Оптимизация критериев отбора пациентов для трансплантации печени при гепатоцеллюлярной карциноме с использованием моделей машинного обучения

• Восканян С.Э.
• Рудаков В.С.
• Сушков А.И.
• Попов М.В.
• Башков А.Н.
• Губарев К.К.
• Артемьев А.И.
• Маткевич Е.И.
• Григорьева О.О.
• Лищук С.В.
• Калачян А.Э.

Резюме

Актуальность. Применение методов машинного обучения в медицине, в частности в трансплантологии, за последнее десятилетие значительно расширилось, предлагая новые возможности для улучшения критериев отбора пациентов с гепатоцеллюлярной карциномой и результатов трансплантации печени.

Цель - разработка трансплантологических критериев для пациентов с гепатоцеллюлярной карциномой на основе моделей машинного обучения.

Материал и методы. В исследование включены данные 69 пациентов с гепатоцеллюлярной карциномой (ГЦК) на фоне цирроза печени, которым проведена трансплантация печени в ФГБУ ГНЦ ФМБЦ им. А.И. Бурназяна ФМБА России в 2010-2022 гг. Оценивали уровень альфа-фетопротеина, размер максимального опухолевого узла, количество опухолей и наличие сосудистой инвазии. Для прогнозирования рецидива ГЦК использовались модели машинного обучения, объединенные методом стекинга: Модель А (радиологические данные) и Модель В (гистологические данные). Эти модели сравнивались с Миланским критерием, Калифорнийским критерием и Правилом 5-5-500 по доле пациентов, соответствующих критериям, чувствительности, специфичности, F1-score, C-index и выживаемости.

Результаты. Для радиологических данных Модель А показала следующие результаты: доля пациентов, соответствующих критерию, - 65%, чувствительность - 72%, специфичность - 94%, F1-score - 0,81, C-index - 0,83, 5-летняя общая выживаемость (ОВ) - 78%, безрецидивная выживаемость (БВР) - 85%. Для Миланского критерия значения составили: 36; 89; 65; 0,79; 0,77; 78; 91%; для Калифорнийского критерия: 55; 67; 71; 0,69; 0,69; 67; 81%, а для Правила 5-5-500 - 60; 78; 88; 0,82; 0,83; 79; 86% соответственно.

Для гистологических данных Модель В продемонстрировала: долю пациентов - 67%, чувствительность - 78%, специфичность - 94%, F1-score - 0,85, C-index - 0,86, 5-летнюю ОВ - 75%, БРВ - 84%. Соответствующие показатели для Миланского критерия составили: 58; 61; 77; 0,67; 0,69; 68; 73%; для Калифорнийского критерия - 70; 56; 82; 0,65; 0,69; 69; 73%, а для Правила 5-5-500 - 67; 72; 88; 0,79; 0,80; 72; 81%.

Заключение. Разработанные модели машинного обучения продемонстрировали высокую эффективность в прогнозировании рецидива ГЦК, сопоставимую, а по некоторым показателям и превосходящую распространенные клинические критерии. Их применение, улучшение и валидация на более широких данных могут значительно улучшить точность прогнозов и оптимизировать лечение.

Ключевые слова: гепатоцеллюлярная карцинома; трансплантация печени; рецидив гепатоцеллюлярной карциномы; трансплантологические критерии; машинное обучение

Гепатоцеллюлярная карцинома (ГЦК) является 6-й по распространенности злокачественной опухолью и 3-й ведущей причиной смертности в мире. В России заболеваемость раком печени продемонстрировала стабильный рост в последние десятилетия. Согласно данным Росстата, с 2005 по 2020 г. этот показатель увеличился с 4,6 до 6,1 на 100 тыс. человек населения [1]. Трансплантация печени является одним из наиболее эффективных методов лечения ГЦК, однако существует множество факторов, ассоциированных с риском рецидива ГЦК после операции, включая размер опухоли, наличие сосудистой инвазии, уровень альфа-фетопротеина (АФП) в крови и др. [2-7].

Применение методов машинного обучения в медицине, в частности в трансплантологии, за последние годы значительно расширилось. Эти методы предоставляют новые возможности для улучшения критериев отбора пациентов с ГЦК на трансплантацию, что, в свою очередь, может способствовать повышению эффективности трансплантации печени и снижению риска рецидива заболевания [3, 8, 9]. Традиционные клинические критерии, такие как Миланский критерий, Калифорнийский критерий и Правило 5-5-500, хоть и остаются важными инструментами в практике, имеют свои ограничения и не всегда обеспечивают достаточную прогностическую точность.

Модели машинного обучения способны обрабатывать большие объемы данных и выявлять сложные закономерности, недоступные для традиционных статистических методов. Исследования показывают, что модели машинного обучения могут превосходить традиционные клинические критерии в прогнозировании рецидива ГЦК после трансплантации печени, что делает их перспективными инструментами для клинической практики [3, 10].

Данное исследование направлено на решение одной из ключевых задач трансплантологии - повышение точности отбора пациентов, что в конечном итоге может улучшить исходы трансплантации печени и повысить общую (ОВ) и безрецидивную выживаемость (БРВ) пациентов с ГЦК.

