Прогнозирование удовлетворительности эстетическим результатом после реконструкции при раке молочной железы с помощью машинного обучения: промежуточные результаты
##article.numberofdownloads## 2
##article.numberofviews## 10
pdf (Русский)

关键词

рак молочной железы
реконструкция
удовлетворенность
искусственный интеллект

How to Cite

Топузов, Э. Э., Скворцов, В. А., Орлова, Р. В., & Талышинский, А. Э. (2025). Прогнозирование удовлетворительности эстетическим результатом после реконструкции при раке молочной железы с помощью машинного обучения: промежуточные результаты. VOPROSY ONKOLOGII, 71(3), OF–2317. https://doi.org/10.37469/0507-3758-2025-71-3-OF-2317

摘要

Введение. Несмотря на перспективность применения искусственного интеллекта (ИИ) в прогнозировании удовлетворительности эстетическим результатом после реконструкции при раке молочной железы, в отечественной литературе отсутствуют работы по изучению достоверности данной гипотезы. Имеющиеся перспективы ИИ основаны на малочисленных зарубежных публикациях.

Цель. Разработать модель предсказания эстетической удовлетворенности пациенток после реконструкции молочной железы по клинико-анамнестическим данным на основе машинного обучения.

Материалы и методы. Ретроспективно в период с 2015 по 2024 гг. на базе СПб ГБУЗ «Городской клинический онкологический диспансер» была собрана информация в отношении 333 пациенток, которые ранее прошли комплексное лечение по поводу рака молочной железы и получили в процессе терапии одномоментную или отсроченную реконструкцию молочной железы. В качестве прогностических параметров использовались количественные и качественные клинико-анамнестические данные. Проводилось сравнение пяти различных алгоритмов машинного обучения: метод опорных векторов (Support Vector Machine, SVM), метод k-ближайших соседей (K-Nearest Neighbors, KNN), логистическая регрессия (Logistic Regression, LR), XGBoost, дерево решений (Decision Trees, DT).

Результаты. Логистическая регрессия продемонстрировала наилучшие показатели по всем ключевым метрикам, включая чувствительность (0,84) и точность (0,73). Наиболее прогностически значимым оказался фактор итогового веса перед операцией среди перенесших неоадъювантную химиотерапию и/или лучевую терапию пациенток, что подтверждает положительный эффект данного показателя. Противоположные результаты получены для начального веса, что указывает на изначально негативное влияние избыточного веса на удовлетворенность пациенток после реконструкции. Важным критерием также является стаж хирурга, коморбидность, наличие послеоперационной лучевой терапии в анамнезе и стадия заболевания до операции. Итоговое значение ROC-AUC составило 0,7, что является приемлемым для разрабатываемых диагностических систем на промежуточном этапе разработки.

Выводы. Полученные метрики точности системы второго мнения для прогнозирования удовлетворительности эстетическим результатом после реконструкции при раке молочной железы являются многообещающими, учитывая очевидность имеющихся ограничений и способов их нивелирования с целью возможности включения иных показателей в прогностическую модель и воспроизводимости метрик точности при внешнем тестировании.

https://doi.org/10.37469/0507-3758-2025-71-3-OF-2317
##article.numberofdownloads## 2
##article.numberofviews## 10
pdf (Русский)

参考

Семиглазов В.Ф., Мерабишвили В.М., Семиглазов В.В., et al. Эпидемиология и скрининг рака молочной железы. Вопросы онкологии. 2017; 63(3): 375-84.-DOI: 10.37469/0507-3758-2017-63-3-375-384. [Semiglazov V.F., Merabishvili V.M., Semiglazov V.V., et al. Epidemiology and screening of breast cancer. Voprosy Onkologii = Problems in Oncology. 2017; 63(3): 375-84.-DOI: 10.37469/0507-3758-2017-63-3-375-384 (In Rus)].

Бересток Т.С., Закиряходжаев А.Д., Ермощенкова М.В., et al. Осложнения после одномоментной и двухэтапной реконструкции имплантатами у больных раком молочной железы при проведении комбинированного/комплексного лечения. Онкология. Журнал им. П.А. Герцена. 2023; 12(3): 54-61.-DOI: 10.17116/onkolog20231203154. [Berestok T.S., Zakiryakhodzhaev A.D., Ermoshchenkova M.V., et al. Complications after single-stage and two-stage implant reconstruction in breast cancer patients during combined/complex treatment. P.A. Herzen Journal of Oncology. 2023; 12(3): 54-61.-DOI: 10.17116/onkolog20231203154 (In Rus)].

