Ученые Томского политехнического университета совместно с коллегами из Российского научного центра рентгенорадиологии Минздрава России и Многопрофильного клинического медицинского центра «Медицинский город» разработали и проверили подход для прогнозирования острых осложнений при лучевой терапии у пациентов с раком предстательной железы. В основе программного обеспечения лежат методы машинного обучения. Они позволяют провести точную оценку на небольшой клинической выборке данных.
Результаты исследований опубликованы в журнале Physica Medica.
Современная лучевая терапия требует не только подведения необходимой дозы к опухоли, но и максимального снижения лучевой нагрузки на окружающие здоровые ткани. Для этого медицинские физики рассчитывают трехмерное распределение поглощенной дозы и оценивают дозиметрический план по физическим критериям. Однако даже при сопоставимых режимах облучения реакции организма у разных пациентов могут существенно различаться.
Ученые Томского политеха совместно с коллегами разработали комбинированную модель, основанную на методах машинного обучения. Она объединяет ретроспективные клинические данные клинических случаев, дозиметрические характеристики планов лечения, радиомические признаки КТ-изображений и дозиомические характеристики трехмерного распределения поглощенной дозы. На основе этих данных модель может давать оценку индивидуального риска осложнений лучевой терапии.
Для обучения модели ученые взяли ретроспективные данные 92 клинических случаев с локализацией рака предстательной железы и 495 потенциальных предикторов. По словам авторов, при работе с таким количеством параметров возникает одна из ключевых проблем машинного обучения — риск переобучения: алгоритм может обнаружить случайные закономерности, характерные именно для данной конкретной небольшой обучающей выборки, и показать хорошие результаты внутри нее, при этом не распознавать осложнения у новых пациентов.
Особенность нашей работы заключается не только в использовании машинного обучения, но и в стремлении получить корректную оценку его возможностей на относительно небольшой клинической выборке. Также мы показали, насколько существенно на результаты может влиять метод валидации модели. Поэтому для нас принципиально важно, чтобы развитие искусственного интеллекта в лучевой терапии сопровождалось строгой методологией и контролем качества научных данных, — отмечает соавтор исследования, старший научный сотрудник Российского научного центра рентгенорадиологии Минздрава России Алексей Смыслов.
Для проверки модели ученые составили методологию. Они применили и сравнили две схемы организации отбора признаков — клиническую и многомодальную. На их основе были сформированы компактные наборы наиболее устойчивых признаков. Так, более строгая схема на основе вложенной перекрестной проверки позволила исключить утечку информации между обучающими и проверочными данными и получить более реалистичную оценку прогностических возможностей модели.
Результат исследования показали, что модель, использующая только клинические параметры клинических случаев, показала более высокую прогностическую способность в рамках проведенной внутренней валидации, чем модели, содержащие большее количество признаков, включая радиомические и дозиомические. По мнению авторов, это показывает ограничения, связанные с небольшой обучающей выборкой, при анализе сотен потенциальных параметров и необходимость особенно строгой методологии при разработке медицинских моделей искусственного интеллекта.
Исследование является частью направления по разработке цифровых инструментов для оценки эффективности и безопасности лучевой терапии. В рамках этой работы специалисты ТПУ также развивают веб-приложение «Калькулятор TCP/NTCP 2.0» для расчета вероятности локального контроля опухоли и развития осложнений в нормальных тканях, а также базу клинически значимых показателей эффективности лучевой терапии. Разработка инструментов велась при поддержке федеральной программы «Приоритет-2030» национального проекта «Молодежь и дети».
Сегодня взаимодействие университета и клинических организаций позволяет объединять медицинскую физику, радиобиологию, анализ клинических данных и методы машинного обучения. Наша основная задача заключается в создании воспроизводимых и интерпретируемых инструментов, которые в дальнейшем можно проверить на независимых клинических данных, — отмечает соавтор исследования, профессор ТПУ, научный сотрудник ТНИМЦ Евгения Сухих.
Разработка новых подходов и программных решений, которая осуществляется при непосредственном взаимодействии специалистов ТПУ и клинических организаций, позволяет объединять компетенции разработчиков, медицинских физиков, радиотерапевтов и исследователей и проверять создаваемые инструменты не только на модельных примерах, но и на реальных клинических данных.
Для нас принципиально важно, что разработанные инструменты уже проходят апробацию на ретроспективных клинических данных. На базе МКМЦ „Медицинский город“ мы получили возможность проверить работу приложений на реальных пациентах и оценить, насколько результаты расчетов соответствуют клинической практике. Такой этап необходим перед дальнейшим расширением функционала и переходом к более масштабным исследованиям, — говорит соавтор исследования, заведующая отделом медицинской физики Ольга Стахова.
Фото: ТПУ
Источник: Минобрнауки России
