ПРИМЕНЕНИЕ РАДИОМИКИ ДЛЯ ПРОГНОЗИРОВАНИЯ ПРОГРЕССИРОВАНИЯ ПЕРИФЕРИЧЕСКОЙ АДЕНОКАРЦИНОМЫ ЛЕГКОГО

Введение: по заболеваемости рак легкого занимает 1-е место среди других злокачественных опухолей у мужчин в России, а по смертности - 1-е место среди мужчин и женщин как в России, так и во всем мире. Выявление пациентов с наиболее вероятным неблагоприятным прогнозом на этапе диагностики может значительно улучшить результаты лечения и выживаемость таких пациентов в дальнейшем. Для этого может быть использован текстурный анализ КТ-изображений и выявление биомаркеров худшего течения заболевания. Цель: спрогнозировать прогрессирование периферической аденокарциномы легкого по данным первичного КТ-исследования с помощью показателей радиомики и клинико-анамнестических данных. Материал и методы: в исследование были включены данные 53 пациентов с раком легкого, с гистологически подтвержденными периферическими аденокарциномами легких. Сегментация областей интереса проводилась в бесплатном программном обеспечении 3D- Slicer с функцией выгрузки показателей радиомики из областей интереса. Для каждого образования было рассчитано 107 радиомических показателей. Также в качестве предикторов использовались клинико-анамнестические данные. Выходной переменной было выбрано наличие данных за прогрессирование заболевания (метастазирование и/или рецидив). Построение моделей машинного обучения производилось на языке программирования Python 3.10 c использованием специализированных библиотек. Расчет статистических показателей производился в компьютерной программе для статистической обработки данных IBM SPSS Statistics 23. Результаты: для модели основанной исключительно на клинических признаках наиболее эффективной моделью стал случайный лес. Наиболее значимыми признаками, включенными в итоговую модель стали факты прохождения химиотерапевтического и лучевого лечения новообразования. Метрики, полученные для данной модели: precision - 0,80 [0,66;0,89], recall - 0,80 [0,66;0,89], accuracy - 0,87 [0,74;0,94], f1-score - 0,80 [0,66;0,89], ROC-AUC - 0,89 [0,77;0,96]. Для модели, основанной только на радиомических признаках, наиболее эффективный результат показал случайный лес, включающий два прогностических признака: firstorder_Median и firstorder_Entropy. Метрики, полученные для лучшей модели: precision - 0,83 [0,70;0,92], recall - 1,0 [0,93;1,0], accuracy - 0,94 [0,84;0,99], f1-score - 0,91 [0,79;0,97], ROC-AUC - 0,98 [0,90;0,99]. Добавление различных клинических признаков к радиомической модели не повысили метрики машинного обучения. Выводы: нами показаны высокие прогностические возможности радиомических признаков для прогнозирования прогрессирования периферической аденокарциномы легкого. Удалось построить высокоэффективную модель машинного обучения. Планируется продолжить исследование с расширением обучающей и тестовой выборок.

Introduction: lung cancer ranks 1st among other malignant tumors in men in Russia in terms of morbidity, and 1st among men and women in terms of mortality, both in Russia and worldwide. Identifying patients with the most likely adverse prognosis at the diagnostic stage can significantly improve treatment outcomes and the survival of such patients in the future. For this purpose, textural analysis of CT images and identification of biomarkers of the worst course of the disease can be used. Aim: was to predict the progression of peripheral lung adenocarcinoma according to primary CT examination using radiomics indicators and clinical anamnestic data. Material and methods: the study included data from 53 lung cancer patients with histologically confirmed peripheral lung adenocarcinomas. The segmentation of areas of interest was carried out in the free 3D-Slicer software with the function of downloading radiomic indicators from areas of interest. 107 radiomic indicators were calculated for each formation. Clinical and anamnestic data were also used as predictors. The output variable was chosen to have data for disease progression (metastasis and/or relapse). Machine learning models were built in the Python 3.10 programming language using specialized libraries. The calculation of statistical indicators was performed in a computer program for statistical data processing IBM SPSS Statistics 23. Results: for a model based solely on clinical signs, the most effective model was a random forest. The most significant signs included in the final model were the facts of undergoing chemotherapy and radiation treatment of the neoplasm. The metrics obtained for this model are: precision - 0,80 [0,66;0,89], recall - 0,80 [0,66;0,89], accuracy - 0,87 [0,74;0,94], f1-score - 0,80 [0,66;0,89], ROC-AUC - 0,89 [0,77;0,96]. For a model based only on radiomic features, the most effective result was shown by a random forest that includes two predictive features: firstorder_Median and firstorder_Entropy. Metrics obtained for the best model: precision - 0,83 [0,70;0,92], recall - 1,0 [0,93;1,0], accuracy - 0,94 [0,84;0,99], f1-score - 0,91 [0,79;0,97], ROC-AUC - 0,98 [0,90;0,99]. Adding various clinical features to the radiomic model did not increase the machine learning metrics. Conclusions: we have shown high prognostic capabilities of radiomic signs for predicting the progression of peripheral lung adenocarcinoma. We managed to build a highly efficient machine learning model. It is planned to continue the research with the expansion of the training and test samples.