Мультимодальное глубокое обучение повышает точность прогнозирования риска рецидива у детей с глиомами низкой степени злокачественности

Введение: Прогнозирование риска рецидива после операции у детей с глиомами низкой степени злокачественности (pLGG) по традиционным клиническим, радиологическим и геномным факторам представляет сложную задачу. Мы изучили, может ли глубокое обучение признаков опухоли по данным магнитно-резонансной томографии (МРТ) улучшить послеоперационную стратификацию риска при pLGG.

Методы: С помощью предварительно обученного инструмента глубокого обучения, предназначенного для сегментации pLGG, из предоперационных Т2-взвешенных МРТ извлекали признаки опухоли (МРТ-признаки, полученные методом глубокого обучения). Пациентов включали из двух учреждений: Dana Farber/Boston Children’s Hospital (DF/BCH) и Children’s Brain Tumor Network (CBTN). Были обучены три логистические модели глубокого обучения для прогнозирования вероятности послеоперационной бессобытийной выживаемости (БСВ) на основании: 1) клинических признаков; 2) МРТ-признаков, полученных методом глубокого обучения; 3) мультимодальных признаков (клинических и МРТ-признаков). Модели оценивали с использованием зависящего от времени индекса конкордации (Ctd), а стратификацию по группам риска — по кривым Каплана—Мейера и лог-ранговым критериям. На основе лучшей модели разработали автоматизированный конвейер, объединяющий сегментацию pLGG и прогнозирование БСВ.

Результаты: В анализ вошли 396 пациентов; медиана периода наблюдения составила 85 месяцев (диапазон 1,5–329 месяцев). Тотальная резекция выполнена у 214 (54%) пациентов, рецидив возник у 110 (28%). Мультимодальная модель превосходила модели, основанные только на МРТ-признаках или клинических признаках, в прогнозировании БСВ: Ctd составил соответственно 0,85 (95% ДИ 0,81–0,93), 0,79 (95% ДИ 0,70–0,88) и 0,72 (95% ДИ 0,57–0,77). Мультимодальная модель улучшала стратификацию по группам риска: 3-летняя БСВ составила 31% в прогнозируемой группе высокого риска и 92% в группе низкого риска (P < 0,0001).

Выводы: Глубокое обучение позволяет извлекать из МРТ признаки, информативные для прогнозирования послеоперационного рецидива при pLGG. Мультимодальное глубокое обучение улучшает послеоперационную стратификацию риска при pLGG и может использоваться для принятия решений о дальнейшем лечении. Для повышения обобщаемости модели могут потребоваться более крупные многоцентровые обучающие выборки.