020-7-4-29-36

15. Павлова Н.В., Орлова В.С., Батлуцкая И.В. и др. Роль высокопенетрантных мутаций в генах BRCA1 и CHEK2 в характере ассоциаций полиморфизма генов матриксных металлопротеиназ с раком молочной железы. Научные результаты биомедицинских исследований 2022;8(2);180–97. DOI: 10.18413/2658-6533-2022-8-2-0-4

16. Zheng Sh., Yang Z., Du G. et al. Discrimination between HER2-overexpressing, -low-expressing, and -zero-expressing statuses in breast cancer using multiparametric MRI-based radiomics. Eur Radiol 2024;34(9):6132–44. DOI: 10.1007/s00330-024-10641-7

17. Song S.E., Cho K.R., Cho Y. et al. Machine learning with multiparametric breast MRI for prediction of Ki-67 and histologic grade in early-stage luminal breast cancer. Eur Radiol 2022;32(2):853–63. DOI: 10.1007/s00330-021-08127-x

18. Ma M., Liu R., Wen C. et al. Predicting the molecular subtype of breast cancer and identifying interpretable imaging features using machine learning algorithms. Eur Radiol 2022;32(3):1652–62. DOI: 10.1007/s00330-021-08271-4