Применение технологий искусственного интеллекта для прогнозирования риска рецидива при раке поджелудочной железы. Систематический обзор литературы и метаанализ

Проведен систематический обзор и мета‑анализ 10 исследований (2019–2024 гг.), оценивающих диагностическую точность алгоритмов искусственного интеллекта (ИИ) для прогнозирования рецидивов рака поджелудочной железы (РПЖ). Объединенные оценки чувствительности и специфичности составили 0,77 [95 % ДИ: 0,58–0,95] и 0,79 [95 % ДИ: 0,57–1,00] соответственно. Ключевыми ограничениями работы являлась высокая гетерогенность (I² > 98 %), которая может быть связана с малым числом включенных исследований, и недостаточная стандартизация методов валидации.

Введение: Использование технологий искусственного интеллекта открывает новые возможности в прогнозировании течения рака поджелудочной железы.

Цель: Проведение мета‑анализа диагностической точности алгоритмов ИИ (чувствительности и специфичности) для прогнозирования рецидивов РПЖ и сравнительный анализ эффективности различных типов алгоритмов.

Методы: Был проведен систематический поиск литературы в ведущих научных базах данных, охватывающий публикации за период с 2019 по 2024 годы. В обзор включены исследования, в которых применялись методологии искусственного интеллекта для прогнозирования риска рецидива рака поджелудочной железы. Поиск и анализ данных осуществлялись в три этапа: первичный поиск исследований по ключевым словам и критериям включения; скрининг заголовков и аннотаций для отбора релевантных работ; детальная оценка полных текстов отобранных статей.

Синтез данных включал анализ производительности моделей ИИ, типов используемых данных (клинические, геномные, радиологические и др.), а также стратегий валидации и тестирования предложенных алгоритмов.

Для мета‑анализа чувствительности и специфичности использована модель случайных эффектов с расчетом объединенных оценок, 95 % доверительных интервалов и показателей гетерогенности (I², τ²). Дополнительно выполнена мета‑регрессия для оценки влияния типа алгоритма на чувствительность. Статистический анализ проведен в R (пакет metafor) с визуализацией лесных диаграмм.

Результаты: Данный систематический обзор включил 10 исследований, из которых 5 были отобраны для метаанализа. Результаты демонстрируют объединенную чувствительность 0,77 [95 % ДИ: 0,58–0,95] и специфичность 0,79 [95 % ДИ: 0,57–1,00] алгоритмов ИИ для прогнозирования рецидивов РПЖ. При анализе отдельных типов алгоритмов искусственные нейронные сети (ANN) показали объединенную чувствительность 0,87 [0,73–1,01], а метод опорных векторов (SVM) имел отрицательный коэффициент влияния на чувствительность (–0,45 [–0,69 — −0,21]). Мета‑анализ выявил высокую гетерогенность между исследованиями (I² = 98,84 % для чувствительности и I² = 99,42 % для специфичности), что требует осторожности при интерпретации результатов.

Заключение: ИИ‑модели демонстрируют потенциал для прогнозирования рецидивов РПЖ, но требуют стандартизации данных и проспективной валидации в клинической практике.

1. SEER Cancer Statistics: Pancreas. U.S. Department of Health and Human Services, National Cancer Institute. Available at: https://seer.cancer.gov/statfacts/html/pancreas.html

2. Leonhardt C.S., Gustorff C., Klaiber U., et al. Prognostic Factors for Early Recurrence After Resection of Pancreatic Cancer: A Systematic Review and Meta-Analysis. Gastroenterology 2024;167(5):977–992. https://doi.org/10.1053/j.gastro.2024.05.028

3. Song W., Miao D.L., Chen L. Nomogram for predicting survival in patients with pancreatic cancer. Onco Targets Ther 2018;11:539–545. https://doi.org/10.2147/OTT.S154599

4. Goldstein D, Von Hoff D.D., Chiorean E.G., et al. Nomogram for estimating overall survival in patients with metastatic pancreatic cancer. Pancreas 2020;49(6):744–750. https://doi.org/10.1097/MPA.0000000000001563

5. Tran K.A., Kondrashova O., Bradley A., et al., Deep learning in cancer diagnosis, prognosis and treatment selection. Genome Med 2021;13(1):152. https://doi.org/10.1186/s13073-021-00968-x

6. Palumbo D., Mori M., Prato F., et al. Prediction of early distant recurrence in upfront resectable pancreatic adenocarcinoma: a multidisciplinary, machine learning-based approach. Cancers (Basel) 2021;13(19):4938. https://doi.org/10.3390/cancers13194938

7. Lee, K.S., et al. Usefulness of artificial intelligence for predicting recurrence following surgery for pancreatic cancer: Retrospective cohort study. Int J Surg, 2021.93:p.106050.

8. Hayward, J., Alvarez S.A., Ruiz C., et al., Machine learning of clinical performance in a pancreatic cancer database. Artif Intell Med 2010;49(3):187–95. https://doi.org/10.1016/j.artmed.2010.04.009

9. Walczak S., Velanovich V. An evaluation of artificial neural networks in predicting pancreatic cancer survival. J Gastrointest Surg 2017;21(10):1606–1612. https://doi.org/10.1007/s11605-017-3518-7

10. Sala Elarre P., Oyaga-Iriarte E., Yu K.H., et al., Use of Machine-Learning Algorithms in Intensified Preoperative Therapy of Pancreatic Cancer to Predict Individual Risk of Relapse. Cancers (Basel) 2019;11(5):606. https://doi.org/10.3390/cancers11050606

11. Tong Z., Liu Y., Ma H., et al. Development, validation and comparison of artificial neural network models and logistic regression models predicting survival of unresectable pancreatic cancer. Front Bioeng Biotechnol 2020;8:196. https://doi.org/10.3389/fbioe.2020.00196

12. Baig Z., Abu-Omar N., Khan R., et al. Prognosticating outcome in pancreatic head cancer with the use of a machine learning algorithm. Technol Cancer Res Treat 2021;20:15330338211050767. https://doi.org/10.1177/1533033821105 0767

13. Hsu T.H., Schawkat K., Berkowitz S.J., et al., Artificial intelligence to assess body composition on routine abdominal CT scans and predict mortality in pancreatic cancer- A recipe for your local application. Eur J Radiol 2021;142:109834. https://doi.org/10.1016/j.ejrad.2021.109834

14. Chen, Q., Hu Y., Lin W., et al. Studying the impact of marital status on diagnosis and survival prediction in pancreatic ductal carcinoma using machine learning methods. Sci Rep 2024;14(1):5273. https://doi.org/10.1038/s41598-02453145-6

15. Pasha S.A., Khalid A., Levy T., et al. Machine learning to predict completion of treatment for pancreatic cancer. J Surg Oncol 2024;130(8):1605–1610. https://doi.org/10.1002/jso.27812

16. Nopour R. Establishment of prediction model for mortality risk of pancreatic cancer: a retrospective study. BMC Med Inform Decis Mak 2024;24(1):181. https://doi.org/10.1186/s12911-024-02590-4