Омиксный анализ с использованием глубокого обучения в дифференциальной диагностике новообразований яичников
Юрова М.В., Токарева А.О., Чаговец В.В., Стародубцева Н.Л., Франкевич В.Е.
Актуальность: Течение злокачественных эпителиальных опухолей яичников является высоко агрессивным; ограничения диагностических методов сопряжены с выявлением опухолей на III–IV стадиях, ассоциированных с высокой летальностью.
Цель: Сравнить эффективность методов машинного обучения (МО) для малоинвазивной диагностики ранней стадии рака яичников (РЯ) на основании использования масштабируемых, объективных данных о профиле липидных биомаркеров.
Материалы и методы: В одноцентровое обсервационное ретроспективное когортное клиническое исследование включено 239 пациенток: с ранней стадией РЯ высокой степени злокачественности (РЯ ВСЗ, high grade, n=10); с прочими опухолевыми/пролиферативными процессами (ОЯ, n=203, из них:
у 30 – цистаденома, у 59 – эндометриоидная киста, у 21 – тератома, у 28 – пограничная опухоль; 16 пациенток с РЯ низкой степени злокачественности (РЯ НСЗ, low grade), у 49 пациенток – III–IV стадии РЯ ВСЗ) и женщины группы контроля (n=26). Произведено: экстракция липидов, анализ методом высокоэффективной жидкостной хроматографии, объединенной с масс-спектрометрией с ионизацией электрораспылением, и предобработка данных. Для интерпретации прогнозов, предложенных в процессе построения сложных моделей, использован метод SHAP. Для многоклассовой классификации протестировано 7 методов МО, включая следующие: наивная байесовская классификация, дискриминантный анализ PLS, «случайный лес», классификация внешнего градиентного усиления, многослойный перцептон и сверточная сеть. Для бинарной классификации дополнительно протестированы: классификации машины опорных векторов и экстремального градиентного усиления (Xgboos).
Результаты: При РЯ ВСЗ I–II стадий характерно снижение PC O-18:1/18:0, PE P-18:0/18:2, LPC O-16:0, PC 18:0_18:2, OxTG 16:0_18:1_16:1(CHO), OxPC 18:2_16:1(COOH), OxPC 20:4_14:0(COOH) и повышение PC 16:0_18:0, PC P-18:1/20:4, PC 18:1_18:2, PC 16:0_18:0, PC 18:2_18:2 (по сравнению с группой контроля), а также снижение Cer-NS d18:1/22:0, PC P-16:0/18:1, PC P-18:1/20:4, PC P-18:0/18:1, окисленных липидов, карбоокси- и карбогидрокси- дериватизированных и повышение PC P-18:0/18:2, PC P-20:0/20:4 (по сравнению с пациентами с ОЯ). Наилучшую дифференцирующую способность группы контроля и группы с ОЯ продемонстрировали модели на основе OPLS, «случайного леса» и машины опорных векторов с радиальным ядром (90%).
Заключение: Использование углубленных методов МО позволяет максимизировать диагностический потенциал омиксных данных и имеет прикладное значение в сфере онкологической гинекологии.
Вклад авторов: Юрова М.В. – концептуализация, сбор материала, получение финансирования, администрирование проекта, проверка, поиск ресурсов, надзор, написание – обзор литературы, исходный черновик и редактирование; Токарева А.О. – курирование данных, методология, программное обеспечение, поиск ресурсов, написание – редактирование; Чаговец В.В. – формальный анализ, методология, программное обеспечение; Стародубцева Н.Л. – методология, формальный анализ, концептуализация, надзор, написание – редактирование; Франкевич В.Е. – формальный анализ, надзор, написание – обзор и редактирование.
Конфликт интересов: Авторы заявляют, что исследование проводилось при отсутствии каких-либо коммерческих или финансовых отношений, которые могли бы быть истолкованы как потенциальный конфликт интересов.
Финансирование: Исследование выполнено в рамках Гранта РНФ по соглашению от 29.12.2023 № 24-25-00407 по теме «Новые подходы применения возможностей искусственного интеллекта к дифференциальной диагностике доброкачественных опухолей и злокачественных новообразований яичников на основании особенностей метаболома крови, определенных при помощи физических методов».
