Оценка возможностей машинного обучения в радиомике для прогнозирования риска развития клинически значимых панкреатических фистул после панкреатодуоденальных резекций на КТ-изображениях

Несмотря на снижение летальности при панкреатодуоденальных резекциях, 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 панкреатодуоденальной резекции (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.

1. Патютко Ю.И., Котельников А.Г., Поляков А.Н., Подлужный Д.В. Эволюция хирургии рака головки поджелудочной железы и периампулярной зоны. Анналы хирургической гепатологии. 2019; 24 (3): 45–53. http://doi.org/10.16931/1995-5464.2019345-53

2. Angileri S.A., Gorga G., Tortora S. et al. Biliary injuries after pancreatic surgery: interventional radiology management. Gland Surg. 2019; 8 (2): 141–149. http://doi.org/10.21037/gs.2019.01.05

3. Kapoor V.K. Complications of pancreatoduodenectomy. Rozhl. Chir. 2016; 95 (2): 53–59.

4. Tonolini M., Ierardi A.M., Carrafiello G. Elucidating early CT after pancreatico-duodenectomy: a primer for radiologists. Insights Imaging. 2018; 9 (4): 425–436. http://doi.org/10.1007/s13244-018-0616-3

5. Chincarini M., Zamboni G.A., Pozzi Mucelli R. Major pancreatic resections: normal postoperative findings and complications. Insights. Imaging. 2018; 9 (2): 173–187. http://doi.org/10.1007/s13244-018-0595-4

6. Кабанов М.Ю., Семенцов К.В., Яковлева Д.М., Алексеев В.В. Состояние проблемы развития панкреатической фистулы у пациентов, перенесших панкреатодуоденальную резекцию. Вестник Национального медико-хирургического центра им. Н.И. Пирогова. 2017; 12 (2): 112–116. http://doi.org/10.25881/BPNMSC.2017.12.2.112.116

7. Райн В.Ю. Билиарная фистула после панкреатодуоденальной резекции. Новости хирургии. 2022; 30 (1): 95–101. http://doi.org/10.16931/1995-5464.2022-30-1-95-101

8. Lowy A.M., Lee J.E., Pisters P.W. et al. Prospective, randomized trial of octreotide to prevent pancreatic fistula after pancreaticoduodenectomy for malignant disease. Ann. Surg. 1997; 226 (5): 632–641. http://doi.org/10.1097/00000658-199711000-00008

9. Braga M., Capretti G., Pecorelli N. et al. A prognostic score to predict major complications after pancreaticoduodenectomy. Ann. Surg. 2011; 254 (5): 702–707. http://doi.org/10.1097/SLA.0b013e31823598fb

10. Bassi C., Marchegiani G., Dervenis C. et al. The 2016 update of the International Study Group (ISGPS) definition and grading of postoperative pancreatic fistula: 11 years after. Surgery. 2017; 161 (3): 584–591. http://doi.org/10.1016/j.surg.2016.11.014

11. Fu S.J., Shen S.L., Li S.Q. et al. Risk factors and outcomes of postoperative pancreatic fistula after pancreatico-duodenectomy: an audit of 532 consecutive cases. BMC Surg. 2015; 15: 117. http://doi.org/10.1186/s12893-015-0011-7

12. Hallet J., Zih F.S., Deobald R.G. et al. The impact of pancreaticojejunostomy versus pancreaticogastrostomy reconstruction on pancreatic fistula after pancreaticoduodenectomy: meta-analysis of randomized controlled trials. HPB. 2015; 17 (2): 113–120. http://doi.org/10.1111/hpb.12299

13. Casadei R., Ricci C., Taffurelli G. et al. Are there preoperative factors related to a “soft pancreas” and are they predictive of pancreatic fistulas after pancreatic resection? Surg. Today. 2015; 45 (6): 708–714. http://doi.org/10.1007/s00595-014-1045-7

14. Гальчина Ю.С., Кондратьев Е.В., Кармазановский Г.Г. и др. КТ-предикторы послеоперационных специфических осложнений при резекциях поджелудочной железы. Российский электронный журнал лучевой диагностики. 2020; 10 (2): 102–115. http://doi.org/10.21569/2222-7415-2020-10-2-102-115

15. Гальчина Ю.С., Кармазановский Г.Г., Кондратьев Е.В., Горин Д.С., Галкин Г.В., Кригер А.Г. Возможность компьютерной томографии с контрастным усилением в оценке объема культи поджелудочной железы при панкреатодуоденальной резекции. Хирургия. Журнал им. Н.И. Пирогова. 2020; 6: 31–37. http://doi.org/10.17116/hirurgia202006131

16. Гальчина Ю.С., Кармазановский Г.Г., Калинин Д.В., Кондратьев Е.В., Горин Д.С., Галкин Г.В., Кригер А.Г. Критерии диагностики “мягкой” поджелудочной железы и их влияние на возникновение панкреатического свища после панкреатодуоденальной резекции. Анналы хирургической гепатологии. 2020; 25 (2): 113–123. http://doi.org/10.16931/1995-5464.20202113-123

17. Lee S.E., Jang J.Y., Lim C.S. et al. Measurement of pancreatic fat by magnetic resonance imaging: predicting the occurrence of pancreatic fistula after pancreatoduodenectomy. Ann. Surg. 2010; 251 (5): 932–936. http://doi.org/10.1097/SLA.0b013e3181d65483

