Кондратьев Евгений Валерьевич – канд. мед. наук, заведующий отделением рентгенологии ФГБУ “НМИЦ хирургии им. А.В. Вишневского” Минздрава России, Москва
Evgeny V. Kondratyev – Cand. of Sсi. (Med.), Heаd of the Diagnostic Rаdiology Depаrtment, A.V. Vishnevsky National Medical Research Center of Surgery, Moscow
Мазурок Алина Вадимовна – врач-ординатор отделения рентгенологии и магнитно-резонансных исследований ФГБУ “НМИЦ хирургии им. А.В. Вишневского” Минздрава России, Москва
Alina V. Mazurok – Resident Physician of radiology department, A.V. Vishnevsky National Medical Research Center of Surgery, Moscow
Усталов Андрей Александрович – младший научный сотрудник отделения рентгенологии и магнитно-резонансных исследований ФГБУ “НМИЦ хирургии им. А.В. Вишневского” Минздрава России, Москваhttp://orcid.org/
Andrey A. Ustalov – the junior research of radiology department, A.V. Vishnevsky National Medical Research Center of Surgery, Moscowhttp://orcid.org/
Шмелева София Антоновна – врач-ординатор отделения рентгенологии и магнитно-резонансных исследований ФГБУ “НМИЦ хирургии им. А.В. Вишневского” Минздрава России, Москваhttp://orcid.org/
Sofia A. Shmeleva – Resident Physician of radiology department, A.V. Vishnevsky National Medical Research Center of Surgery, Moscowhttp://orcid.org/
Стручков Владимир Юрьевич – канд. мед. наук, младший научный сотрудник отделения абдоминальной хирургии ФГБУ “НМИЦ хирургии им. А.В. Вишневского” Минздрава России, Москва
Vladimir Yu. Struchkov – Cand. of Sci. (Med.), Junior Researcher, Department of Abdominal Surgery, A.V. Vishnevsky National Medical Research Center of Surgery, Moscow
Марков Павел Викторович – доктор мед. наук, заведующий отделением абдоминальной хирургии ФГБУ “НМИЦ хирургии им. А.В. Вишневского” Минздрава России, Москва
Pavel V. Markov – Doct. of Sci. (Med.), Head of the Department of Abdominal Surgery, A.V. Vishnevsky National Medical Research Center of Surgery, Moscow
Синицын Валентин Евгеньевич – доктор мед. наук, профессор, заведующий кафедрой лучевой диагностики и терапии факультета фундаментальной медицины ФГБОУ ВО “Московский государственный университет имени М.В. Ломоносова”, Москва
Valentin E. Sinitsyn – Doct. of Sci. (Med.), Professor, Head of the Department of Radiology and Radiodiagnostics, Faculty of Fundamental Medicine, Lomonosov Moscow State University, Moscow
Несмотря на снижение летальности при панкреатодуоденальных резекциях (ПДР), частота послеоперационных осложнений остается высокой (20–60%). Одним из наиболее грозных осложнений является послеоперационная панкреатическая фистула. Прогнозирование рисков развития осложненного послеоперационного периода остается актуальной проблемой. Одним из ключевых факторов риска признана структура поджелудочной железы, при этом современные подходы в предсказании возникновения клинически значимого панкреатического свища интегрируют не только морфологические, но и радиомические параметры КТ-изображений с использованием методов искусственного интеллекта.
Цель исследования: оценка возможностей машинного обучения в радиомике для прогнозирования клинически значимых панкреатических фистул после ПДР и разработка системы поддержки врачебных решений на базе платформы “Виртуальная биопсия”.
Материал и методы. Ретроспективно проанализированы данные 117 пациентов, перенесших ПДР (2016–2019 гг.) в НМИЦ хирургии им. А.В. Вишневского. Методами машинного обучения исследованы текстурные показатели предоперационных компьютерных томограмм.
Результаты. У 31 (26,5%) пациента зафиксированы клинически значимые панкреатические фистулы. Возрастных различий между группами с осложнениями и без них не выявлено (p < 0,022). У 11 (9,4%) пациентов диагностирован клинически значимый свищ, у 20 (17,1%) – его сочетание с аррозивным кровотечением. Пик фистул отмечен на 4–6-е сутки, кровотечений – на 8–14-е сутки. Радиомическая модель AdaBoost показала наивысшую эффективность (ROC AUC = 0,815), превзойдя альтернативные подходы: Gradient Boosting (0,631), XGBoost (0,677), LightGBM (0,631) и Stacking (0,662). Интеграция морфологических признаков не улучшила прогностическую способность, вероятно, из-за зашумления данных. Модели на основе семантических параметров (макс. ROC AUC = 0,653) подтвердили ограниченную клиническую применимость.
Заключение. Методы машинного обучения эффективны в прогнозировании клинически значимых панкреатических фистул после панкреатодуоденальных резекций. Данные радиомического анализа позволяют расширить диагностические возможности методики КТ, показывая превосходство в метриках точности моделей над классическими семантическими в отдельности.
Despite the reduction in mortality after pancreatoduodenal resections, the incidence of postoperative complications remains high (20–60%). One of the most severe complications is postoperative pancreatic fistula. Predicting the risks of a complicated postoperative period remains an urgent problem. One of the key risk factors is the pancreatic structure, and modern approaches to predicting clinically relevant pancreatic fistula integrate not only morphological but also radiomic parameters of CT images using artificial intelligence methods.
Aim. To evaluate the potential of machine learning in radiomics for predicting clinically relevant pancreatic fistulas after pancreatoduodenal resection and to develop a clinical decision support system based on the “Virtual Biopsy” platform.
Methods. Retrospective analysis of data from 117 patients who underwent pancreatoduodenal resection (2016–2019) at the A.V. Vishnevsky National Medical Research Center of Surgery. Machine learning methods were applied to assess textural features of preoperative CT scans.
Results. Сlinically relevant pancreatic fistulas were recorded in 31 patients (26.5%). Clinically significant fistula alone was diagnosed in 11 patients (9.4%), while its combination with arrosive bleeding was observed in 20 patients (17.1%). The peak incidence of fistulas occurred on days 4–6, and of bleeding on days 8–14. The radiomic AdaBoost model demonstrated the highest efficacy (ROC AUC = 0.815), outperforming alternative approaches: Gradient Boosting (0.631), XGBoost (0.677), LightGBM (0.631), and Stacking (0.662). Integration of morphological features did not improve predictive capability, likely due to data noise. Models based on semantic parameters (max. ROC AUC = 0.653) confirmed limited clinical applicability.
Conclusion. Machine learning methods are effective in predicting clinically relevant pancreatic fistulas after pancreatoduodenal resections. Radiomic analysis extends the diagnostic potential of CT, demonstrating superior model accuracy metrics compared to classical semantic features alone.
The authors declare that there are no conflicts of interest present.