Ежегодно в мире частота выявляемости почечно-клеточного рака (ПКР) увеличивается на 2%, причём в 60% случаев новообразование является случайной находкой [1][2]. Согласно данным последних исследований, при гистологической оценке около 10 – 17% опухолей почек оказывается доброкачественными [3][4]. Это обусловлено тем, что на данный момент не разработаны клинические и рентгенологические признаки, которые позволили бы точно предсказать гистологию образования: дифференцировать ангиомиолипомы и онкоцитомы от ПКР, различать подтипы ПКР. Таким образом необходимо совершенствовать методы лучевой диагностики ПКР для получения высокой диагностической точности при подборе адекватного лечения и оценке прогноза ответа опухоли на терапию [5].

Внедрение искусственного интеллекта (ИИ) в клиническую практику, вероятно, позволит нивелировать имеющиеся недостатки. ИИ представляет собой технологию вычислительной обработки данных, которая способна имитировать интеллектуальные процессы человека (такие как рассуждение, обучение, запоминание и решение определённых задач) [6][7]. Этот подход объединяет принципы математики, логики, статистики [8][9].

Для эффективной работы ИИ необходима обширная база данных, содержащая не только исходные характеристики пациентов (возраст, сопутствующие заболевания и другие), но и любые задокументированные на протяжении всего процесса лечения данные (хирургические видео, положение бригады вокруг операционного стола, показатели внутрибрюшного давления, кровопотеря во время операции и так далее) [10]. Важно понимать, что качество модели ИИ напрямую зависит от качества и разнообразия доступных данных, на базе которых система обучается.

Цель исследования. Проанализировать возможности ИИ в диагностике, лечении и наблюдении за пациентами с почечно-клеточным раком (ПКР).

Для поиска статей использовались базы данных Scopus, MEDLINE, Google Scholar. Поиск проводился с использованием ключевых слов, таких как «рак почки», «искусственный интеллект», «диагностика», «лечение». Хронологические ограничения не применялись.

Для обнаружения ПКР используются различные методы визуализации. Среди них основным скрининговым методом является УЗ-диагностика, которая позволяет отличить солидные и кистозные образования. Стандартом при диагностике ПКР является КТ с внутривенным контрастированием [11]. Чувствительность этого метода для обнаружения опухолей почек составляет около 90% и выше [12]. Однако необходимо отметить, что интерпретация результатов методов визуализации зависит от субъективной оценки и опыта врача-радиолога [13]. Избежать этой неоднозначной оценки позволяет радиомика, которая включает в себя воксельный, текстурный и гистограммный анализы. Перечисленные методы основаны на оценке степени неоднородности изображений и используются для извлечения дополнительной информации из КТ или МРТ [14][15]. Данная система заранее следует определённым алгоритмам оценки изображения интересующего очага, сегментации (компьютерное обнаружение границ с последующей ручной корректировкой), а также извлечения количественной информации. Инновационный подход применяется в онкологии для диагностики, прогностической оценки, а также мониторинга ответа на лечение [16].

Одной из основных задач в диагностике ПКР является возможность дифференцирования доброкачественных и злокачественных образований.

J. Mühlbauer et al. (2021) провели систематический обзор и мета-анализ, который продемонстрировал многообещающие результаты в отношении дифференциальной диагностики ангиомиолипом и онкоцитом от ПКР: отношение шансов 2,89 (95% ДИ 2,40 – 3,39; p < 0,001), 3,08 (95% ДИ 2,09 – 4,06; p < 0,001) [17]. Y. Ma et al. (2020) проанализировали данные 84 гистопатологических исследований образований почек и показали, что оценка, основанная на радиомике, превосходит обычный КТ-анализ [18]. Исследование V. Goh et al. (2011) посвящено наблюдению за 39 пациентами с метастатическим ПКР, получающими системную терапию. Авторы оценили изображения почек до начала терапии и после с помощью текстурного анализа, а также по шкале RECIST. Регрессионный анализ Кокса показал, что однородность текстуры при КТ является независимым предиктором времени до прогрессирования (отношение шансов 4,02; ДИ 95% 1,52 – 10,65; p = 0,005). Таким образом, авторы заключили: чем больше гетерогенность опухоли, по данным текстурного анализа, тем выше шанс прогрессирования [19].

Несмотря на возможность оценки радиомикой больших объёмов данных, её ограничение заключается в необходимости ручного выделения ключевых показателей. Алгоритмы машинного и глубокого обучения (МО и ГО) могут автоматизировать этот процесс. В исследовании Y. Li et al. (2020) использованы многофазные компьютерные томограммы для дифференциальной диагностики хромофобного рака почки и онкоцитомы. Примененные алгоритмы МО продемонстрировали высокую диагностическую точность (показатель площади под кривой (AUC) составляет более 0,85) [20]. В анализе N. Nassiri et al. (2022) представлен алгоритм, созданный с помощью радиомики и МО (AUC 0,84) [21]. Q. Xu et al. (2022) в качестве дифференциальной диагностики доброкачественных и злокачественных образований использовали модели, основанные на комбинировании радиомики и ГО. Данное сочетание продемонстрировало более точные результаты по сравнению с анализом, выполненным радиологами (AUC 0,925 и 0,826 и AUC 0,724 и 0,667 соответственно) [3]. Систематический обзор 30 исследований по применению ИИ для диагностики опухолей почек, проведённый B. Kocak et al. (2020), подчёркивает важность внедрения ИИ в клиническую практику [22].

