Модель прогнозирования риска злокачественных поражений головы и шеи на основе машинного обучения (ML-HNC-Risk)

Здоровье голоса стало важной проблемой общественного здравоохранения. Фонация зависит от точной нейромышечной и дыхательной координации — физиологического процесса, который часто нарушается из-за системного старения, множественной патологии и нейромышечной дегенерации. Это сложное патофизиологическое взаимодействие чрезвычайно затрудняет клиническое различение ранних стадий злокачественных опухолей гортани от распространенных доброкачественных нарушений голоса (например, кист голосовых складок, гранулем голосового отростка и отека Рейнке). Поскольку оба состояния обычно проявляются неспецифической охриплостью или ощущением кома в горле, трудности раннего скрининга и точной дифференциальной диагностики значительно возрастают.

В настоящее время диагностика нарушений голоса в значительной степени зависит от ларингоскопии. Однако из-за неравномерного распределения медицинских ресурсов в учреждениях первичной и общественной медико-санитарной помощи, как правило, отсутствуют эффективные инструменты скрининга злокачественных опухолей гортани на первичных консультациях, что часто приводит к задержкам в направлении пациентов из группы высокого риска. Кроме того, существует значительный разрыв в экспертизе интерпретации эндоскопических данных между различными уровнями системы здравоохранения. Визуальные признаки некоторых предраковых поражений (таких как диспластическая лейкоплакия) и ранних стадий злокачественных опухолей значительно перекрываются, что приводит к высокому риску пропущенных диагнозов или ненужных биопсий доброкачественных поражений. Поэтому систематическое включение многомерных показателей, включая демографические данные (например, возраст), историю курения и употребления алкоголя, а также клиническую симптоматику, в оценку риска имеет решающее значение для раннего выявления злокачественных опухолей и оптимального распределения ресурсов здравоохранения.

В последние годы искусственный интеллект (ИИ) на основе глубокого обучения продемонстрировал огромный потенциал в извлечении признаков из медицинских изображений, способный улавливать тонкие морфологические текстуры, неразличимые для человеческого глаза. Однако онкогенез и прогрессирование злокачественных опухолей гортани обусловлены совокупностью многомерных факторов. При столкновении со сложными реальными клиническими сценариями унимодальные модели анализа изображений часто страдают от снижения обобщаемости и повышенного уровня ложноположительных результатов из-за отсутствия контекста демографических, симптоматических и поведенческих факторов воздействия на пациента. Принятие клинических решений в реальных условиях — это не изолированная задача интерпретации изображений; скорее, оно требует систематической интеграции визуальных признаков с многомерными клиническими метаданными. Поэтому разработка интеллектуальной диагностической системы, способной объединять мультимодальные данные, необходима для преодоления прикладных ограничений современных унимодальных инструментов ИИ для анализа изображений.

Для решения этих клинических проблем и технических ограничений в данном исследовании использовалась национальная многоцентровая когорта, включающая около 11 000 пациентов с нарушениями голоса, для разработки и валидации двухэтапной мультимодальной системы ИИ для стратификации риска и диагностики. На первом этапе, путем интеграции демографических характеристик, поведенческих факторов воздействия и клинической симптоматики, исследователи разработали неинвазивную, недорогую Клиническую Скрининговую Модель. Этот инструмент предназначен для предоставления учреждениям первичной медико-санитарной помощи и пациентам немедленной, эффективной системы раннего предупреждения о злокачественных опухолях. На втором этапе, основываясь на этой первоначальной стратификации риска, исследователи применили алгоритмы глубокого обучения для извлечения микроскопических визуальных признаков из эндоскопических изображений, завершив созданием Мультимодальной Диагностической Модели. Эта модель обеспечивает точную многоклассовую классификацию среди злокачественных опухолей гортани, распространенных доброкачественных поражений голосовых складок и нормальной анатомии гортани. Кроме того, исследователи развернули облачное веб-приложение для облегчения оценки риска в реальном времени.

В конечном счете, предоставляя этот клинический диагностический помощник на основе ИИ, данное исследование направлено на оптимизацию иерархических путей скрининга и диагностики нарушений голоса, тем самым расширяя возможности врачей общей практики и оториноларингологов первичного звена для повышения качества принятия клинических решений и точности диагностики.