Nair A.G., Giannakeas V., Semple J.L., et al. Contemporary Trends in Breast Reconstruction Use and Impact on Survival Among Women with Inflammatory Breast Cancer. Ann Surg Oncol. 2022; 29(13): 8072–8082.-DOI: 10.1245/s10434-022-12408-0.

Kim M., Vingan P., Boe L.A., et al. Satisfaction with breasts following autologous reconstruction: assessing associated factors and the impact of revisions. Plast Reconstr Surg. 2025; 155(2): 235-244.-DOI: 10.1097/PRS.0000000000011571.

Bajwa J., Munir U., Nori A., Williams B. Artificial intelligence in healthcare: transforming the practice of medicine. Futur Healthc J. 2021; 8(2): e188–e194.-DOI: 10.7861/fhj.2021-0095.

Mahesh N., Devishamani C.S., Raghu K., et al. Advancing healthcare: the role and impact of AI and foundation models. Am J Transl Res. 2024; 16(6): 2166-2179.-DOI: 10.62347/WQWV9220.

Maita K.C., Avila F.R., Torres-Guzman R.A., et al. The usefulness of artificial intelligence in breast reconstruction: a systematic review. Breast Cancer. 2024; 31(4): 562–571.-DOI: 10.1007/s12282-024-01582-6.

Pfob A., Mehrara B.J., Nelson J.A., et al. Machine learning to predict individual patient-reported outcomes at 2-year follow-up for women undergoing cancer-related mastectomy and breast reconstruction (INSPiRED-001). Breast. 2021; 60: 111–122.-DOI: 10.1016/j.breast.2021.09.009.

Srinivasa D.R., Clemens M.W., Qi J., et al. Obesity and Breast Reconstruction: Complications and Patient-Reported Outcomes in a Multicenter, Prospective Study. Plast Reconstr Surg. 2020; 145(3): 481E-490E.-DOI: 10.1097/PRS.0000000000006543.

Mandrekar J.N. Receiver Operating Characteristic Curve in Diagnostic Test Assessment. J Thorac Oncol. 2010; 5(9): 1315–1316.-DOI: 10.1097/JTO.0b013e3181ec173d.

Haibe-Kains B., Adam G.A., Hosny A., et al. Transparency and reproducibility in artificial intelligence. Nature. 2020;586(7829):E14. DOI: 10.1038/s41586-020-2766-y.

Sungkar A., Yarso K.Y., Nugroho D.F., et al. Patients’ satisfaction after breast reconstruction surgery using autologous versus implants: a meta-analysis. Asian Pac J Cancer Prev. 2024; 25(4): 1205–1212.-DOI: 10.31557/APJCP.2024.25.4.1205.

Gurcan F., Soylu A. Learning from imbalanced data: integration of advanced resampling techniques and machine learning models for enhanced cancer diagnosis and prognosis. Cancers (Basel). 2024; 16(19): 3417.-DOI: 10.3390/cancers16193417.

Noseworthy P.A., Attia Z.I., Brewer L.P.C., et al. Assessing and mitigating bias in medical artificial intelligence: the effects of race and ethnicity on a deep learning model for ECG analysis. Circ Arrhythm Electrophysiol. 2020; 13(3): e007988.-DOI: 10.1161/CIRCEP.119.007988.

Xu C., Pfob A., Mehrara B.J., et al. Enhanced surgical decision-making tools in breast cancer: predicting 2-year postoperative physical, sexual, and psychosocial well-being following mastectomy and breast reconstruction (INSPiRED 004). Ann Surg Oncol. 2023; 30(12): 7046–7059.-DOI: 10.1245/s10434-023-13971-w.

Poon A.I.F., Sung J.J.Y. Opening the black box of AI-medicine. J Gastroenterol Hepatol. 2021; 36(3): 581–584.-DOI: 10.1111/jgh.15384.

Creative Commons License

This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.

© АННМО «Вопросы онкологии», Copyright (c) 2025