18. Watanabe H., Kanematsu M., Tanaka K. et al. Fibrosis and postoperative fistula of the pancreas: correlation with MR imaging findings-preliminary results. Radiology. 2014; 270 (3): 791–799. http://doi.org/10.1148/radiol.13131194

19. Räty S., Sand J., Lantto E. et al. Postoperative acute pancreatitis as a major determinant of postoperative delayed gastric emptying after pancreaticoduodenectomy. J. Gastrointest. Surg. 2006; 10 (8): 1131–1139. http://doi.org/10.1016/j.gassur.2006.05.012

20. El Nakeeb A., Hamdy E., Sultan A.M. et al. Isolated Roux loop pancreaticojejunostomy versus pancreaticogastrostomy after pancreaticoduodenectomy: a prospective randomized study. HPB (Oxford). 2014; 16 (8): 713–722. http://doi.org/10.1111/hpb.12210

21. Deng Y., Zhao B., Yang M. et al. Association between the incidence of pancreatic fistula after pancreaticoduodenectomy and the degree of pancreatic fibrosis. J. Gastrointest. Surg. 2018; 22 (3): 438–443. http://doi.org/10.1007/s11605-017-3660-2

22. Kim S.Y., Kim H., Cho J.Y. et al. Quantitative assessment of pancreatic fat by using unenhanced CT: pathologic correlation and clinical implications. Radiology. 2014; 271 (1): 104–112. http://doi.org/10.1148/radiol.13122883

23. Roberts K.J., Storey R., Hodson J. et al. Pre-operative prediction of pancreatic fistula: is it possible? Pancreatology. 2013; 13 (4): 423–428. http://doi.org/10.1016/j.pan.2013.04.322

24. Hashimoto Y., Sclabas G.M., Takahashi N. et al. Dual-phase computed tomography for assessment of pancreatic fibrosis and anastomotic failure risk following pancreatoduodenectomy. J. Gastrointest. Surg. 2011; 15 (12): 2193–2204. http://doi.org/10.1007/s11605-011-1687-3

25. Кондратьев Е.В., Шмелева С.А., Усталов А.А., Гурина В.И., Кармазановский Г.Г. Теоретические основы текстурного анализа КТ-изображений образований органов брюшной полости: обзор. Лучевая диагностика и терапия. 2025; 1: 33–46. http://doi.org/10.22328/2079-5343-2025-16-1-33-46

26. Васильев Ю.А., Владзимирский А.В., Омелянская О.В., Решетников Р.В., Блохин И.А., Коденко М.Р., Нанова О.Г. Обзор метаанализов о применении искусственного интеллекта в лучевой диагностике. Медицинская визуализация. 2024; 28 (3): 22–41. http://doi.org/10.24835/1607-0763-1425

27. Гележе П.Б., Блохин И.А., Семенов С.С., Caruso D. Радиомика магнитно-резонансной томографии при раке предстательной железы: что известно в настоящее время? Digital Diagnostics. 2021; 2 (4): 441–452. http://doi.org/10.17816/DD70170

28. Гележе П.Б., Блохин И.А., Семенов С.С. Радиомика для диагностики и лечения рака предстательной железы. Медицинская физика. 2022; 1: 21.

29. Kambakamba P., Mannil M., Herrera P.E. et al. The potential of machine learning to predict postoperative pancreatic fistula based on preoperative, non-contrast-enhanced CT: a proof-of-principle study. Surgery. 2020; 167 (2): 448–454. http://doi.org/10.1016/j.surg.2019.09.019

30. Lin Z., Tang B., Cai J. et al. Preoperative prediction of clinically relevant postoperative pancreatic fistula after pancreaticoduodenectomy. Eur. J. Radiol. 2021; 139: 109693. http://doi.org/10.1016/j.ejrad.2021.109693

31. Суворов В.А., Панин С.И., Коваленко Н.В. и др. Прогнозирование панкреатической фистулы после панкреатодуоденальной резекции с использованием машинного обучения. Сибирский онкологический журнал. 2023; 22 (6): 25–34. http://doi.org/10.21294/1814-4861-2023-22-6-25-34

32. Van Griethuysen J.J.M., Fedorov A., Parmar C. et al. Computational radiomics system to decode the radiographic phenotype. Cancer Res. 2017; 77 (21): e104–e107. http://doi.org/10.1158/0008-5472.CAN-17-0339

33. Fedorov A., Beichel R., Kalpathy-Cramer J. et al. 3D Slicer as an image computing platform for the quantitative imaging network. Magn. Reson. Imaging. 2012; 30 (9): 1323–1341. http://doi.org/10.1016/j.mri.2012.05.001

34. Perri G., Marchegiani G., Partelli S. et al. Preoperative risk stratification of postoperative pancreatic fistula: a risk-tree predictive model for pancreatoduodenectomy. Surgery. 2021; 170 (6): 1596–1601. http://doi.org/10.1016/j.surg.2021.06.046

35. Shi Y., Gao F., Qi Y. et al. Computed tomography-adjusted fistula risk score for predicting clinically relevant postoperative pancreatic fistula after pancreatoduodenectomy: training and external validation of model upgrade. EBioMedicine. 2020; 62: 103096. http://doi.org/10.1016/j.ebiom.2020.103096