Мурсалов И.А. - Персонализированный выбор метода биопсии ПЖ на основе стратификационного анализа и модели машинного обучения

Персонализированный выбор метода биопсии предстательной железы: разработка и валидация калькулятора риска клинически значимого рака простаты на основе машинного обучения

Актуальность проблемы и ограничения существующих стратегий отбора пациентов

Современная урология сталкивается с избыточным количеством ненужных биопсий предстательной железы. Традиционные подходы, основанные только на индексе PI-RADS и плотности ПСА, не всегда обеспечивают достаточную точность в выявлении клинически значимого рака простаты (КЗРП). Существующие калькуляторы риска имеют ограничения: они часто не адаптированы для исключения именно КЗРП, что может привести к пропуску агрессивных форм заболевания или выполнению избыточных инвазивных процедур. Необходимы новые инструменты персонифицированной риск-адаптированной стратегии для точного отбора пациентов на биопсию и определения оптимального объема вмешательства.

Разработка моделей машинного обучения и сравнительная характеристика алгоритмов

Целью исследования было создание модели машинного обучения для выявления КЗРП (Gleason Score ≥ 7 или ISUP 2 и выше). В исследование изначально включено 650 пациентов с подозрением на рак простаты, которым до биопсии выполнена МРТ предстательной железы. После исключения 5 случаев с PI-RADS = 2 в финальную когорту вошли 645 пациентов, разделенных на обучающую (80%) и тестовую выборки для валидации моделей. Для разработки алгоритмов использовался язык программирования Python. В качестве предикторов отобраны девять клинических параметров: балл PI-RADS, плотность ПСА, возраст пациента, объем простаты, максимальный размер очага на МРТ и другие факторы.

Сопоставлены две модели машинного обучения: логистическая регрессия и градиентный бустинг (Gradient Boosting). Оценка дискриминационной способности показала преимущество логистической регрессии с площадью под кривой ROC (AUC), равной 0.8. Статистически значимое превосходство модели логистической регрессии подтверждено тестом Делонга (p < 0.05). Анализ калибровки моделей выявил лучшие показатели у логистической регрессии: график ближе к идеальной линии, значение Brier Score приближено к нулю, наклон кривой (Slope) близок к единице. Тест Хосмера-Лемешоу показал p > 0.05, что свидетельствует о надежности модели. Для создания финального калькулятора выбрана модель логистической регрессии как наиболее точная и клинически безопасная.

Клиническая полезность и пороговые значения для принятия решений

Клиническая полезность разработанной модели оценивалась в диапазоне вероятностей от 15 до 25%, где она демонстрирует максимальное преимущество перед тактикой «биопсия всем» (выполнение биопсии при любом уровне ПСА > 3 нг/мл). Для практического применения установлен рабочий порог в 10%. Если расчетная вероятность КЗРП составляет менее 10%, выполнение биопсии не рекомендуется, так как риск пропуска клинически значимого рака крайне низок благодаря высокой чувствительности модели (97%). В случае если вероятность превышает 10%, пациенту показана биопсия.

Применение данной стратегии позволяет избежать выполнения каждой пятой биопсии без потери диагностической точности. Отрицательная прогностическая ценность модели составляет 96%. Это означает, что в 96% случаев, когда модель предсказывает отсутствие КЗРП, прогноз оказывается верным. Шап-анализ (SHAP) показал вклад основных предикторов: наибольший вес имеют балл PI-RADS, плотность ПСА, возраст и объем простаты. Разработанный инструмент работает в два этапа: на первом этапе определяется вероятность заболевания относительно порога 10%, на втором — рекомендуется тип биопсии (только прицельная или расширенная с систематическим забором). На текущий момент калькулятор является вспомогательным инструментом и не зарегистрирован как медицинское изделие.

Анализ клинических случаев и практическая валидация алгоритма

Эффективность модели подтверждена анализом двух клинических случаев. В первом случае пациент 66 лет с ПСА 5.1 нг/мл, объемом простаты 38 мл, плотностью ПСА 0.13 и PI-RADS 4 (очаг 12 мм) получил расчетную вероятность КЗРП 38%. Калькулятор рекомендовал выполнить биопсию с ограничением только прицельным забором из подозрительного очага. Фактически выполненная комбинированная биопсия подтвердила наличие КЗРП (ISUP 4) в прицельном столбике, тогда как систематические биоптаты не имели диагностической ценности для данного пациента, что доказывает возможность безопасного отказа от расширенной биопсии.

Во втором случае пациент 56 лет с ПСА 13 нг/мл, объемом простаты 69 мл, плотностью ПСА 0.19 и PI-RADS 3 (очаг 11 мм) underwent повторной биопсии. Расчетная вероятность КЗРП составила 7.6%, что ниже порога в 10%. Согласно рекомендациям калькулятора, биопсию можно было избежать. Выполненная процедура не выявила рак простаты, что подтвердилось и при последующей лазерной индукции гиперплазии предстательной железы (в операционном материале рак отсутствовал). Данный случай демонстрирует высокую точность модели в предотвращении ненужных вмешательств у пациентов с низким риском КЗРП.

Заключение и перспективы развития инструмента

Разработанная модель логистической регрессии статистически превосходит алгоритм градиентного бустинга по всем ключим метрикам, включая дискриминационную способность и калибровку. Модель является клинически безопасной: чувствительность составляет 97%, а риск пропуска КЗРП не превышает 3.5%. Внедрение данного инструмента в практику позволяет оптимизировать поток пациентов, избегая каждой пятой биопсии без снижения диагностической точности. В будущем планируется проведение внешней валидации на независимых многоцентровых когортах и проспективная оценка модели для дальнейшего расширения выборки данных и повышения точности рекомендаций по выбору метода биопсии для каждого конкретного пациента.