Введение. Рак паренхимы почки (РПП) сохраняет лидирующее положение в мире и в России по темпам роста впервые выявленных случаев среди злокачественных новообразований других органов мочевыделительной системы [1, 2]. Более 50% пациентов РПП верифицируются с локализованной формой развития заболевания [3].
Оперативное вмешательство в объеме органосохраняющей операции (ОСО) является основной опцией при определении хирургической тактики лечения пациентов со стадией сТ1-2 РПП [4–6].
Приоритетными хирургическими доступами в настоящее время для выполнения ОСО являются высокотехнологичные малоинвазивные лапароскопический и/или робот-ассистированный видеоэндоскопические доступы.
Основной целью проведения ОСО у пациентов с РПП является достижение приемлемых функциональных и онкологических результатов, которые в свою очередь напрямую зависят от периоперационных исходов (время операции, объем кровопотери, время тепловой ишемии, осложнения) хирургического вмешательства.
На все показатели результатов ОСО оказывает влияние множество факторов, связанных непосредственно с соматическим состоянием больного, нефрометрическими характеристиками опухоли, а также с уровнем хирургических навыков («кривая обучения») выполнения технически сложного оперативного вмешательства [7].
Возможность прогноза периоперационных результатов ОСО с учетом всех групп влияющих факторов позволит хирургам персонифицированно определять хирургическую тактику лечения пациентов РПП.
Для учета множества факторов требуется использование технологий искусственного интеллекта при помощи различных алгоритмов машинного обучения.
Современные возможности интеллектуального анализа при помощи алгоритмов машинного обучения позволяют учитывать множество входящих данных конкретного наблюдения с прогнозированием результатов операции.
Существующие подходы к построению систем поддержки принятия медицинских решений работают по принципу «черного ящика» [8].
Используемые алгоритмы машинного обучения не позволяют в каком-либо виде выполнять интерпретацию полученных прогнозных решений, что существенно влияет на коэффициент доверия специалистов к подобным системам. Объяснение и интерпретация принятых решений позволяют глубже разбираться в причинно-следственных связях и изменять подходы к оперативному вмешательству.
В связи с этим в мировой научной практике для интерпретации сложных процессов прогнозирования алгоритмами искусственного интеллекта используется концепция аддитивного объяснения Shapley Additive Explanation Values (SHAP) [9].
В доступной мировой литературе не удалось найти исследований, посвященных интерпретации полученных прогнозных значений или иных решений по созданию интеллектуальных систем прогноза ранних результатов ОСО из лапароскопического доступа в наблюдениях с новообразованиями паренхимы почки.
В связи с чем целью исследования стала оценка возможности интерпретации моделей машинного обучения для прогноза ранних результатов лапароскопических ОСО на почке в наблюдениях с новообразованиями паренхимы почки с учетом «кривой обучения» хирурга.
Материалы и методы. В исследование включены 320 пациентов с локализованными новообразованиями паренхимы почки с ОСО из трансабдоминального эндовидеохирургического доступа, выполненного в Институте урологии и репродуктивного здоровья человека Сеченовского Университета за период с января 2014 по июнь 2019 г.
В анализ не включались больные с единственной почкой, операциями в наблюдениях РПП аномалийных почек, при множественных новообразованиях почки, а также вмешательств из ретроперитонеоскопического доступа.
ОСО выполнены 4 хирургами с опытом выполнения не менее 40 ОСО из лапароскопического доступа с использованием инструментов и видеоэндоскопического оборудования компаний «Карл Шторц» и «Эскулап». Техника всех операций была стандартной. Основные демографические, клинические и периоперационные данные пациентов представлены в табл. 1.
Всем пациентам в предоперационном периоде кроме стандартных методов обследования выполнялось 3D-моделирование и виртуальное осуществление операций при помощи программы 3D-моделирования Amira компании VSG версии 5.4.5 (лицензия ASTND.44644) по ранее описанной методике [10].