На интраоперационном этапе алгоритмы ИИ могут быть полезны для распознавания и визуализации таких структур, как опухоль почки (особенно при интраренальных образованиях), почечных сосудов, мочеточников и прилежащих органов (кишечник, печень, селезёнка) [23]. Интраоперационно регистрируемые параметры также могут помочь предсказать риск развития тех или иных осложнений в послеоперационном периоде. Согласно исследованию P.W. Doyle et al. (2022), оптимальная система ИИ должна постоянно адаптироваться к меняющейся интраоперационной среде [24]. К сожалению, современные технологии ещё не позволяют воплотить это в реальность. Однако все больше работ направлены на реализацию этого потенциала.

Одно из направлений применения ИИ в хирургии — наложение виртуальных 3D-моделей во время робот-ассистированной резекции почки (РА-РП) [25 – 27]. В исследовании F. Porpiglia et al. (2020) сравнивали интраоперационное использование трёхмерных систем дополненной реальности (3D-ДР) при обнаружении опухолей и внутрипочечных структур во время РА-РП со стандартным интраоперационном УЗИ. Использование 3D-РП-наведения позволило снизить частоту тепловой ишемии (45,8% в группе 3D-AR против 69,7% в группе УЗИ; p = 0,03), повреждения собирательной системы (10,4% против 45,5%; р = 0,003), а также провести более точную энуклеацию образования (62,5% против 37,5% в группах 3D-AR и УЗИ соответственно; p = 0,02) [28]. В работе M.S. Nosrati et al. (2016) описана техника расширения эндоскопического обзора хирурга путём сегментации видимых и закрытых структур. С этой целью модель МО была обучена распознавать цветовые и текстурные паттерны и таким образом различать ткани. Метод был использован при РА-РП и показал улучшение точности на 45% [29].

Одна из точек приложения ИИ — патологоанатомическая оценка. Исследования демонстрируют, что модели ИИ могут превзойти заключения патологоанатомов. [30][31]. В работе M. Lee et al. (2021) подчёркивают потенциал моделей ИИ — возможность снижение систематической ошибки [32].

В исследовании S. Tabibu et al. (2019) использованы сверточные нейронные сети для дифференциальной диагностики светлоклеточного и хромофобного подтипов ПКР [33]. Авторами достигнуто значение AUC 0,98 для светлоклеточного ПКР и AUC 0,95 — для хромофобного ПКР. Более того, исследователями разработан индекс риска, основанный на форме и особенностях ядер, который позволяет прогнозировать увеличение выживаемости пациентов [33].

В другом исследовании K. Tian et al. (2019) использована обученная модель для предсказания степени злокачественности светлоклеточного ПКР (по Фурману). Точность финальных моделей достигает от 0,781 до 0,839 AUC (в зависимости от метода MО) [34].

О подобных подходах сообщено и другими исследовательскими группами. M. Fenstermaker et al. (2020) обучена модель ИИ на основе окрашенных изображений с целью дифференцировки нормальной ткани и ПКР. Модель ИИ достигает 100% чувствительности и 97,1% специфичности [35].

Прогнозирование общей выживаемости, риска рецидива и других исходов у больных раком почки может быть полезно для разработки индивидуальных планов лечения и наблюдения за пациентами. Так, например, в работе Z-E. Khene et al. (2022) протестирована модель на основе МО с использованием стандартных клинико-патологических характеристик пациентов, перенёсших радикальную нефрэктомию по поводу неметастатического ПКР. Авторы провели сравнение стандартных моделей с МО. В исследование включено 4067 пациентов (3253 — в когорте новой модели, 814 — в группе стандартной модели). Большинство опухолей (69%) — светлоклеточный ПКР; у 4% пациентов отмечалось поражение лимфатических узлов. Медиана наблюдения составила 57 месяцев; рецидив возник у 523 (13%) пациентов. Новая модель на основе МО продемонстрировала высокую прогностическую ценность по сравнению со стандартными моделями (C-index 0,794 — показатель, отражающий прогностическую ценность). Более того, анализ кривой принятия врачебных решений также показал преимущество модели МО [36].

H.M. Kim et al. (2021) представили исследование, направленное на разработку модели прогнозирования позднего рецидива после хирургического лечения пациентов с ПКР [37]. Работа основана на данных более 2900 пациентов. Полученный алгоритм показывает чувствительность — 0,673, специфичность — 0,807, точность — 0,799, площадь под кривой — 0,740 [38]. Данный алгоритм может использоваться клиницистами для выявления пациентов с высоким риском позднего рецидива, требующих длительного наблюдения, а также для разработки индивидуальных стратегий лечения и наблюдения.

Применение ИИ в урологии открывает новые перспективы для интерпретации и понимания сложных данных, недоступных для клиницистов. Внедрение ИИ может осуществляться на каждом этапе ведения пациента с ПКР: при диагностике, во время предоперационной подготовки, в период оказания интраоперационной поддержки специалистов, при проведении оценки гистологических результатов, а также в процессе последующего наблюдения. Кроме того, внедрение ИИ позволяет оптимизировать диагностические и терапевтические решения и в последующим, вероятно, позволит повысить качество оказания медицинской помощи (в частности, для пациентов с ПКР). Однако уровень интеграции моделей ИИ в клиническую практику на данный момент невелик и требует междисциплинарного сотрудничества между урологами, радиологами, математиками и патологами.