Авторские размышления по заказу ASO: клинико-радиомическая модель машинного обучения предсказывает хирургическую сложность феохромоцитом и параганглиом: ретроспективное исследование

В этом исследовании была разработана модель машинного обучения (ML), объединяющая клинические и радиомические признаки, для прогнозирования хирургической сложности при феохромоцитомах и параганглиомах (PPGL), с целью оптимизации предоперационного планирования и снижения частоты периоперационных осложнений. Были проанализированы ретроспективные клинические и лучевые данные пациентов с PPGL, на основании которых построили две группы моделей: модели на клинических параметрах и клинико-радиомические модели. Проверили семь алгоритмов машинного обучения; клинико-радиомическая модель на основе SVM показала наилучшие результаты (площадь под кривой [AUC] на обучающей выборке: 0,96, AUC на валидационной выборке: 0,85), значительно превзойдя модель на клинических параметрах. Анализ SHAP выявил радиомический признак (Rad-score) как наиболее сильный предиктор, далее следовали индекс массы тела, возраст, размер опухоли и предоперационная частота сердечных сокращений. Модель позволяет объективно стратифицировать хирургическую сложность, помогая подбирать индивидуальные предоперационные стратегии. К перспективным направлениям относятся интеграция мультиомных данных, уточнение критериев хирургической сложности в многоцентровых исследованиях, разработка инструментов для прогнозирования в реальном времени во время операции и автоматизация радиомических рабочих процессов с помощью глубокого обучения. Это исследование продвигает персонализированное хирургическое ведение пациентов с PPGL и демонстрирует значительный потенциал для клинического внедрения.