Одобрение этического комитета: Исследование одобрено комиссией по этике биомедицинских исследований ФГБУ «НМИЦ АГП им. В.И. Кулакова» Минздрава России (протокол № 10 от 05 декабря 2019 г.). Исследование было инициировано после получения одобрения указанных комитетов и выполнено в соответствии с ФЗ РФ от 27.07.2006 года № 152-ФЗ (с изменениями на 29.07.2017 года) «О персональных данных», с Федеральным Законом РФ от 21.11.2011 года № 323-ФЗ «Об основах охраны здоровья граждан в РФ» (статья 13 «Соблюдение врачебной тайны»), положениями Хельсинкской декларации со всеми последующими дополнениями и изменениями, регламентирующими научные исследования на биоматериалах, полученных от людей, а также международным руководством для биомедицинских исследований с вовлечением человека (International ethical guidelines for biomedical research involving human subjects) Совета международных организаций медицинских наук (CIOMS).
Согласие пациентов на публикацию. Пациент(ы) подписал(и) информированное согласие на публикацию своих данных.
Обмен исследовательскими данными. Данные, подтверждающие выводы этого исследования, доступны по запросу у автора, ответственного за переписку, после одобрения ведущим исследователем.
Для цитирования: Юрова М.В., Токарева А.О., Чаговец В.В., Стародубцева Н.Л., Франкевич В.Е. Омиксный анализ с использованием глубокого обучения в дифференциальной диагностике новообразований яичников.
Акушерство и гинекология. 2025; 10: 117-127
https://dx.doi.org/10.18565/aig.2025.222
Ключевые слова
искусственный интеллект
липидом
машинное обучение
метаболом
новообразования яичников
рак яичников
Список литературы
- Feng Y., Yang W., Zhu J., Wang S., Wu N., Zhao H. et al. Clinical utility of various liquid biopsy samples for the early detection of ovarian cancer: a comprehensive review. Front. Oncol. 2025; 15: 1594100. https://dx.doi.org/10.3389/fonc.2025.1594100
- Cancer Research UK. Health inequalities: breaking down barriers to cancer screening. Available at: https://news.cancerresearchuk.org/2022/09/23/health-inequalities-breaking-down-barriers-to-cancer-screening/ (accessed on August 13, 2025)
- Mikami M., Tanabe K., Imanishi T., Ikeda M., Hirasawa T., Yasaka M. et al. Comprehensive serum glycopeptide spectra analysis to identify early-stage epithelial ovarian cancer. Sci. Rep. 2024; 14(1): 20000. https://dx.doi.org/10.1038/s41598-024-70228-6
- Юрова М.В., Токарева А.О., Чаговец В.В., Стародубцева Н.Л., Франкевич В.Е. Дифференциальная диагностика злокачественных новообразований яичников на ранней стадии на основании биоинформационного исследования метаболома крови. Акушерство и гинекология. 2024; 12: 118-26.
- Tokareva A., Iurova M., Starodubtseva N., Chagovets V., Novoselova A., Kukaev E. et al. Machine learning framework for ovarian cancer diagnostics using plasma lipidomics and metabolomics. Int. J. Mol. Sci. 2025; 26(14): 6630. https://dx.doi.org/10.3390/ijms26146630
- Iurova M.V., Chagovets V.V., Pavlovich S.V., Starodubtseva N.L., Khabas G.N., Chingin K.S. et al. Lipid alterations in early-stage high-grade serous ovarian cancer. Front. Mol. Biosci. 2022; 9: 770983. https://dx.doi.org/10.3389/fmolb.2022.770983
- Prat J.; FIGO Committee on Gynecologic Oncology. Staging classification for cancer of the ovary, fallopian tube, and peritoneum. Int. J. Gynaecol. Obstet. 2014; 124(1): 1-5. https://dx.doi.org/10.1016/j.ijgo.2013.10.001
- Liang D., Yi B., Cao W., Zheng Q. Exploring ensemble oversampling method for imbalanced keyword extraction learning in policy text based on three-way decisions and SMOTE. Expert Systems with Applications. 2022; 188(1): 116051. https://dx.doi.org/10.1016/j.eswa.2021.116051
- Lundberg S.M., Erion G., Chen H., DeGrave A., Prutkin J.M., Nair B. et al. From local explanations to global understanding with explainable AI for trees. Nat. Mach. Intell. 2020; 2(1): 56-67. https://dx.doi.org/10.1038/s42256-019-0138-9
- Юрова М.В., Франкевич В.Е., Павлович С.В., Чаговец В.В., Стародубцева Н.Л., Хабас Г.Н., Ашрафян Л.А., Сухих Г.Т. Диагностика серозного рака яичников высокой степени злокачественности Iа–Iс стадии по липидному профилю сыворотки крови. Гинекология. 2021; 23(4): 335-40.
