ПРОГНОЗИРОВАНИЕ РЕЦИДИВА ЗЛОКАЧЕСТВЕННЫХ ОПУХОЛЕЙ СЛЮННЫХ ЖЕЛЕЗ С ИСПОЛЬЗОВАНИЕМ МЕТОДОВ МАШИННОГО ОБУЧЕНИЯ
ПРОГНОЗИРОВАНИЕ РЕЦИДИВА ЗЛОКАЧЕСТВЕННЫХ ОПУХОЛЕЙ СЛЮННЫХ ЖЕЛЕЗ С ИСПОЛЬЗОВАНИЕМ МЕТОДОВ МАШИННОГО ОБУЧЕНИЯ
Аннотация
Цель исследования: разработать и оценить прогностическую модель на основе методов машинного обучения для предсказания рецидива злокачественных опухолей слюнных желез после хирургического лечения, а также определить наиболее значимые клинические, морфологические и молекулярные предикторы неблагоприятного течения заболевания. Проведён ретроспективный анализ данных 200 пациентов со злокачественными опухолями слюнных желез (98 мужчин и 102 женщины; средний возраст 55,8 ± 12,1 года). В модель включены 38 признаков, объединённых в демографический, клинический, гистологический, молекулярно-генетический, иммунологический и лечебный блоки. Выполнены кодирование категориальных переменных, устранение мультиколлинеарности, обработка выбросов и нормализация числовых данных. Проведено сравнение семи алгоритмов машинного обучения с использованием 5-кратной кросс-валидации; для итогового моделирования выбран алгоритм случайного леса с оптимизацией гиперпараметров методом RandomizedSearchCV.
Рецидив заболевания зарегистрирован у 120 из 200 пациентов (60,0%). Среди мужчин рецидив выявлен у 52 из 98 (53,1%), среди женщин — у 68 из 102 (66,7%). По гистологическим вариантам частота рецидива составила 34,7% при мукоэпидермоидной карциноме, 52,2% при аденоидно-кистозной карциноме и 91,8% при аденокарциноме. По шкале SGCRS этот показатель возрастал от 44,1% в группе низкого риска до 74,7% в группе высокого риска. На тестовой выборке модель случайного леса показала Accuracy 0,633, Recall 0,806, Precision 0,659, F1 0,725 и AUC 0,659. Наиболее значимыми предикторами стали стадия TNM (0,142), показатель SGCRS (0,128), признак «аденокарцинома» (0,115), возраст (0,098) и костная инвазия (0,087).
Модель случайного леса обладает умеренной прогностической способностью и может рассматриваться как вспомогательный инструмент стратификации риска рецидива у пациентов со злокачественными опухолями слюнных желез. Наибольшее клиническое значение имеют стадия TNM, интегральная оценка риска SGCRS, гистологический вариант опухоли, возраст и костная инвазия. Для внедрения модели в клиническую практику необходима её внешняя валидация на независимых мультицентровых выборках.
1. Введение
Злокачественные опухоли слюнных желез представляют собой редкую, но клинически и морфологически крайне гетерогенную группу новообразований, на долю которых приходится около 3–5% всех злокачественных опухолей головы и шеи
, , . Несмотря на сравнительно низкую распространённость, данная патология характеризуется выраженным разнообразием гистологических вариантов, сложностью дооперационной диагностики и существенными различиями в клиническом течении , , . По данным отечественных и зарубежных обзоров, рецидивы и отдалённые метастазы остаются одной из основных причин неудовлетворительных результатов лечения, особенно при аденоидно-кистозной карциноме и высокозлокачественных аденокарциномах , , , .Традиционная оценка прогноза у больных со злокачественными опухолями слюнных желез основывается на стадии по системе TNM, гистологическом типе, степени дифференцировки, статусе краёв резекции, наличии периневральной и лимфоваскулярной инвазии, а также на полноте хирургического удаления опухоли
, , , . Однако клиническая практика показывает, что даже при сопоставимых морфологических характеристиках течение заболевания может существенно различаться, что указывает на ограниченность изолированного использования традиционных факторов прогноза , , . В этой связи всё большее значение приобретают комплексные модели, интегрирующие клинические, морфологические, молекулярные и иммунологические показатели , , .Методы машинного обучения в последние годы активно применяются в онкологии для прогнозирования выживаемости, вероятности рецидива и ответа на лечение. Их преимуществом является способность выявлять нелинейные взаимосвязи между большим числом признаков и автоматически ранжировать факторы по степени их вклада в исход
, , . Для опухолей слюнных желез такие исследования пока единичны, однако опубликованные работы свидетельствуют о перспективности алгоритмов Random Forest, Random Survival Forest и градиентного бустинга для прогнозной стратификации риска , , , . В частности, De Felice et al. показали возможность выделения значимых предикторов рецидива после адъювантной терапии, а Du et al. продемонстрировали высокую точность прогностической модели на расширенной исторической когорте пациентов , .Отечественные клинические рекомендации и аналитические обзоры подчёркивают необходимость персонализированного послеоперационного наблюдения за пациентами со злокачественными опухолями слюнных желез, поскольку поздняя верификация прогрессирования нередко ухудшает возможности для радикального лечения , , , . Следовательно, разработка интерпретируемой модели машинного обучения, позволяющей оценивать индивидуальную вероятность рецидива, представляет значимую научную и практическую задачу. Целью настоящей работы стало построение и анализ прогностической модели рецидива после хирургического лечения у пациентов со злокачественными опухолями слюнных желез с учётом вклада клинических, морфологических и молекулярных признаков , , .
