Омиксный анализ с использованием глубокого обучения в дифференциальной диагностике новообразований яичников

Обложка

Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Доступ платный или только для подписчиков

Аннотация

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.

Полный текст

Доступ закрыт

Об авторах

Мария Владимировна Юрова

ФГБУ «Национальный медицинский исследовательский центр акушерства, гинекологии и перинатологии имени академика В.И. Кулакова» Минздрава России

Автор, ответственный за переписку.
Email: hi5melisa@gmail.com
ORCID iD: 0000-0002-0179-7635

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

Россия, Москва

Алиса Олеговна Токарева

ФГБУ «Национальный медицинский исследовательский центр акушерства, гинекологии и перинатологии имени академика В.И. Кулакова» Минздрава России

Email: alisa.tokareva@phystech.edu
ORCID iD: 0000-0001-5918-9045

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

Россия, Москва

Виталий Викторович Чаговец

ФГБУ «Национальный медицинский исследовательский центр акушерства, гинекологии и перинатологии имени академика В.И. Кулакова» Минздрава России

Email: vvchagovets@gmail.com

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

Россия, Москва

Наталия Леонидовна Стародубцева

ФГБУ «Национальный медицинский исследовательский центр акушерства, гинекологии и перинатологии имени академика В.И. Кулакова» Минздрава России

Email: n_starodubtseva@oparina4.ru
ORCID iD: 0000-0001-6650-5915

к.б.н., заведующая лабораторией клинической протеомики

Россия, Москва

Владимир Евгеньевич Франкевич

ФГБУ «Национальный медицинский исследовательский центр акушерства, гинекологии и перинатологии имени академика В.И. Кулакова» Минздрава России

Email: v_vfrankevich@oparina4.ru

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

Россия, Москва

Список литературы

  1. 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
  2. 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)
  3. 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
  4. 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. [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.2024.283
  5. 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
  6. 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
  7. 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
  8. 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
  9. 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
  10. 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. [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/10.26442/20795696.2021.4.200911
  11. 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
  12. 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
  13. 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
  14. 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
  15. 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
  16. 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
  17. 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
  18. 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
  19. 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

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать
2. Рис. 1. а) Липиды, в наибольшей степени (первые 15 по среднему модулю значения Шепли) ассоциированные с опухолевыми поражениями, не включающими РРЯ (относительно группы контроля); 6) Липиды, в наибольшей степени (первые 15 по среднему модулю значения Шепли) ассоциированные с РЯ ранней стадии; в) Липиды, в наибольшей степени (первые 15 по среднему модулю значения Шепли) ассоциированные с дифференциальной диагностикой РЯ ранней стадии от прочих опухолевых поражений. Цвет точек изменяется от фиолетового к желтому в направлении «низкий уровень липида» -— «высокий уровень липида»

Скачать (563KB)
Метаданные
3. Рис. 2. а) Точность моделей, построенных с использованием методов бинарной классификации; б) Полнота моделей, построенных с использованием методов бинарной классификации; в) Качество моделей, построенных с использованием методов мультиклассовой классификации

Скачать (427KB)
Метаданные

© ООО «Бионика Медиа», 2025