- Sharma A., Vans E., Shigemizu D., Boroevich K.A., Tsunoda T. DeepInsight: a methodology to transform a non-image data to an image for convolution neural network architecture. Sci. Rep. 2019; 9(1): 11399. https://dx.doi.org/10.1038/s41598-019-47765-6
- Fan L., Yin M., Ke C., Ge T., Zhang G., Zhang W. et al. Use of plasma metabolomics to identify diagnostic biomarkers for early stage epithelial ovarian cancer. J. Cancer. 2016; 7(10): 1265-72. https://dx.doi.org/10.7150/jca.15074
- Li J., Wang Z., Liu W., Tan L., Yu Y., Liu D. et al. Identification of metabolic biomarkers for diagnosis of epithelial ovarian cancer using internal extraction electrospray ionization mass spectrometry (iEESI-MS). Cancer Biomark. 2023; 37(2): 67-84. https://dx.doi.org/10.3233/CBM-220250
- Garcia E., Andrews C., Hua J., Kim H.L., Sukumaran D.K., Szyperski T. et al. Diagnosis of early stage ovarian cancer by 1H NMR metabonomics of serum explored by use of a microflow NMR probe. J. Proteome Res. 2011; 10(4):1765-71. https://dx.doi.org/10.1021/pr101050d
- Ke C., Hou Y., Zhang H., Fan L., Ge T., Guo B. et al. Large-scale profiling of metabolic dysregulation in ovarian cancer. Int. J. Cancer. 2015; 136(3): 516-26. https://dx.doi.org/10.1002/ijc.29010
- Chistyakov D.V., Guryleva M.V., Stepanova E.S., Makarenkova L.M., Ptitsyna E.V., Goriainov S.V. et al. Multi-omics approach points to the importance of oxylipins metabolism in early-stage breast cancer. Cancers. 2022; 14(8): 2041. https://dx.doi.org/10.3390/cancers14082041
- Gaul D.A., Mezencev R., Long T.Q., Jones C.M., Benigno B.B., Gray A. et al. Highly-accurate metabolomic detection of early-stage ovarian cancer. Sci. Rep. 2015; 5: 16351. https://dx.doi.org/10.1038/srep16351
- Ban D., Housley S.N., Matyunina L.V., McDonald L.D., Bae-Jump V.L., Benigno B.B. et al. A personalized probabilistic approach to ovarian cancer diagnostics. Gynecol. Oncol. 2024; 182: 168-75. https://dx.doi.org/10.1016/j.ygyno.2023.12.030
- Gaillard D.H.K., Lof P., Sistermans E.A., Mokveld T., Horlings H.M., Mom C.H. et al. Evaluating the effectiveness of pre-operative diagnosis of ovarian cancer using minimally invasive liquid biopsies by combining serum human epididymis protein 4 and cell-free DNA in patients with an ovarian mass. Int. J. Gynecol. Cancer. 2024; 34(5): 713-21. https://dx.doi.org/10.1136/ijgc-2023-005073
Поступила 19.08.2025
Принята в печать 23.10.2025
Об авторах / Для корреспонденции
Юрова Мария Владимировна, к.м.н., врач акушер-гинеколог, онколог, с.н.с. научно-поликлинического отделения, НМИЦ АГП им. академика В.И. КулаковаМинздрава России, 117997, Россия, Москва, ул. Академика Опарина, д. 4, hi5melisa@gmail.com, https://orcid.org/0000-0002-0179-7635
Токарева Алиса Олеговна, к.ф.-м.н., специалист лаборатории клинической протеомики, НМИЦ АГП им. академика В.И. Кулакова Минздрава России,
117997, Россия, Москва, ул. Академика Опарина, д. 4, +7(495)531-44-44 (доб. 3113), alisa.tokareva@phystech.edu, https://orcid.org/0000-0001-5918-9045
Чаговец Виталий Викторович, к.ф.-м.н., заведующий лабораторией метаболомики и биоинформатики, НМИЦ АГП им. академика В.И. Кулакова Минздрава России, 117997, Россия, Москва, ул. Академика Опарина, д. 4, +7(495)438-21-98, vvchagovets@gmail.com
Стародубцева Наталия Леонидовна, к.б.н., заведующая лабораторией клинической протеомики, НМИЦ АГП им. академика В.И. Кулакова Минздрава России,
117997, Россия, Москва, ул. Академика Опарина, д. 4, n_starodubtseva@oparina4.ru, https://orcid.org/0000-0001-6650-5915
Франкевич Владимир Евгеньевич, д.ф.-м.н., заместитель директора института трансляционной медицины, НМИЦ АГП им. академика В.И. Кулакова Минздрава России, 117997, Россия, Москва, ул. Академика Опарина, д. 4, v_vfrankevich@oparina4.ru
Автор, ответственный за переписку: Мария Владимировна Юрова, hi5melisa@gmail.com
Также по теме
