polenovjournalРоссийский нейрохирургический журнал имени профессора А. Л. ПоленоваRussian Neurosurgical Journal named after Professor A. L. Polenov2071-2693Семинары, Конференции и Форумы10.56618/2071-2693_2024_16_4_30DFJAGCpolenovjournal-421Research ArticleОРИГИНАЛЬНЫЕ СТАТЬИORIGINAL PAPERSТехнологии искусственного интеллекта в прогнозировании исходов и принятии лечебной тактики у пациентов с рецидивирующими интракраниальными менингиомамиArtificial intelligence technologies in predicting outcomes and adopting therapeutic tactics in patients with recurrent intracranial meningiomashttps://orcid.org/0000-0002-1123-8271КукановК. К.KukanovK. K.

Константин Константинович Куканов – кандидат медицинских наук, врач-нейрохирург высшей  квалификационной категории Нейрохирургического  отделения № 4, старший научный сотрудник группы стереотаксической и функциональной  нейрохирургии НИЛ нейроонкологии 

ул. Маяковского, д. 12, Санкт-Петербург, Российская Федерация, 191025 

Konstantin K. Kukanov – Cand. of Sci. (Med.), Neurosurgeon of the Highest Qualification Category at the Neurosurgical Department No. 4, Senior Researcher

12 Mayakovskogo street, St. Petersburg, Russian Federation, 191025 

kukanov_kk@almazovcentre.ruhttps://orcid.org/0000-0001-8946-2831КалиниченкоА. Н.KalinichenkoA. N.

Александр Николаевич Калиниченко – доктор технических наук, старший научный сотрудник,  профессор кафедры биотехнических систем

ул. Профессора Попова, д. 5, лит. Ф, Санкт-Петербург, Российская Федерация, 197022 

Aleksandr N. Kalinichenko – Dr. of Sci. (Tech.), Senior Researcher, Professor at the Department of Bioengineering Systems

5 Professora Popova street, litera F, St. Petersburg, Russian Federation, 197022 

ank-bs@yandex.ruhttps://orcid.org/0009-0000-7327-6217АгаповаК. Е.AgapovaK. E.

Ксения Евгеньевна Агапова – магистрант кафедры биотехнических систем

ул. Профессора Попова, д. 5, лит. Ф, Санкт-Петербург, Российская Федерация, 197022 

Kseniya E. Agapova – Master’s Student at the Department of Bioengineering Systems

5 Professora Popova street, litera F, St. Petersburg, Russian Federation, 197022 

a-ksyusha@bk.ruhttps://orcid.org/0009-0001-9460-5005БолозяМ. А.BolozyaM. A.

Мария Александровна Болозя – магистрант кафедрыбиотехнических систем

ул. Профессора Попова, д. 5, лит. Ф, Санкт-Петербург, Российская Федерация, 197022 

Mariya A. Bolozya – Master’s Student at the Department of Bioengineering Systems

5 Professora Popova street, litera F, St. Petersburg, Russian Federation, 197022

mariabolozya@gmail.comhttps://orcid.org/0000-0001-6608-935XВоиновН. Е.VoinovN. E.

Никита Евгеньевич Воинов – врач-нейрохирург 

ул. Маяковского, д. 12, Санкт-Петербург, Российская Федерация, 191025 

Nikita E. Voinov – Neurosurgeon; Specialist in Scientific and Analytical Work, World-Class Research Centre for Personalizet Medicine  

12 Mayakovskogo street, St. Petersburg, Russian Federation, 191025 

voinov_ne@almazovcentre.ruhttps://orcid.org/0000-0002-5052-5337ГагиевА. З.GagievA. Z.

Александр Зурабович Гагиев – клинический ординатор кафедры нейрохирургии

ул. Маяковского, д. 12, Санкт-Петербург, Российская Федерация, 191025 

Alexander Z. Gagiev – Clinical Resident at the Department of Neurosurgery

12 Mayakovskogo street, St. Petersburg, Russian Federation, 191025 

aleksandrgagiev@gmail.comhttps://orcid.org/0000-0001-5295-4912СамочерныхК. А.SamochernykhK. A.