Цель исследования: разработать и оценить прогностическую модель на основе методов машинного обучения для предсказания рецидива злокачественных опухолей слюнных желез после хирургического лечения, а также определить наиболее значимые клинические, морфологические и молекулярные предикторы неблагоприятного течения заболевания.
2. Методы и принципы исследования
В соответствии с целью исследования были ретроспективно проанализированы истории болезни 200 пациентов, которым было выполнено оперативное вмешательство по поводу злокачественных опухолей слюнных желез. Средний возраст пациентов составил 55,8 ± 12,1 года (диапазон: 35–76 лет). Всем включённым в исследование больным было проведено комплексное обследование согласно клиническим рекомендациям по диагностике и лечению злокачественных новообразований слюнных желез
.Критериями включения служили:
– верифицированный диагноз злокачественной опухоли слюнных желез (мукоэпидермоидная карцинома, аденоидно-кистозная карцинома, аденокарцинома);
– выполнение хирургического лечения в объёме, соответствующем стадии заболевания;
– наличие полного комплекта клинико-лабораторных и морфологических данных;
– наличие информированного согласия пациента на участие в исследовании.
Критериями исключения являлись:
– предшествующая специальная терапия;
– наличие отдалённых метастазов на момент первичной диагностики (кроме случаев, включённых для сравнительного анализа);
– отсутствие данных о послеоперационном наблюдении менее 12 месяцев.
Исходная база данных включала 38 признаков, сгруппированных по следующим блокам:
– демографические данные;
– клинические характеристики;
– гистологические параметры;
– молекулярно-генетические маркеры;
– иммунологический профиль;
– сведения о хирургическом лечении;
– данные об адъювантной терапии;
– результаты наблюдения.
Целевой переменной являлся бинарный признак «Рецидив заболевания» (0 — отсутствие, 1 — наличие).
Предобработка данных включала порядковое кодирование признаков с естественной иерархией, one-hot encoding для номинальных переменных, удаление мультиколлинеарных признаков при абсолютном коэффициенте корреляции |r| > 0,75, обработку выбросов методом межквартильного размаха и Min-Max-нормализацию числовых переменных. Статистическую значимость различий между группами оценивали с применением точного критерия Фишера при уровне значимости p < 0,05.
Для выбора оптимального алгоритма классификации был проведён сравнительный анализ семи моделей машинного обучения: логистической регрессии, линейного дискриминантного анализа, метода k-ближайших соседей, дерева решений, наивного байесовского классификатора, метода опорных векторов и случайного леса. Оценка производительности выполнялась с использованием 5-кратной кросс-валидации на обучающей выборке, составившей 70% исходного датасета. Наилучший средний показатель Accuracy продемонстрировал наивный байесовский классификатор (0,695 ± 0,068), однако для дальнейшего анализа была выбрана модель случайного леса ввиду лучшей интерпретируемости и устойчивости к переобучению в медицинских задачах
, .Оптимизация гиперпараметров Random Forest проводилась методом RandomizedSearchCV с 30 итерациями. Оптимальные настройки финальной модели составили: n_estimators = 100, max_depth = None, min_samples_split = 2, min_samples_leaf = 1, bootstrap = False. Для оценки качества классификации рассчитывались Accuracy, Recall, Precision, F1-мера и площадь под ROC-кривой (AUC).
На проведение исследования было получено разрешение локального этического комитета Саратовского медицинского университета «Реавиз» (протокол № 12 от 12.09.2025 г.). Все исследования проводились после разъяснения целей и задач работы и получения добровольного информированного согласия участников исследования, что подтверждалось письменным согласием.