Цель - разработка трансплантологических критериев для пациентов с ГЦК на основе моделей машинного обучения.

Материал и методы

Дизайн исследования

В рамках ретроспективного одноцентрового исследования были проанализированы данные 69 пациентов с ГЦК на фоне цирроза печени, которым была проведена трансплантация печени в период с мая 2010 по декабрь 2022 г. Информация о характеристиках доноров, особенностях онкологического процесса и результатах трансплантаций была собрана из локального научного регистра пересадок печени в ФМБЦ им. А.И. Бурназяна.

До трансплантации распространенность опухолевого процесса оценивалась по результатам компьютерной томографии (КТ), а после трансплантации - на основе гистологического исследования удаленной печени и регионарных лимфатических узлов.

Основными исходами, включенными в анализ, были следующие события:

• рецидив ГЦК;
• смерть реципиента.

Рецидив ГЦК был определен как повторное обнаружение опухоли с использованием КТ грудной клетки и брюшной полости с внутривенным контрастированием или на основании результатов биопсии либо данных аутопсии. Обследование пациентов проводили в Центре трансплантации каждые 6 мес.

Период наблюдения за исходами был завершен в марте 2023 г.

На первом этапе исследования проводилась подготовка данных для обучения моделей и их последующего тестирования. Из общей когорты были отобраны 2 группы пациентов: 1-я - с подтвержденным рецидивом ГЦК ("Р ГЦК", n=18), 2-я - с отсутствием рецидива и сроком наблюдения после трансплантации не менее 3 лет ("БР ГЦК", n=17) (рис. 1). Результаты КТ были оценены в Центре трансплантации рентгенологом экспертного уровня для всех участников.

Для разработки моделей машинного обучения использовались следующие параметры: максимальный размер опухолевого узла, количество опухолевых узлов и уровень АФП в крови.

Далее была рассмотрена вся когорта из 69 пациентов. Проводился расчет показателей БРВ и ОВ на временных промежутках 1 год, 3 и 5 лет после трансплантации. Эти показатели оценивали в зависимости от соответствия разработанным итоговым моделям, а также сравнивали с результатами, полученными при применении Миланского критерия, Калифорнийского критерия и Правила 5-5-500.

Статистическая обработка данных

Количественные переменные представлены в виде медианы (Ме) и интерквартильного размаха (ИКР); качественные параметры описывали с использованием абсолютных частот и процентных долей.

Статистический анализ проводили с использованием непараметрического двустороннего критерия Манна-Уитни для количественных признаков и двустороннего точного критерия Фишера для качественных признаков в 2 независимых выборках. Выживаемость, включая БРВ и ОВ, оценивали по методу Каплана-Майера, а различия в выживаемости между группами - с помощью Log-rank теста. Статистически значимыми считали различия при уровне p<0,05.

Для разработки моделей данные были разделены на обучающую и тестовую выборки в соотношении 80 и 20%, использовался набор методов машинного обучения, включая квадратичный дискриминантный анализ, многослойный перцептрон, градиентный бустинг, "случайный лес", адаптивный бустинг, логистическую регрессию и метод опорных векторов, реализованные с использованием библиотеки scikit-learn в среде Python. Для подбора гиперпараметров применялась библиотека GridSearchCV.

Для оценки прогностической значимости и сравнения с Миланским критерием, Калифорнийским критерием и Правило,м 5-5-500 были рассчитаны чувствительность, специфичность, F1-score и C-index.

Для визуализации всех возможных исходов была создана сетка прогнозов, охватывающая диапазон размеров узла от 1 до 10 см, количество узлов от 1 до 10 и уровень АФП от 1 до 20 000 нг/мл.

После обучения моделей лучшие отбирались на основании визуализации и F1-score. Объединение моделей между собой (стекирование) проводили следующими методами: квадратичный дискриминантный анализ, многослойный перцептрон, градиентный бустинг, "случайный лес", адаптивный бустинг, логистическая регрессия и метод опорных векторов. Дополнительно созданы модели, учитывающие параметр наличия сосудистой инвазии. Модель, продемонстрировавшая наивысший показатель F1-score и логичную визуализацию на обучающих и тестовых данных, была обозначена как Модель А для радиологических данных и Модель В для гистологических данных.

Результаты

Характеристика наблюдений и результаты трансплантаций

В период наблюдения было зарегистрировано 18 случаев рецидива ГЦК - группа "Р ГЦК". Группа "БР ГЦК" включала 17 пациентов, прошедших полное обследование в Центре через 41 мес и более после трансплантации печени. Срок наблюдения за 34 пациентами составил менее 3 лет после трансплантации. Из 7 пациентов с рецидивом ГЦК в течение первого года у 5 были выявлены метастазы в лимфоузлах гепатодуоденальной связки на основании гистологического исследования послеоперационного материала (рис. 1, табл. 1).

Характеристики пациентов из исследуемой когорты и результаты наблюдений представлены в табл. 1.