Используя нефрометрические индексы (RENAL, PADUA и C-index), для каждого наблюдения сформирован новый признак, характеризующий сложность проводимой операции. Сложность пособия оценивается по шкале от 1 до 3, где 3 – самая высокая сложность. Для расчета признака сложности каждый индекс нефрометрии был разбит определенным образом на три части, которым была присвоена сложность (табл. 2).
На основе выделенной сложности оперативного вмешательства были рассчитаны новые признаки в нескольких разрезах: усредненные значения по хирургу-оператору; усредненные значения по хирургу-оператору в зависимости от сложности. Данные признаки считались для длительности операции, ВТИ и уровня СКФ24 ч после операции.
Примером нового признака является:
- Среднее время по сложности (по оператору) – посчитанная средняя длительность оперативного вмешательства для каждого хирурга-оператора в разрезе сложности выполняемой операции.
Дополнительно было посчитано значение «Угол наклона» и «Отклонение ошибки» (значение стандартной ошибки) на основе линии регрессии прогнозируемых периоперационных параметров. Новые рассчитанные показатели позволяют оценивать текущий уровень навыков хирурга-оператора, что может существенно влиять на качество прогнозирования периоперационных параметров, где оценка моделей выполнялась по шкале F-меры [11].
Прогнозные модели для выделенных целевых переменных (длительность операции, ВТИ и уровень СКФ24 ч) строились с использованием алгоритма экстремального градиентного бустинга (eXtreme Gradient Boosting). Ключевым недостатком таких моделей машинного обучения является отсутствие возможности интерпретации, когда модель прогнозирования выступает в роли «черного ящика» и невозможно понять, как именно тот или иной признак влияет на конечный результат. Однако в последнее время пользуется большой популярностью для выявления значимых факторов и интерпретации работы модели прогнозирования метод SHapley Additive exPlanations (SHAP) для расчета значения Шепли. Данный метод позволяет оценивать, как будет вести себя обученная модель с добавлением какого-то параметра и как будет вести себя без добавления этого параметра.
Результаты. Для каждой из целевых переменных (длительность операции, ВТИ и уровень СКФ24 ч) определены классы:
- Длительность операции – «≤120 мин» (1), «>120 мин» (2);
- Время тепловой ишемии – «≤15 мин» (1), «>15 мин» (2);
- Скорость клубочковой фильтрации через 24 ч – «≤45 мл/мин» (1), «>45 мл/мин» (2).
Построены соответствующие модели прогнозирования на основе алгоритма экстремального градиентного бустинга, а затем рассчитано значение Шепли с использованием метода SHAP, на основе которого построены графики важности используемых параметров (см. рис. 1–3), которые можно интерпретировать следующим образом:
- значения слева от центральной вертикальной линии — это класс с меткой (1), справа – класс с меткой (2);
- толщина линии прямо пропорциональна количеству точек наблюдения;
- чем краснее точки, тем большее значение имеет признак в этой точке.
Для целевой переменной «длительность оперативного вмешательства» был построен график (см. рис. 1) и посчитаны значения значимости независимых переменных:
- Ср. время по сложности (по оператору) – 1,49;
- Ср. время при вмешательстве (по оператору) – 1,33;
- Объем новообразования – 0,99;
- Локализация: верхний или нижний сегмент – 0,51;
- Ср. знач. СКФ через 24 ч по сложности (по оператору) – 0,38;
- Угол наклона – 0,36;
- СКФ до вмешательства – 0,29;
- Ср. знач. ишемии (по оператору) – 0,28;
- Ср. знач. СКФ через 24 ч (по оператору) – 0,26;
- 3D-моделирование – 0,25.
