Российские ученые создали инструмент для оценки осложнений при лучевой терапии

Ученые Томского политехнического университета (ТПУ) в составе научного коллектива разработали инструмент для прогнозирования острых осложнений при лучевой терапии у пациентов с раком предстательной железы. В основе предложенного подхода — методы машинного обучения, позволяющие провести точную оценку на небольшой клинической выборке данных.

Современная лучевая терапия предполагает подведение необходимой дозы к опухоли при минимальном воздействии 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 реакция организма у разных пациентов может существенно различной.

Ученые ТПУ совместно с коллегами разработали комбинированную модель, основанную на методах машинного обучения. Она объединяет ретроспективные 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. Модели обучили на ретроспективных данных 92 клинических случаев с локализацией рака предстательной железы и 495 потенциальных предикторов.

«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», — отметил один из авторов исследования, старший научный сотрудник Российского научного центра рентгенорадиологии Минздрава России Алексей Смыслов.

Для проверки модели ученые применили и сравнили две схемы организации отбора признаков — клиническую и многомодальную. На их основе были сформированы компактные наборы наиболее устойчивых признаков. Результаты показали, что модель, использующая только клинические параметры клинических случаев, обладает более высокой прогностической способностью в рамках проведенной внутренней валидации, чем модели, содержащие большее количество признаков. 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.

«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», — рассказала участвовавшая в исследовании научный сотрудник ТНИМЦ, профессор ТПУ Евгения Сухих.

Над исследованием работали ученые ТПУ, Российского научного центра рентгенорадиологии Минздрава России и Многопрофильного клинического медицинского центра «Медицинский город».

Источник: Официальный ресурс Министерства образования и науки Российской Федерации