Рак молочной железы и ИИ: от оценки риска до моделирования лечения на цифровом двойнике
В этой статье
Революция ИИ в лечении рака молочной железы: от оценки риска до моделирования на «цифровом двойнике»
Путь от статистики к прогнозированию
Основная парадигма современной онкологии — отход от универсального лечения к подходу, основанному на уникальной биологии пациента и опухоли. Рак молочной железы особенно неоднороден: помимо основных люминального, HER2-положительного и тройного негативного (TNBC) подтипов, у каждой опухоли есть собственные геномные, транскриптомные и микроокруженческие особенности. Ведение включает взаимосвязанные многопараметрические решения об оценке риска, скрининге, неоадъювантном/адъювантном лечении, сроках операции и контроле рецидива.
Годами эту сложность пытались охватить человеческим мышлением и простыми статистическими моделями. Но биологические системы нелинейны: взаимодействия генов, белков и тканевого микроокружения хаотичны и многомерны. Искусственный интеллект (ИИ), особенно машинное обучение (ML) и глубокое обучение (DL), стал незаменимым инструментом работы с этой сложностью.
Историю ведения рака молочной железы можно разделить на три этапа:
- 1. Статистический период (1989-2000): Использование популяционной статистики, например модели Gail.
- 2. Геномный период (2000-2015): Включение генетических факторов риска в модели, например Tyrer-Cuzick.
- 3. Период ИИ (2016–настоящее время): Алгоритмы глубокого обучения обрабатывают недоступные человеческому глазу пиксели и биологические данные, «предсказывая будущее».
В статье подробно рассматриваем преобразование ведения рака молочной железы с помощью ИИ — от Mirai до виртуального планирования операции — в свете новых технологий, доказательных данных и регуляторных рамок FDA и ESMO.
1. Революция оценки риска: от анкет к пикселям
Традиционные модели Gail и Tyrer-Cuzick основаны на статичных анкетных данных: возрасте, семейном анамнезе, числе родов. Их главный недостаток — неполное использование биологических признаков самой ткани, например плотности и микрокальцинатов. ИИ превратил маммографию из «фотографии» текущего рака в «хрустальный шар» будущего.
Mirai и традиционные модели: сравнительные показатели AUC
Journal of Clinical Oncology и Radiology опубликовали валидационные исследования со следующими результатами:
Среди пациенток, у которых впоследствии возникнет рак, правильно определены 31% как имеющие высокий риск.
Среди будущих случаев рака выявлены только 18% .
Базовая статистическая модель недостаточно предсказывает современные риски.
Причина различия: Mirai анализирует микроструктуру и асимметрию ткани, недоступные глазу, а также тонкие изменения между прежними и новыми маммограммами (временные данные).
Статус FDA «Breakthrough»: технология Prognosia Breast
Разработанная Вашингтонским университетом Prognosia Breastполучила от FDA статус Breakthrough Device — «прорывного устройства». Технология измеряет не только количество плотной ткани, но и её распределение и микроструктурные неоднородности посредством текстурного анализа.
Анализ способен выявить благоприятное для опухоли микроокружение ещё до её появления. AUC Prognosia Breast находится между 0.67 и 0.74. Валидация на больших наборах разных этнических групп, включая чернокожих и азиатских женщин, также уменьшает риск смещения данных в ИИ.
Персонализированный скрининг: конец одинакового обследования для всех
Оценка риска с ИИ позволяет оптимально распределять ресурсы. Вместо ежегодной стандартной маммографии всем старше 40 лет возможны динамические протоколы по риску. По данным Кембриджского университета и RSNA 2025, ИИ анализирует скрытые закономерности отрицательных маммограмм, прогнозируя интервальный рак.
- Высокий риск (высокая оценка ИИ): Интервал сокращают, например до 6 месяцев. Дополняют маммографию МРТ молочной железы или контрастной маммографией для выявления интервальных опухолей.
- Низкий риск (очень низкая оценка ИИ): Интервал можно безопасно увеличить, например до 2 лет, уменьшая ненужное облучение, тревогу и финансовую нагрузку здравоохранения.
2. Будущее лечения: цифровые двойники и виртуальные испытания
Представьте будущее, где для выбора лекарства пациенту не придётся быть «испытательным полигоном». ИИ моделирует лечение на цифровом двойнике, созданном по биологическим данным пациента.
FarrSight-Twin: от астрофизики к онкологии
Платформа переносит сложные астрофизические алгоритмы поиска чёрных дыр в биологию рака, обрабатывает данные тысяч пациентов и создаёт индивидуальный виртуальный аватар нового пациента.
Клиническое применение: В сложных случаях с ограниченными возможностями, например TNBC, тестирует оптимальную комбинацию препаратов, включая химиотерапию и иммунотерапию, in silico (на компьютере) . Также позволяет проводить виртуальные клинические испытания для уменьшения затрат на разработку лекарств.
SimBioSys TumorSight: виртуальное планирование операции
Платформа с допуском FDA по процедуре 510(k) Cleared использует динамическую контрастную МРТ молочной железы (DCE-MRI), создавая 3-мерную биофизическую модель опухоли. Моделируются не только форма, но и кинетика роста.