Константин Александрович Самочерных – доктор медицинских наук, профессор Российской академии наук, врач-нейрохирург высшей квалификационной категории Отделения нейрохирургии для детей № 7, директор 

ул. Маяковского, д. 12, Санкт-Петербург, Российская Федерация, 191025 

Konstantin A. Samochernykh – Dr. of Sci. (Med.), Professor of the Russian Academy of Sciences, Neurosurgeon of the Highest Category at the Department of Neurosurgery for Children No. 7, Director

12 Mayakovskogo street, St. Petersburg, Russian Federation, 191025 

samochernykh_ka@almazovcentre.ruРоссийский научно-исследовательский нейрохирургический институт имени профессора А. Л. Поленова – филиал Федерального государственного бюджетного учреждения «Национальный медицинский исследовательский центр имени В. А. Алмазова» Министерства здравоохранения Российской ФедерацииРоссияPolenov Neurosurgery Institute – the branch of Almazov National Medical Research CentreRussian FederationФедеральное государственное автономное образовательное учреждение высшего образования Санкт-Петербургский государственный электротехнический университет «ЛЭТИ» им. В. И. Ульянова (Ленина)РоссияSt. Petersburg State Electrotechnical University “LETI” named after V. I. Ulyanov (Lenin)Russian Federation2024231220241643037Copyright © Куканов К.К., Калиниченко А.Н., Агапова К.Е., Болозя М.А., Воинов Н.Е., Гагиев А.З., Самочерных К.А., 20242024Куканов К.К., Калиниченко А.Н., Агапова К.Е., Болозя М.А., Воинов Н.Е., Гагиев А.З., Самочерных К.А.Kukanov K.K., Kalinichenko A.N., Agapova K.E., Bolozya M.A., Voinov N.E., Gagiev A.Z., Samochernykh K.A.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://polenovjournal.elpub.ru/jour/article/view/421

ВВЕДЕНИЕ. Менингиомы – часто встречающиеся первичные внутричерепные и спинальные опухоли у взрослых. Агрессивные менингиомы у пациентов могут рецидивировать после удаления и радиотерапии. Стандартов лечения таких опухолей нет. Современные технологии искусственного интеллекта (ИИ) могут помочь нейрохирургу спрогнозировать поведение неопластического процесса в центральной нервной системе.ЦЕЛЬ. Разработка и оценка эффективности нейросетевого алгоритма, прогнозирующего дальнейшее развитие неопластического процесса при рецидивирующих интракраниальных менингиомах.МАТЕРИАЛЫ И МЕТОДЫ. Для решения задачи была использована база данных Excel со сведениями о пациенте, полученными при анализе медицинских карт. Использовано более 160 мультимодальных признаков, сгруппированных по разделам. По результатам статистического анализа были удалены коррелированные, малоинформативные и признаки с неравномерным распределением данных внутри классов. В итоге были выбраны две наиболее адекватные модели классификации – алгоритмы дерева принятия решений (Decision Tree) и случайного леса (Random Forest).РЕЗУЛЬТАТЫ. По результатам работы были построены и оценены четыре модели. Наилучшую точность классификации (около 90 %) показала базовая модель случайного леса. С ее помощью также получилось оценить значимость исследуемых признаков.ЗАКЛЮЧЕНИЕ. Из-за постоянного роста объема мультимодальных данных в нейроонкологии врачам сложно анализировать их с помощью традиционных подходов и прогнозировать поведение неопластического процесса. Таким образом, врачам-нейрохирургам необходимо обращаться за помощью к современным технологиям ИИ.

INTRODUCTION. Meningiomas are common primary intracranial and spinal tumors in adults. Aggressive meningiomas can recur after surgical removal and radiotherapy. There are no treatment standards for such tumors. Modern artificial intelligence (AI) technologies can help a neurosurgeon predict the behavior of a neoplastic process in the central nervous system.AIM. Development and evaluation of the effectiveness of a neural network algorithm predicting the further development of a neoplastic process in recurrent intracranial meningiomas.MATERIALS AND METHODS. To solve the problem, an Excel database was used with patient information obtained from the analysis of medical records. More than 160 multimodal features grouped into sections were used. According to the results of statistical analysis, correlated, uninformative, and features with uneven data distribution within classes were removed. Finally, two of the most appropriate classification models were chosen: decision tree and random forest algorithms.RESULTS. Four models were built and evaluated based on the results of the work. The basic random forest model showed the best classification accuracy (about 90 %). It also helped to assess the significance of the studied features.CONCLUSION. Due to the constant growth of multimodal data in neuro-oncology, it is difficult for doctors to analyze them using traditional approaches and predict the behavior of a neoplastic process. Therefore, neurosurgeons need to turn to modern artificial intelligence (AI) technologies for help.

менингиомарецидивпродолженный ростискусственный интеллектмашинное обучениеглубокое обучениебиомедицинская информатикаmeningiomarelapsecontinued growthartificial intelligencemachine learningdeep learningbiomedical informaticsРабота выполнена в рамках государственного задания № 123021000128-4 «Разработка новой технологии лечения больных вторичными новообразованиями головного мозга и рецидивирующими менингиомами».The work was carried out as part of the state assignment No. 123021000128-4 “Development of a new technology for treating patients with secondary brain tumors and recurrent meningiomas”.ReferencesRoland G., Pantelis S., Michael D. et al. EANO guideline on the diagnosis and management of meningiomas. Neurooncol. 2021;23(11):1821–1834. Doi: https://doi.org/10.1093/neuonc/noab150.Roland G., Pantelis S., Michael D. et al. EANO guideline on the diagnosis and management of meningiomas. Neurooncol. 2021;23(11):1821–1834. Doi: https://doi.org/10.1093/neuonc/noab150.Priya K., Sean A., Roxanne T. et al. A multi-institutional phase II trial of bevacizumab for recurrent and refractory meningioma. Neurooncol Adv. 2022;4(1):1–10. Doi: https://doi.org/10.1093/noajnl/vdac123.Priya K., Sean A., Roxanne T. et al. A multi-institutional phase II trial of bevacizumab for recurrent and refractory meningioma. Neurooncol Adv. 2022;4(1):1–10. Doi: https://doi.org/10.1093/noajnl/vdac123.Maximilian J., Anna S., Priscilla K., Matthias P. Emerging systemic treatment options in meningioma. J Neuro-oncolog. 2023;161(2):245–258. Doi: http://doi.org/10.1007/s11060-022-04148-8.Maximilian J., Anna S., Priscilla K., Matthias P. Emerging systemic treatment options in meningioma. J Neuro-oncolog. 2023;161(2):245–258. Doi: http://doi.org/10.1007/s11060-022-04148-8.Ostrom Q. T., Patil N., Cioffi G., Waite K., Kruchko C., Barnholtz-Sloan J. S. CBTRUS Statistical Report: Primary Brain and Other Central Nervous System Tumors Diagnosed in the United States in 2013–2017. Neuro-Oncology. 2020;22(1):1–96. Doi: https://doi.org/10.1093/neuonc/noaa200Ostrom Q. T., Patil N., Cioffi G., Waite K., Kruchko C., Barnholtz-Sloan J. S. CBTRUS Statistical Report: Primary Brain and Other Central Nervous System Tumors Diagnosed in the United States in 2013–2017. Neuro-Oncology. 2020;22(1):1–96. Doi: https://doi.org/10.1093/neuonc/noaa200Куканов К. К., Воробьёва О. М., Забродская Ю. М. и др. Интракраниальные менингиомы: клинико-интраскопические и патоморфологические причины рецидивирования с учетом современных методов лечения (обзор литературы) // Сибир. онколог. журн. 2022. Т. 21, № 4. С. 110–123. Doi: https://doi.org/10.21294/1814-4861-2022-21-4-110-123Kukanov K. K., Vorobyova O. M., Zabrodskaya Yu. M., Potemkina E. G., Ushanov V. V., Tastanbekov M. M., Ivanova N. E. Intracranial meningiomas: clinical, intrascopic and pathomorphological causes of recurrence (literature review). Siberian journal of oncology. 2022;21(4):110–123. (In Russ.). Doi: https://doi.org/10.21294/1814-4861-2022-21-4-110-123Куканов К. К., Ушанов В. В., Забродская Ю. М. и др. Пути персонификации лечения пациентов с рецидивом и продолженным ростом интракраниальных менингиом // Рос. журн. персонализир. мед. 2023. Т. 3, № 3. С. 48–63. Doi: https://doi.org/10.18705/2782-38062023-3-3-48-63.Kukanov K. K., Ushanov V. V., Zabrodskaya Yu. M., Tastanbekov M. M., Vorobyova O. M., Sitovskaya D. A., Dikonenko M. V. Ways to personalize the treatment of patients with relapse and continued growth of intracranial meningiomas. Russian Journal for Personalized Medicine. 2023;3(3):48–63. (In Russ.). Doi: https://doi.org/10.18705/2782-38062023-3-3-48-63.Свидетельство о государственной регистрации базы данных № RU 2023621571 Регистр пациентов с рецидивом и продолженным ростом интракраниальных менингиом / Куканов К. К., Ушанов В. В., Воинов Н. Е. 02.05.2023. EDN: https://elibrary.ru/vbrsbm.Certificate of state registration of the database No. RU 2023621571. Register of patients with recurrence and continued growth of intracranial meningiomas; Kukanov K. K., Ushanov V. V., Voinov N. E. 02.05.2023. (In Russ.). EDN: https://elibrary.ru/vbrsbm.Violaris K., Katsarides V., Sakellariou P. The Recurrence Rate in Meningiomas: Analysis of Tumor Location, Histological Grading, and Extent of Resection. Open J Modern Neurosurg. 2012;(2):6–10. Doi: https://doi.org/10.4236/ojmn.2012.21002.Violaris K., Katsarides V., Sakellariou P. The Recurrence Rate in Meningiomas: Analysis of Tumor Location, Histological Grading, and Extent of Resection. Open J Modern Neurosurg. 2012;(2):6–10. Doi: https://doi.org/10.4236/ojmn.2012.21002.Kotecha R. S., Pascoe E. M., Rushing E. J., Rorke-Adams L. B., Zwerdling T., Gao X., Li X., Greene S., Amirjamshidi A., Kim S. K., Lima M. A., Hung P. C., Lakhdar F., Mehta N., Liu Y., Devi B. I., Sudhir B. J., Lund-Johansen M., Gjerris F., Cole C. H., Gottardo N. G. Meningiomas in children and adolescents: a meta-analysis of individual patient data. Lancet Oncol. 2011;12(13):1229–1239. Doi: https://doi.org/10.1016/S1470-2045(11)70275-3.Kotecha R. S., Pascoe E. M., Rushing E. J., Rorke-Adams L. B., Zwerdling T., Gao X., Li X., Greene S., Amirjamshidi A., Kim S. K., Lima M. A., Hung P. C., Lakhdar F., Mehta N., Liu Y., Devi B. I., Sudhir B. J., Lund-Johansen M., Gjerris F., Cole C. H., Gottardo N. G. Meningiomas in children and adolescents: a meta-analysis of individual patient data. Lancet Oncol. 2011;12(13):1229–1239. Doi: https://doi.org/10.1016/S1470-2045(11)70275-3.Huntoon K., Toland A. M. S., Dahiya S. Meningioma: a review of clinicopathological and molecular aspects. Front Oncol. 2020;10(10):1–14. Doi: https://doi.org/10.3389/fonc.2020.579599.Huntoon K., Toland A. M. S., Dahiya S. Meningioma: a review of clinicopathological and molecular aspects. Front Oncol. 2020;10(10):1–14. Doi: https://doi.org/10.3389/fonc.2020.579599.Commins D., Atkinson R., Burnett M. Review of meningioma histopathology. Neurosurg Focus. 2007;23(4):1–9. Doi: https://doi.org/10.3171/FOC-07/10/E3.Commins D., Atkinson R., Burnett M. Review of meningioma histopathology. Neurosurg Focus. 2007;23(4):1–9. Doi: https://doi.org/10.3171/FOC-07/10/E3.Brastianos P., Galanis E., Butowski N. et al. Advances in multidisciplinary therapy for meningiomas. Neuro Oncol. 2019;21(1):118–131. Doi: http://doi.org/10.1093/neuonc/noy136.Brastianos P., Galanis E., Butowski N. et al. Advances in multidisciplinary therapy for meningiomas. Neuro Oncol. 2019;21(1):118–131. Doi: http://doi.org/10.1093/neuonc/noy136.Chen R., Aghi M. K. Atypical meningiomas. Handb Clin Neurol. 2020; (170):233–244. Doi: https://doi.org/10.1016/B978-0-12-822198-3.00043-4.Chen R., Aghi M. K. Atypical meningiomas. Handb Clin Neurol. 2020; (170):233–244. Doi: https://doi.org/10.1016/B978-0-12-822198-3.00043-4.Debus J., Wuendrich M., Pirzkall A. et al. High efficacy of fractionated stereotactic radiotherapy of large baseof-skull meningiomas: long-term results. J Clin Oncol. 2001;19(15):3547–3553. Doi: https://doi.org/10.1200/JCO.2001.19.15.3547.Debus J., Wuendrich M., Pirzkall A. et al. High efficacy of fractionated stereotactic radiotherapy of large baseof-skull meningiomas: long-term results. J Clin Oncol. 2001;19(15):3547–3553. Doi: https://doi.org/10.1200/JCO.2001.19.15.3547.Cao X., Hao S., Wu Z. et al. Treatment Response and Prognosis After Recurrence of Atypical Meningiomas. World Neurosurg. 2015;84(4):1014–1019. Doi: https://doi.org/10.1016/j.wneu.2015.05.032.Cao X., Hao S., Wu Z. et al. Treatment Response and Prognosis After Recurrence of Atypical Meningiomas. World Neurosurg. 2015;84(4):1014–1019. Doi: https://doi.org/10.1016/j.wneu.2015.05.032.Данилов Г. В., Ишанкулов Т. А., Котик К. В. и др. Технологии искусственного интеллекта в клинической нейроонкологии. Вопросы нейрохирургии им. Н. Н. Бурденко. 2022. Т. 86, № 6. С. 127–133. Doi: https://doi.org/10.17116/neiro202286061127Danilov G. V., Ishankulov T. A., Kotik K. V., Shifrin M. A., Potapov A. A. Artificial intelligence technologies in clinical neurooncology. Burdenko’s Journal of Neurosurgery = Zhurnal voprosy neirokhirurgii imeni N. N. Burdenko. 2022;86(6):127–133. (In Russ.). Doi: https://doi.org/10.17116/neiro202286061127Danilov G. V., Shifrin M. A., Kotik K. V., Ishankulov T. A., Orlov Y. N., Kulikov A. S., Potapov A. A. Artificial intelligence in neurosurgery: A systematic review using topic modeling. Part I: Major research areas. Sovremennye Tehnologii v Medicine. 2020;12(5):106–112. Doi: https://doi.org/10.17691/stm2020.12.5.122.Danilov G. V., Shifrin M. A., Kotik K. V., Ishankulov T. A., Orlov Y. N., Kulikov A. S., Potapov A. A. Artificial intelligence in neurosurgery: A systematic review using topic modeling. Part I: Major research areas. Sovremennye Tehnologii v Medicine. 2020;12(5):106–112. Doi: https://doi.org/10.17691/stm2020.12.5.122.Danilov G. V., Shifrin M. A., Kotik K. V., Ishankulov T. A., Orlov Y. N., Kulikov A. S., Potapov A. A. Artificial Intelligence Technologies in Neurosurgery: a Systematic Literature Review Using Topic Modeling. Part II: Research Objectives and Perspectives. Sovremennye Tehnologii v Medicine. 2021;12(6):111–118. Doi: https://doi.org/10.17691/stm2020.12.6.12.Danilov G. V., Shifrin M. A., Kotik K. V., Ishankulov T. A., Orlov Y. N., Kulikov A. S., Potapov A. A. Artificial Intelligence Technologies in Neurosurgery: a Systematic Literature Review Using Topic Modeling. Part II: Research Objectives and Perspectives. Sovremennye Tehnologii v Medicine. 2021;12(6):111–118. Doi: https://doi.org/10.17691/stm2020.12.6.12.Breiman L. Random Forests. Machine Learning. 2001;(45):5–32. Doi: https://doi.org/10.1023/A:1010933404324Breiman L. Random Forests. Machine Learning. 2001;(45):5–32. Doi: https://doi.org/10.1023/A:1010933404324Kittler J., Hatef M., Duin R. P. W., Matas J. On combining classifiers. IEEE Transactions on Pattern Analysis and Machine Intelligence. 1998;20(3):226–239.Kittler J., Hatef M., Duin R. P. W., Matas J. On combining classifiers. IEEE Transactions on Pattern Analysis and Machine Intelligence. 1998;20(3):226–239.Caruana R., Niculescu-Mizil, A. An Empirical Comparison of Supervised Learning Algorithms. Proceedings of the 23rd International Conference on Machine Learning (Pittsburgh, 25–29 June 2006). 2006. Doi: http://dx.doi.org/10.1145/1143844.1143865.Caruana R., Niculescu-Mizil, A. An Empirical Comparison of Supervised Learning Algorithms. Proceedings of the 23rd International Conference on Machine Learning (Pittsburgh, 25–29 June 2006). 2006. Doi: http://dx.doi.org/10.1145/1143844.1143865.Меламед И. И., Сигал И. Х. Исследование линейной свертки критериев в многокритериальном дискретном программировании // Журн. вычисл. матем. И матем. физ. 1995. Т. 35, № 8. С. 1260–1270.Melamed I. I., Sigal I. H. The study of linear convolution of criteria in multi-criteria discrete programming. Journal. mathem. and mathem. physical. 1995;35(8):1260–1270. (In Russ.).Ho J., Hull S. N. Srihari Decision combination in multiple classifier systems. IEEE Transaction Pattern Analysis and Machine Intelligence. 1994;16(l):66–75.Ho J., Hull S. N. Srihari Decision combination in multiple classifier systems. IEEE Transaction Pattern Analysis and Machine Intelligence. 1994;16(l):66–75.Гаджиев Я., Шалбузова К. И. Применение методов машинного обучения в прогнозировании и раннем обнаружении рака // Sciences of Europe. 2022. № 108. С. 48.Hajiyev Ya., Shalbuzova K. I. Application of machine learning methods in predicting and early detection of cancer. Sciences of Europe. 2022;(108):48. (In Russ.).Красько О. В. Статистический анализ данных в медицинских исследованиях. Минск: МГЭУ им. А. Д. Сахарова. 2014. 127 с.Krasko O. V. Statistical analysis of data in medical research. Minsk: Minsk State University of Economics named after A. D. Sakharov; 2014. 127 р..Лемешко Б. Ю. Критерии проверки отклонения распределения от нормального закона (руководство по применению) / Новосибир. гос. техн. ун-т. 2014. 192 с.Lemeshko B. Yu. Criteria for checking the deviation of the distribution from the normal law (application guide); Novosibirsk State Technical University. 2014. 192 p. (In Russ.).Объяснение метода случайного леса. URL: https://nerdit.ru/obiasnieniie-mietoda-sluchainogho-liesa (дата обращения: 04.10.2024). [Explain the random forest method. Available from: https://nerdit.ru/obiasnieniiemietoda-sluchainogho-liesa [Accessed 4 October 2024]].Explain the random forest method. Available from: https://nerdit.ru/obiasnieniiemietoda-sluchainogho-liesa [Accessed 4 October 2024].

The authors declare that there are no conflicts of interest present.