Модель на основе машинного обучения для прогнозирования мутации KCNJ5 при одностороннем первичном альдостеронизме по данным [Ga]Ga-Pentixafor ПЭТ/КТ

Исследователи разработали модель на основе машинного обучения для прогнозирования мутации гена KCNJ5 у пациентов с односторонним первичным альдостеронизмом (ПА) с использованием данных [Ga]Ga-Pentixafor ПЭТ/КТ. Модель продемонстрировала впечатляющую точность 94,2% с чувствительностью 92,5% и специфичностью 96,3%. Это первое исследование, использующее радиомику ПЭТ/КТ с Pentixafor и машинное обучение для прогнозирования мутации KCNJ5 при ПА.

В ретроспективное исследование были включены 99 пациентов с односторонним ПА, которым проводилась [Ga]Ga-Pentixafor ПЭТ/КТ перед адреналэктомией. У всех пациентов после операции был проведен секвенционный анализ гена KCNJ5. Для создания модели машинного обучения были извлечены 107 радиомических признаков из изображений ПЭТ, включая:

• Признаки первого порядка (форма, объем, интенсивность)
• Признаки текстуры (матрица совпадений уровней серого, матрица длины пробега)
• Фильтрованные признаки с использованием вейвлет-преобразования

Использовались методы выбора признаков для определения наиболее информативных маркеров, а затем применялись различные алгоритмы классификации, включая случайный лес, логистическую регрессию и XGBoost. Наилучшие результаты показала модель на основе алгоритма случайного леса.

Мутация гена KCNJ5 является наиболее распространенной генетической аномалией при альдостерон-продуцирующих аденомах, обнаруживаемой примерно в 40-70% случаев. Пациенты с мутацией KCNJ5 имеют определенные клинические характеристики:

• Более высокий уровень альдостерона
• Более молодой возраст при манифестации
• Чаще встречается у женщин
• Лучший ответ на хирургическое лечение

Предоперационное прогнозирование мутации KCNJ5 может помочь в стратификации пациентов и выборе оптимальной тактики лечения. Неинвазивный характер методики позволяет избежать рисков, связанных с биопсией надпочечников. Кроме того, [Ga]Ga-Pentixafor ПЭТ/КТ демонстрирует превосходную диагностическую точность для латерализации ПА по сравнению с компьютерной томографией.

Разработанная модель машинного обучения представляет значительный шаг вперед в персонализированном подходе к лечению первичного альдостеронизма. Возможность неинвазивного прогнозирования статуса KCNJ5 может существенно повлиять на клиническую практику следующими способами:

1. Помощь в принятии решений о целесообразности хирургического вмешательства
2. Оптимизация послеоперационного ведения пациентов
3. Улучшение прогнозирования исходов адреналэктомии

Ограничениями исследования являются его ретроспективный характер и отсутствие внешней валидации. Необходимы дальнейшие проспективные многоцентровые исследования для подтверждения полученных результатов. Тем не менее, работа демонстрирует перспективность интеграции молекулярной визуализации и искусственного интеллекта в диагностике и лечении эндокринных заболеваний.