Значение для хирурга: До операции хирург получает в симуляции ответ: «Смогу ли я получить чистый край резекции при органосохраняющей операции?» Цель — минимизировать повторную операцию (реэксцизию) и потерю молочной железы.
3. Прогноз ответа и резистентности: расшифровка биологии
ИИ объясняет не только «что произойдёт» (результат), но и «почему» (механизм). Два важных достижения в понимании экосистемы опухоли:
- Мультиомная интеграция (Nature, 2022): Одних клинических данных для прогноза ответа недостаточно. В исследовании Sammut и коллег в Nature модель объединила возраст, ДНК опухоли (мутационную нагрузку, вариации числа копий), РНК (экспрессию генов) и цифровую патологию (иммунную инфильтрацию — TILs).
Результат: Полный ответ на неоадъювантную химиотерапию (NAC) прогнозировался с очень высоким показателем 0.87 AUC . Модель также обнаружила механизмы иммунного уклонения резистентных опухолей, например потерю аллелей HLA класса I, предложив новые лекарственные мишени. - Индекс PERCI: эндокринная резистентность У части пациенток с HR+ раком со временем развивается устойчивость к гормональному препарату. PERCI (индекс прогнозирования эндокринной резистентности) анализирует машинным обучением мутационный статус TP53, метилирование ДНК, возраст и другие данные.
Клиническая польза: Даёт врачу ответ: «Достаточно ли только эндокринной терапии или сразу нужен таргетный препарат — ингибитор CDK4/6?»
4. Повседневная практика: ИИ в поликлинике
ИИ поддерживает врача уже не только в лаборатории, но и в ежедневной клинической работе.
| Технология / программа | Область применения | Клиническая польза и функция |
|---|---|---|
| Koios DS (допуск FDA по 510(k)) | УЗИ молочной железы | За секунды анализирует отмеченный рентгенологом подозрительный очаг, даёт риск по BI-RADS и рекомендацию «нужна биопсия» или «достаточно наблюдения». Показано повышение диагностического AUC с 0.83 до 0.87. |
| GUIDE-G / технология RAG | Интеграция руководств | Анализирует сотни страниц NCCN, ASCO и других сложных рекомендаций, сразу предлагая актуальный доказательный вариант для пациента. RAG-система Национального университета Сингапура минимизирует риск «галлюцинаций», то есть неверных сведений ИИ. |
| SurvGPT | Ведение после лечения | Автоматически создаёт план помощи после завершения лечения (SCP). По электронным медицинским записям (EHR) обобщает дозы химиотерапии, поля облучения и побочные эффекты, формирует индивидуальный график контроля. |
| TabNet | Прогноз рецидива | Анализирует не только опухоль, но и симметрию противоположной молочной железы и перитуморальную ткань, объясняя причины прогноза рецидива (объяснимый ИИ). |
5. Регулирование: безопасное применение ИИ
Для безопасного внедрения в клинику регуляторы, например FDA, и профессиональные организации, например ESMO, устанавливают стандарты.
- FDA — Управление по контролю качества пищевых продуктов и лекарственных средств США: Рассматривает алгоритмы как программное обеспечение — медицинское устройство (SaMD). Для самообучающихся алгоритмов требует заранее определённый план контроля изменений (PCCP), отслеживающий динамику результатов.
- ESMO — Европейское общество медицинской онкологии: Опубликовало два важных руководства:
- ELCAP: Определяет границы использования больших языковых моделей, требует проверки источников и принципа участия человека в принятии решений.
- EBAI: Задаёт аналитические и клинические критерии валидации биомаркеров ИИ перед внедрением.
Научные источники и дополнительное чтение
- Yala A, Mikhael PG, Strand F, et al. Toward robust mammography-based models for breast cancer risk (Mirai). Science Translational Medicine. 2021;13(578):eaba4373.
- Sammut SJ, Crispin-Ortuzar M, Chin SF, et al. Multi-omic machine learning predictor of breast cancer therapy response. Nature. 2022;601(7894):623-629.
- Lehman CD, Yala A, Schuster T, et al. Mammographic Breast Density Assessment Using Deep Learning: Clinical Implementation. Radiology. 2019;290(1):52-58.
- Harbeck N, et al. A predictive endocrine resistance index accurately stratifies luminal breast cancer treatment responders and nonresponders (PERCI). J Clin Invest. 2024.
- SimBioSys. FDA Clears TumorSight Viz for Breast Cancer Surgical Planning. Press Release, 2023.
- ESMO Real World Data and Digital Health Working Group. Guidance on the use of Large Language Models in Oncology. Annals of Oncology. 2024.
*Статья составлена по презентации профессора, д-ра Mustafa Özdoğan «ИИ в ведении рака молочной железы: от оценки риска к моделированию лечения» и современной литературе.
Эта статья была полезна?
Ваш отзыв помогает нам улучшать материалы.
Комментарии читателей
Оставьте комментарий
Ваше имя и комментарий публикуются только после одобрения администратором. Ваш адрес электронной почты никогда не показывается посетителям.
Будьте первым, кто оставит комментарий.