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

[3][9][31][8][15][29][1][6][19][30]

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

[3][4][24][25][7][17][22][18][20][27]

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

[5][11][21][16][17][18][23][16][18]

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 [2], [3], [6], [10]. 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 [12], [26], [33].

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

[3]

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

[16][21]

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.

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

[16][17][18][24]

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

[16][17][18][1][2][3][4][8]

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

[22][25][26]

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

[34][35][36][38]

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.

The additional file for this article can be found as follows: