Технологии искусственного интеллекта в прогнозировании исходов и принятии лечебной тактики у пациентов с рецидивирующими интракраниальными менингиомами

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.

1. 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.

2. 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.

3. 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.

4. 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/noaa200

5. Куканов 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/10.21294/1814-4861-2022-21-4-110-123

6. Куканов 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.

7. 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.

8. 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.

9. 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.

10. 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.

11. 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.

12. 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.

13. 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.

14. 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.

15. 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.

16. 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/neiro202286061127

17. 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.

18. 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.

19. Breiman L. Random Forests. Machine Learning. 2001;(45):5–32. Doi: https://doi.org/10.1023/A:1010933404324

20. 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.

21. 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.

22. 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.

23. Ho J., Hull S. N. Srihari Decision combination in multiple classifier systems. IEEE Transaction Pattern Analysis and Machine Intelligence. 1994;16(l):66–75.

24. Гаджиев Я., Шалбузова К. И. Применение методов машинного обучения в прогнозировании и раннем обнаружении рака // Sciences of Europe. 2022. № 108. С. 48.

25. Красько О. В. Статистический анализ данных в медицинских исследованиях. Минск: МГЭУ им. А. Д. Сахарова. 2014. 127 с.

26. Лемешко Б. Ю. Критерии проверки отклонения распределения от нормального закона (руководство по применению) / Новосибир. гос. техн. ун-т. 2014. 192 с.

27. 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]].