На графике (см. рис. 1) среди наиболее значимых параметров, где значение наибольшим образом влияет на прогноз, можно выделить наиболее значимые параметры и их значения Шепли, которые вносят наибольший вклад в прогнозирование целевого класса:
- ‘Ср. время по сложности (по оператору)’ – при увеличении значения возрастает вероятность класса «>120 мин»;
- ‘Ср. время при вмешательстве (по оператору)’ – при увеличении значения возрастает вероятность класса «>120 мин»;
- ‘Локализация: верхний или нижний сегмент’ – при наличии новообразования в верхнем сегменте почки возрастает вероятность класса «>120 мин»;
- ‘Ср. знач. СКФ через 24 ч по сложности (по оператору)’ – при увеличении значения возрастает вероятность класса «>120 мин»;
- ‘Ср. знач. ишемии (по оператору)’ – при увеличении значения возрастает вероятность класса «>120 мин».
Для целевой переменной «время тепловой ишемии» был построен график (см. рис. 2) и посчитаны значения значимости независимых переменных:
- Ср. знач. ишемии по сложности (по оператору) – 1,94;
- Объем новообразования – 1,06;
- C-index – 0,57;
- Ср. знач. ишемии (по оператору) – 0,41;
- Угол наклона – 0,39;
- Ср. знач. СКФ через 24 ч (по оператору) – 0,37;
- Отклонение ошибки – 0,35;
- СКФ до вмешательства – 0,31;
- Ср. знач. СКФ через 24 ч по сложности (по оператору) – 0,29;
- Индекс RENAL – 0,29.
На графике (рис. 2) среди наиболее значимых параметров, где значение наибольшим образом влияет на прогноз, можно выделить:
- ‘Ср. знач. ишемии по сложности (по оператору)’ – при увеличении значения возрастает вероятность класса «>15 мин»;
- ‘Объем новообразования’ – при уменьшении значения возрастает вероятность класса «≤15 мин»;
- ‘Ср. знач. ишемии (по оператору)’ – при увеличении значения возрастает вероятность класса «>15 мин»;
- ‘Угол наклона’ – при уменьшении значения возрастает вероятность класса «≤15 мин»;
- ‘Отклонение ошибки’ – при уменьшении значения возрастает вероятность класса «>15 мин»;
- ‘Ср. знач. СКФ через 24 ч по сложности (по оператору)’ – при увеличении значения возрастает вероятность класса «>15 мин»;
- ‘Индекс RENAL’ – при увеличении значения возрастает вероятность класса «>15 мин».
Для целевой переменной «скорость клубочковой фильтрации через 24 ч» был построен график (см. рис. 3) и посчитаны значения значимости независимых переменных:
- СКФ до вмешательства – 1,64;
- Угол наклона – 0,62;
- Кровопотеря по сложности (по оператору) – 0,51;
- Индекс RENAL – 0,51;
- Ср. время при вмешательстве (по оператору) – 0,35;
- Кровопотеря (по оператору) – 0,31;
- Ср. знач. СКФ через 24 ч по сложности (по оператору) – 0,29;
- C-index – 0,27;
- Объем новообразования – 0,25;
- Локализация: слева или справа – 0,23.
На графике (рис. 3) среди наиболее значимых параметров, где значение наибольшим образом влияет на прогноз, можно выделить:
- ‘СКФ до вмешательства’ – при уменьшении значения возрастает вероятность класса «≤45 мл/мин»;
- ‘Угол наклона’ – при увеличении значения возрастает вероятность класса «≤45 мл/мин»;
- ‘Кровопотеря по сложности (по оператору)’ – при уменьшении значения возрастает вероятность класса «≤45 мл/мин»;
- ‘Индекс RENAL’ – при увеличении значения возрастает вероятность класса «≤45 мл/мин»;
- ‘Ср. время при вмешательстве (по оператору)’ – при увеличении значения возрастает вероятность класса «≤45 мл/мин»;
- ‘Кровопотеря (по оператору)’ – при уменьшении значения возрастает вероятность класса «≤45 мл/мин»;
- ‘Ср. знач. СКФ через 24 ч по сложности (по оператору)’ – при уменьшении значения возрастает вероятность класса «≤45 мл/мин»;
- ‘C-index’ – при уменьшении значения возрастает вероятность класса «≤45 мл/мин»;
- ‘Объем новообразования’ – при уменьшении значения возрастает вероятность класса «≤45 мл/мин»;
- ‘Локализация: слева или справа’ – при наличии ново-образования в левой почке возрастает вероятность класса «≤ 45 мл/мин».
