PREDICTING RECURRENCE OF MALIGNANT SALIVARY GLAND TUMOURS USING MACHINE LEARNING METHODS
PREDICTING RECURRENCE OF MALIGNANT SALIVARY GLAND TUMOURS USING MACHINE LEARNING METHODS
Abstract
Research objective: to develop and evaluate a prognostic model based on machine learning methods for predicting recurrence of malignant salivary gland tumours following surgical treatment, and to identify the most significant clinical, morphological and molecular predictors of an unfavourable clinical course. A retrospective analysis was conducted on data from 200 patients with malignant salivary gland tumours (98 men and 102 women; mean age 55.8 ± 12.1 years). The model included 38 traits, grouped into demographic, clinical, histological, molecular-genetic, immunological and therapeutic categories. Categorical variables were encoded, multicollinearity was removed, outliers were processed and numerical data were normalised. A comparison of seven machine learning algorithms was carried out using 5-fold cross-validation; for the final modelling, the random forest algorithm was selected, with hyperparameter optimisation using the RandomisedSearchCV method.
A recurrence of the disease was recorded in 120 out of 200 patients (60.0%). Among men, a recurrence was detected in 52 out of 98 (53.1%), and among women, in 68 out of 102 (66.7%). By histological type, the recurrence rate was 34.7% for mucoepidermoid carcinoma, 52.2% for adenoid cystic carcinoma and 91.8% for adenocarcinoma. According to the SGCRS scale, this rate ranged from 44.1% in the low-risk group to 74.7% in the high-risk group. On the test sample, the random forest model yielded an Accuracy of 0.633, Recall of 0.806, Precision of 0.659, F1 score of 0.725 and AUC of 0.659. The most significant predictors were the TNM stage (0.142), the SGCRS score (0.128), the ‘adenocarcinoma’ trait (0.115), age (0.098) and bone invasion (0.087).
The random forest model has moderate predictive power and can be regarded as an auxiliary tool for stratifying the risk of recurrence in patients with malignant tumours of the salivary glands. The TNM stage, the SGCRS integrated risk score, the histological type of tumour, age and bone invasion are of the greatest clinical significance. For the model to be implemented in clinical practice, external validation on independent multicentre cohorts is required.
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.