Искусственный интеллект для прогнозирования ответа на БЦЖ при немышечно-инвазивном раке мочевого пузыря: систематический обзор

Систематический обзор был посвящен изучению моделей искусственного интеллекта (ИИ) и машинного обучения (МО) для прогнозирования ответа на лечение и клинических исходов после внутрипузырной терапии БЦЖ у пациентов с немышечно-инвазивным раком мочевого пузыря (НМИРМП), где существующие калькуляторы риска недостаточно эффективны, а необходимость выявления не отвечающих на БЦЖ пациентов становится все более актуальной с появлением альтернативных методов. В анализ было включено 15 исследований с участием более 24 900 пациентов, разделённых на перцептивные (например, анализ изображений) и интегративные (комбинирование различных данных) модели. Перцептивный ИИ, в частности платформа CHAI для цифровой патологии, показала наивысшую внешнюю валидацию, эффективно стратифицируя рецидивы высокой степени злокачественности, прогрессирование заболевания и БЦЖ-резистентность, а также предоставила первый сигнал прогностической ценности, демонстрируя значимое взаимодействие между БЦЖ и гемцитабином/доцетакселом. Интегративные модели, такие как PROGRxN-BCa и DeepSurv, превзошли стандартные калькуляторы, но с умеренным приростом в точности прогнозирования.

Несмотря на многообещающие результаты, в обзоре подчеркиваются существенные ограничения. Только 40% включенных исследований провели внешнюю валидацию, и ни одно из них не было валидировано проспективно, что является критически важным шагом для внедрения в клиническую практику. Более того, пять исследований были оценены как имеющие высокий риск систематической ошибки. Хотя интегративные модели показали улучшение по сравнению со стандартными калькуляторами, их прирост в точности был скромным. Отсутствие систематической отчетности о калибровке моделей и анализа взаимодействия между лечением и биомаркерами также является существенным пробелом, затрудняющим полную оценку их потенциала и надежности.

В конечном итоге, перцептивный ИИ, в частности цифровые патологические платформы, обладают наибольшим потенциалом благодаря надежной внешней валидации и способности предоставлять прогностическую информацию о сравнении эффективности БЦЖ с альтернативными методами, что становится особенно актуальным в условиях глобальной нехватки БЦЖ. Интегративные модели, такие как PROGRxN-BCa и DeepSurv, предлагают инкрементные улучшения и доступны для использования. Однако перед широким клиническим внедрением приоритетными остаются проспективная валидация, систематическая отчетность о калибровке и проведение анализов взаимодействия «лечение-биомаркер», в идеале интегрированные в контролируемые клинические исследования, такие как BRIDGE.