Obstetrics and GynecologyObstetrics and GynecologyАкушерство и гинекология0300-90922412-5679Bionika Media69601610.18565/aig.2025.222Original ArticlesОригинальные статьиResearch ArticleOmics data analysis using deep learning-based framework in differential diagnosis of ovarian cancerОмиксный анализ с использованием глубокого обучения в дифференциальной диагностике новообразований яичниковhttps://orcid.org/0000-0002-0179-7635IurovaMariia V.ЮроваМария Владимировна
Russian Federation

PhD, obstetrician-gynecologist, oncologist, Senior Researcher at the Scientific Polyclinic Department

к.м.н., врач акушер-гинеколог, онколог, с.н.с. научно-поликлинического отделения

hi5melisa@gmail.comhttps://orcid.org/0000-0001-5918-9045TokarevaAlisa O.ТокареваАлиса Олеговна
Russian Federation

PhD (Physico-Mathematical Sciences), Specialist at the Laboratory of Clinical Proteomics

к.ф.-м.н., специалист лаборатории клинической протеомики

alisa.tokareva@phystech.eduChagovetsVitaliy V.ЧаговецВиталий Викторович
Russian Federation

PhD (Physico-Mathematical Sciences), Head of the Laboratory of Metabolomics and Bioinformatics

к.ф.-м.н., заведующий лабораторией метаболомики и биоинформатики

vvchagovets@gmail.comhttps://orcid.org/0000-0001-6650-5915StarodubtsevaNatalia L.СтародубцеваНаталия Леонидовна
Russian Federation

PhD (Bio), Head of the Laboratory of Clinical Proteomics

к.б.н., заведующая лабораторией клинической протеомики

n_starodubtseva@oparina4.ruFrankevichVladimir E.ФранкевичВладимир Евгеньевич
Russian Federation

Dr. Sci. (Physico-Mathematical Sciences), Deputy Director of the Institute of Translational Medicine

д.ф.-м.н., заместитель директора института трансляционной медицины

v_vfrankevich@oparina4.ruAcademician V.I. Kulakov National Medical Research Center for Obstetrics, Gynecology and Perinatology, Ministry of Health of RussiaФГБУ «Национальный медицинский исследовательский центр акушерства, гинекологии и перинатологии имени академика В.И. Кулакова» Минздрава России30112025101171271011202510112025Copyright ©; 2025, Bionika MediaCopyright ©; 2025, ООО «Бионика Медиа»2025Bionika MediaООО «Бионика Медиа»https://journals.eco-vector.com/0300-9092/article/view/696016

Relevance: The course of malignant epithelial ovarian tumors is considered to be highly aggressive. Limitations of diagnostic methods are associated with the late detection of tumors at stages III–IV, which is the cause with high mortality.

Objective: To compare the effectiveness of machine learning (ML) methods for minimally invasive diagnosis of early-stage ovarian cancer (OC) using scalable, objective lipid biomarker profile data.

Materials and methods: A single-center observational retrospective cohort clinical study included 239 patients with early-stage high-grade ovarian cancer (HGOC, n=10); with other tumor/proliferative processes (n=203, of which: including 30 cystadenomas, 59 endometrioid cysts, 21 teratomas, 28 borderline tumors; 16 – low-grade ovarian cancer (LSOC), HGOC of III-IV stages and control group women (n=26). Lipid extraction, analysis by high-performance liquid chromatography coupled with electrospray ionization mass spectrometry, and data preprocessing were performed. The SHAP method was used to interpret the predictions generated by building complex models. For multi-class classification, 7 ML methods were tested, including Naive Bayes classification, PLS discriminant analysis, Random Forest, External Gradient Boosting classification, Multilayer Percepton, and Convolutional Network. For binary classification, the following were additionally tested: support vector machine and extreme gradient boosting (Xgboos) classifications.

Results: In Stages I–II HGOC, a decrease in 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) and an increase in 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 (compared to the control group) occurred, as well as a decrease in Cer-NS d18:1/22:0, PC P-16:0/18:1, PC P-18:1/20:4, PC P-18:0/18:1, oxidized lipids, carboxy- and carbohydroxy-derivatized and an increase in PC P-18:0/18:2, PC P-20:0/20:4 (compared to patients with OC). The best differentiation ability between the control group and the OC group was demonstrated by OPLS models, as well as random forest, and support vector machine with a radial kernel (90%).

Conclusion: The use of advanced ML methods strengthens the diagnostic potential of omics data and can be applied in gynecological oncology.

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.

artificial intelligencelipidomemachine learningmetabolomeovarian tumorovarian cancerискусственный интеллектлипидоммашинное обучениеметаболомновообразования яичниковрак яичниковThe study was carried out as part of the Russian Science Foundation (RSF) Grant by agreement dated December 29, 2023 No. 24-25-00407 on the "New approaches to the application of artificial intelligence for the differential diagnosis of benign and malignant ovarian tumors based on the features of the blood metabolome detected using physical methods".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».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.2025.1594100Cancer 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/s41598-024-70228-6Юрова 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. [Iurova M.V., Tokareva A.O., Chagovets V.V., Starodubtseva N.L., Frankevich V.E. Differential diagnosis of early-stage ovarian cancer based on the bioinformatic analysis of the blood metabolome. Obstetrics and Gynecology. 2024; (12): 118-26 (in Russian)]. https://dx.doi.org/10.18565/aig.2024.283Tokareva 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/ijms26146630Iurova 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.2022.770983Prat 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.2013.10.001Liang 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.2021.116051Lundberg 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/s42256-019-0138-9Юрова 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. [Iurova M.V., Frankevich V.E., Pavlovich S.V., Chagovets V.V., Starodubtseva N.L., Khabas G.N., Ashrafyan L.A., Sukhikh G.T. Diagnosis of Ia–Ic stages of serous highgrade ovarian cancer by the lipid profile of blood serum. Gynecology. 2021; 23(4): 335-40 (in Russian)]. https://dx.doi.org/10.26442/20795696.2021.4.200911Sharma 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/s41598-019-47765-6Fan 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.15074Li 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-220250Garcia 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/pr101050dKe 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.29010Chistyakov 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/cancers14082041Gaul 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/srep16351Ban 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.2023.12.030Gaillard 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