Обсуждение. В современном мире ОСО являются основным методом хирургического лечения пациентов с РПП [12]. Этот факт можно объяснить тем, что ОСО позволяют достигать лучших функциональных и онкологических результатов при низком уровне летальности по сравнению с органоуносящими пособиями [13].
Количество оперативных вмешательств, необходимых для достижения должного уровня оперативных навыков ОСО, различается в зависимости от вида хирургического доступа.
Концепция «кривая обучения» определяется количеством пособий, которые должен выполнять хирург, чтобы достичь точки, когда его навыки больше не влияют на результаты хирургической операции [10].
Из трех хирургических доступов ОСО самая длинная «кривая обучения» у лапароскопического доступа [15, 16].
В основу нашей работы легли результаты ранее проведенного нами исследования по оценке достижения показателя MIC (margin, ischemia, and complications) [17].
В работе по разработке прогностических моделей нами был использован алгоритм машинного обучения экстремального градиентного бустинга (eXtreme Gradient Boosting). Точность прогноза по метрике F-мера достигла удовлетворительного качества моделей для всех трех показателей: длительность операции – 0,77; ВТИ – 0,62; СКФ24 ч – 0,69.
Одной из задач этого исследования является предоставление визуальной интерпретации для каждого наблюдения с использованием графиков SHAP [18].
Графики решений SHAP позволяют демонстрировать, как каждый учитываемый фактор влиял на окончательную предикацию периоперационного результата. Двигаясь снизу-вверх, SHAP каждого элемента был добавлен к базовому значению модели XGBoost, показывая, как каждая функция интуитивно влияет на общий прогноз, включая положительные и отрицательные эффекты.
Применительно к нашей работе при оценке графика SHAP (см. рис. 1) на продолжительность ОСО>120 мин существенное влияние оказывали среднее время ОСО по сложности оператора; «кривая обучения» ОСО оператора; объем опухоли; локализация опухоли по отношению к поверхности почки (передняя, задняя). При этом наименьшее влияние на достижение времени ОСО>120 мин отмечено использование 3D-моделирования патологического процесса для всех пациентов в группе.
Минимальное влияние 3D-построений на продолжительность операции, вероятнее всего, связано с тем, что наблюдения без 3D-моделирования не вошли в выборку нашей работы.
Это еще раз подтверждает результаты ранее выполненного в нашей клинике исследования [10].
Продолжительность оперативного вмешательства – зависимая величина, на которую влияет не только «кривая обучения» хирурга в зависимости от сложности нефрометрии, но и факт слаженной работы всей операционной бригады. Выполнить учет вклада каждого из участников операции достаточно сложно. Проведение эндовидеохирургической ОСО – это взаимодействие между членами операционной команды за счет не только слаженной работы «рук», но и зависимости от визуализации операционных приемов на экране монитора. Зрительная координация – очень важный элемент лапароскопического доступа, и зачастую хирургу приходится останавливать оперативное вмешательство, чтобы корректировать визуальную перспективу, предоставляемую ассистентом [19].
Кроме вышеизложенного в нашем исследовании не учитывался факт присутствия «сложной паранефральной клетчатки». По мнению ряда научных работ, наличие «сложной паранефральной клетчатки» может оказывать влияние на продолжительность ОСО [20].
Анализируя график SHAP (см. рис. 2) при прогнозе ВТИ>15 мин, установлено сильное значение следующих факторов: среднее ВТИ по сложности оператора, объем опухоли, C-index, «кривая обучения» ОСО оператора. Однако индекс нефрометрии RENAL существенно не влиял на ВТИ.
При выборе порогового значения прогноза ВТИ в 15 мин в нашей работе мы исходили из средних значений в исследуемой выборке 13,28±7,82 мин. ВТИ при выполнении ОСО является значимым показателем с целью достижения приемлемых долгосрочных функциональных результатов [21].
