Модель машинного обучения для прогнозирования сложности хирургического вмешательства при феохромоцитомах и параганглиомах: ретроспективное когортное исследование

Цель: разработать модель машинного обучения для предоперационного прогнозирования сложности операции при феохромоцитомах и параганглиомах с использованием клинических и радиомических признаков.

Методы: В исследование ретроспективно включили 212 пациентов с морфологически подтверждёнными феохромоцитомами и параганглиомами; их разделили на обучающую (n = 148) и валидационную (n = 64) когорты. На основе только клинических параметров или в сочетании с радиомикой обучали семь моделей машинного обучения: дерево классификации и регрессии, метод k ближайших соседей, метод наименьшей абсолютной усадки и отбора, наивный байесовский классификатор, случайный лес, метод опорных векторов и экстремальный градиентный бустинг. Качество моделей оценивали и сравнивали по точности, чувствительности, специфичности, F1-мере, площади под кривой (AUC), калибровочным кривым и по анализу клинической полезности. По итогам комплексной оценки определили оптимальную интегрированную модель (клинические + радиомические признаки) и затем сравнили её прогностическую эффективность с моделью, основанной только на клинических параметрах. Наконец, для повышения интерпретируемости оптимальной модели применили SHapley Additive exPlanations (SHAP), визуализировав вклад признаков.

Результаты: Среди всех интегрированных моделей наилучшие результаты показала модель на основе метода опорных векторов: AUC составила 0,96 в обучающей когорте и 0,85 в валидационной когорте; при этом её показатели были статистически значимо выше, чем у модели только с клиническими параметрами (p < 0,05). Анализ SHAP показал, что радиомическая сигнатура (Rad score) оказывала наибольшее влияние на прогноз, а возраст, индекс массы тела, максимальный диаметр опухоли и предоперационная частота сердечных сокращений также вносили статистически значимый вклад в предсказания модели.

Выводы: Модель на основе метода опорных векторов, объединяющая клинические и радиомические признаки, эффективно прогнозирует сложность хирургического лечения при феохромоцитомах и параганглиомах, помогая в предоперационной стратификации риска и персонализированном планировании операции для снижения операционных рисков.