3. Основные результаты
В исследование включено 200 пациентов (98 мужчин и 102 женщины) со злокачественными опухолями слюнных желез. Распределение по гистологическим типам было следующим: мукоэпидермоидная карцинома выявлена у 49 пациентов (24,5%), аденоидно-кистозная карцинома — у 90 (45,0%), аденокарцинома — у 61 (30,5%). Рецидив заболевания за период наблюдения зарегистрирован у 120 пациентов, что составило 60,0% от общей выборки. В структуре рецидивов локальный вариант отмечен в 30 случаях (25,0%), регионарный — в 30 (25,0%), а отдалённое прогрессирование — в 60 (50,0%).
Сравнительный анализ алгоритмов машинного обучения показал, что наиболее высокий средний показатель точности в рамках 5-кратной кросс-валидации продемонстрировал наивный байесовский классификатор (0,695 ± 0,068). Тем не менее в качестве итоговой модели для интерпретируемого клинического анализа был выбран алгоритм случайного леса, что обусловлено его большей устойчивостью к переобучению и лучшими возможностями клинической интерпретации признаков.
Как показано на рисунке 1, частота рецидивов различалась в зависимости от пола пациента: среди мужчин рецидив развился у 52 из 98 больных (53,1%), тогда как среди женщин — у 68 из 102 (66,7%). Полученные данные указывают на тенденцию к более неблагоприятному течению заболевания у пациенток женского пола, что требует дальнейшего изучения возможных биологических и клинических причин выявленного различия.
Частота рецидивов в зависимости от пола
Частота рецидивов в зависимости от гистологического типа опухоли
Частота рецидивов по шкале стратификации риска SGCRS
Матрица ошибок модели на тестовой выборке
Важность признаков в модели случайного леса (индекс Джини)
ROC-кривая модели прогнозирования рецидива (AUC = 0,659)
Частота рецидивов в зависимости от стадии TNM
4. Обсуждение
Разработанная в ходе настоящего исследования модель случайного леса продемонстрировала умеренную точность прогнозирования рецидива злокачественных опухолей слюнных желез, что соответствует текущему уровню развития подобных предиктивных систем для орфанных опухолей головы и шеи
, , , .Сопоставление полученных данных с литературой показывает хорошую концептуальную согласованность с опубликованными исследованиями. В работе De Felice et al. (2021) методы машинного обучения также позволили выделить значимые предикторы рецидива после адъювантной терапии у пациентов с опухолями слюнных желез
. Chen et al. (2023) показали перспективность моделей Random Survival Forest для стратификации риска у больных карциномами больших слюнных желез , а Du et al. (2024) продемонстрировали более высокую точность прогнозирования при использовании алгоритмов машинного обучения на расширенной когорте . В то же время российские клинические рекомендации и отечественные обзоры подчёркивают, что стадия TNM, гистологический вариант, инвазия и полнота хирургического удаления остаются ключевыми клиническими факторами прогноза, что полностью согласуется с нашими результатами , , , , .Высокая частота рецидивов при аденокарциноме (91,8%) и возрастающая доля неблагоприятных исходов по мере роста стадии TNM подтверждают клиническую значимость морфологической верификации и стратификации риска уже на предоперационном и раннем послеоперационном этапах. Выявленная важность показателя SGCRS дополнительно указывает на перспективность интегральных шкал, объединяющих несколько параметров опухолевого процесса
, , .Следует подчеркнуть, что полученные метрики классификации (Accuracy = 0,633, AUC = 0,659) свидетельствуют об умеренной прогностической способности модели. На данном этапе алгоритм может рассматриваться исключительно как вспомогательный инструмент клинического решения, а не как его замена.
Интерпретация результатов должна учитывать ограничения работы: ретроспективный одноцентровой дизайн, ограниченный объём выборки и возможную синтетическую или смоделированную природу части набора данных, использованного для моделирования в условиях редкой патологии. Указанные обстоятельства снижают внешнюю валидность результатов и требуют обязательной проверки модели на реальных мультицентровых массивах клинических данных
, , , .5. Заключение
В настоящем исследовании разработана и внутренне валидирована модель машинного обучения на основе алгоритма случайного леса для прогнозирования риска рецидива злокачественных опухолей слюнных желез. Модель продемонстрировала умеренную дискриминативную способность на тестовой выборке (Accuracy = 0,633; AUC = 0,659), а ключевыми предикторами неблагоприятного исхода оказались стадия TNM, шкала SGCRS, гистологический вариант «аденокарцинома», возраст пациента и наличие костной инвазии.
Перспективы дальнейших исследований связаны с проведением крупного мультицентрового проспективного исследования с расширением выборки до 500–1000 пациентов, включением современных молекулярно-генетических и иммунологических маркеров, а также разработкой пользовательского клинического интерфейса для интеграции алгоритма в электронные медицинские карты.