Полученные нами данные прогноза полностью совпадают с многочисленными научными исследованиями последних лет [22, 23]. Так, в работе Hu и соавт. установлено, что C-index значительно коррелирует с ВТИ по сравнению с индексами нефрометрии RENAL и PADUA [24]. Однако в исследовании Veccia и соавт. при выполнении мета-анализа 50 работ установлено, что индексы RENAL и PADUA являются предикторами времени теплой ишемии (p=0,006 и p<0,001 соответственно). Несмотря на полученные результаты, авторы отмечают что нефрометрические индексы (C-index, RAIV – Renal And Ischemia Volume, CSA – Contact Surface Area) требуют математических расчетов, поэтому не находят широкого применения и тем самым отсутствует доказательная база их прогностической значимости [25]. Основной причиной сложности математических расчетов C-index, RAIV, CSA является использование 2D-данных мультиспиральной компьютерной томографии и/или магнитно-резонансной томографии. В предоставленной работе для определения C-index мы использовали 3D-построения и не отметили сложности в анализе искомых показателей оценки C-index.
При оценке графика SHAP (см. рис. 3) в прогнозе СКФ 24 ч>45 мл/мин установлено наибольшее влияние уровня СКФ до операции, объем кровопотери по сложности (по оператору), индекс RENAL.
Предикация уровня СКФ до операции, по нашему мнению, является ранним общедоступным косвенным показателем функциональных результатов ОСО. Хотя оптимальный прогноз функциональной состоятельности паренхимы почки после ОСО складывается из учета трех групп факторов: объем удаляемой паренхимы; количество деваскуляризированных нефронов; число не полностью восстановленных нефронов после ишемии почечной паренхимы [26]. Полная оценка вышеописанных составляющих в настоящее время невозможна.
Также необходимо отметить, что снижение СКФ24 ч≥ 33% может говорить об остром повреждении почки после ОСО, а продолжительность падения СКФ напрямую связана с долгосрочными функциональными результатами [27]. Тем самым предикация уровня СКФ24 ч позволяет оценивать функцию почки на этапе планирования ОСО персонифицированно с учетом «кривой обучения» хирурга и учитываемых данных пациента.
При анализе факторов, влияющих на уровень СКФ 24 ч> 45 мл/мин, на первом месте уставлен изначальный уровень СКФ, который многие исследователи называют «фактором качества» [28].
Следующим по значимости влияния на СКФ24 ч выявлен уровень кровопотери по сложности операции, сопряженный с «кривой обучения» хирурга. Наличие этого фактора объяснимо тем, что снижение объема крови напрямую влияет на работу нефронов здоровой почки и в большей степени почки, подвергшейся ОСО, по причине патофизиологических механизмов, включаемых после восстановления кровотока [29].
Заключение. Положительными сторонами проведенного нами исследования являются предоставленные возможности интерпретации механизмов алгоритмов машинного обучения и устранение принципа «черного ящика».
В представленных моделях машинного обучения для прогнозирования учитывались три основные группы факторов, оказывающих влияние на достижение приемлемых периоперационных результатов ОСО.
Возможность объяснения результатов прогнозных моделей с помощью SHAP основана на интерпретации каждого клинического наблюдения, и в дальнейшем персонифицированные характеристики пациентов усреднены для получения однородной визуализации графика SHAP.
Наше исследование имеет некоторые ограничения: первично в работу включены ретроспективные наблюдения и не выполнялась внешняя валидация с целью оценки работоспособности моделей прогнозирования. Также необходимо отметить ограниченное представление прогнозируемых показателей периоперационного периода ОСО.
Для параметров объема кровопотери и вероятности развития периоперационных осложнений прогнозные модели показали плохое качество, в связи с чем не включались нами в исследования по интерпретации результатом при помощи SHAP.
В дальнейшем необходимо предусматривать возможности разработки системы поддержки принятия медицинских решений для прогнозирования долгосрочных онкологических и функциональных результатов ОСО в наблюдениях с новообразованиями паренхимы почки.
