Svetlana Anatolyevna Shevchenko
9 Soboleva St., Ekaterinburg 620036
3 Repina St., Ekaterinburg 620028
Светлана Анатольевна Шевченко
620036 Екатеринбург, ул. Соболева, 29
620028 Екатеринбург, ул. Репина, 3
3 2-oy Botkinskiy Proezd, Moscow 125284
6 Miklukho-Maklaya St., Moscow 117198
25284 Москва, 2-й Боткинский проезд, 3
117198 Москва, ул. Миклухо-Маклая, 6
9 Soboleva St., Ekaterinburg 620036
3 Repina St., Ekaterinburg 620028
620036 Екатеринбург, ул. Соболева, 29
620028 Екатеринбург, ул. Репина, 3
Based on the histological examination data, the degree of tumor differentiation (G), proliferative activity index (Ki-67), regional lymph node status (presence or absence of metastases), and molecular-immunohistochemical tumor subtype were assessed. An analysis was conducted to determine whether there was a statistically significant relationship between diagnostic features and molecular subtypes of BC. The analysis was performed by conducting chi-square tests for features and subtypes (classes) of BC, previously converted to binary form. From the arrays of values s elected for the study of diagnostic features, training and test samples were formed, and an algorithm for the classification model of artificial intelligence was determined. The accuracy of BC typing was ensured by using a combination of 7 diagnostic features and 6 classification models: five single-class and one multi-class. The gradient boosting algorithm (GradientBoostingRegressor) was used to train single-class models. The strategy “one (class) versus the rest” was used to train the multi-class model using the OneVsRestClassifier and gradient boosting (GradientBoostingClassifier) algorithms. The quality of the trained model was tested on test data. Statistical data processing, development of classification models, their testing and assessment of the quality of training were performed in the Jupyter Notebook environment v.6.5.2.
The area under the ROC curve (AUC) depending on the molecular subtype was determined as follows: for LA – 0.88, for LB – 0.86, for LBH – 0.87, for HER – 0.96, and for TNC – 1.000. The multiclass model also showed low sensitivity values, except for the TNC (100 %) and HER (85.7 %) subtypes, low levels of positive predictive value for all subtypes, except for TNC (91.7 %), and high specificity and negative predictive value for all subtypes. The area under the ROC curve for the multiclass model was for the subtypes: LA – 0.88, LB – 0.86, LBH – 0.86, HER – 0.95 and for TNC – 1.00.
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.
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.