Среди первых примененных методов машинного обучения наилучшие результаты для модели, основанной на радиологических данных, продемонстрировали методы адаптивного бустинга (рис. 2А) и логистической регрессии с F1-score 0,7/1 и 0,61/0,86 соответственно на обучающей/тестовой выборках. Прогностические данные этих моделей были объединены методами стекирования, при этом оптимальные результаты продемонстрировала логистическая регрессия, обеспечив F1-score 0,7/1 и лучшую визуализацию (рис. 2Б).

Далее полученная модель стекирована с учетам параметра сосудистой инвазии: оптимальный результат дал метод "квадратичный дискриминантный анализ с F1-score 0,75/1". Эта модель, впоследствии названная Модель А, визуализирована на рис. 3.

Окончательные результаты обученной Модели А для всей выборки, а также сравнение с Миланским критерием, Калифорнийским критерием и Правилом 5-5-500 представлены в табл. 2.

Аналогичным способом была создана Модель B (основанная на гистологических данных и учитывающая наличие макро- и микрососудистой инвазии). Ее визуализация представлена на рис. 4. Она продемонстрировала F1-score 0,85 на тренировочных данных и 0,86 на тестовых. Окончательные результаты обученной Модели В для всей выборки, а также сравнение с Миланским критерием, Калифорнийским критерием и Правилом 5-5-500 представлены в табл. 2.

Следующий анализ проведен на когорте пациентов (n=69). Для радиологических данных доля пациентов с предсказанным отсутствием рецидива по Модели A, Миланскому критерию, Калифорнийскому критерию и Правилу 5-5-500, а также показатели ОВ и БРВ на 1, 3 и 5-й годы отражены в табл. 2 и на рис. 5 и 6. Аналогичный анализ выполнен для Модели B с гистологическими данными и соответствующими критериями, результаты которого представлены в табл. 2 и на рис. 7 и 8.

Обсуждение

В исследовании были разработаны и предложены 2 модели, основанные на машинном обучении: Модель А, основанная на радиологических данных, и Модель В, основанная на гистологических данных. Обе модели продемонстрировали сопоставимую прогностическую ценность с рассмотренными общепринятыми критериями и потенциал для расширения критериев отбора пациентов с ГЦК на трансплантацию печени без ухудшения результатов.

Ограниченность объема клинических данных, их неполнота и вариабельность между различными центрами усложняют процесс разработки прогностических моделей на основе машинного обучения. Эти модели зависят от качества и объема данных, что может приводить к проблемам с их обобщением и снижением точности при использовании на новых наборах данных. Однако, несмотря на эти сложности, применение методов машинного обучения может давать приемлемые результаты, если уделить внимание качеству данных и их обработке. Одним из ключевых аспектов успешных моделей является их интерпретируемость и логичность с точки зрения клинической практики, что делает такие модели более приемлемыми для врачей и способствует их внедрению в повседневную медицинскую практику [11].

В процессе разработки собственных моделей мы применили метод стекинга, который является одной из техник ансамблевого машинного обучения. Стекинг заключается в объединении нескольких базовых моделей для повышения точности предсказаний [12]. В отличие от других методов ансамблирования, стекинг позволяет обучать несколько моделей параллельно, а их прогнозы комбинируются с помощью метамодели, которая обучается на результатах этих базовых моделей. Основным преимуществом стекинга является его способность использовать сильные стороны разных моделей, что позволяет улучшить общую производительность системы, снижая риск переобучения и повышая устойчивость к изменению данных.

Для улучшения точности модели мы применили пошаговое улучшение модели, добавив новый параметр - наличие сосудистой инвазии в уже обученную модель, что способствовало улучшению предсказательной способности [13]. Конечный вариант может быть охарактеризован как многослойный стекинг, где каждый уровень модели вносит вклад в точность и интерпретируемость прогнозов.

Чтобы минимизировать риск переобучения и обеспечить интерпретируемость результатов, мы сосредоточили внимание на выборе наиболее логичных и устойчивых моделей для стекинга. Модели, которые показали отсутствие клинической логики в своих прогнозах, были исключены. Пример одной такой модели представлен на рис. 2В. Это позволило создать финальную модель с предсказуемыми и плавными переходами, которая адекватно отражает вероятность риска рецидива ГЦК в зависимости от изменений различных параметров. Таким образом, финальная модель не только демонстрирует высокую прогностическую точность, но и остается интуитивно понятной для клиницистов, что делает ее ценной для практического использования.

Для создания качественной предсказательной модели обычно требуется минимум 10 событий на каждую переменную [14]. В нашем исследовании это оказалось невозможным из-за ограниченного объема данных. Тем не менее ряд исследований указывает на возможность применения моделей с меньшим количеством событий [15, 16], в других отмечается необходимость специальных расчетов [17]. Наша модель была построена на основе хорошо отобранных данных, что позволило минимизировать влияние ограниченного числа событий.

Общепринято считать, что наличие сосудистой инвазии является противопоказанием для трансплантации печени. Модель А, хотя и прогнозирует более неблагоприятный исход при наличии сосудистой инвазии, допускает возможность трансплантации при небольшом количестве и размере опухолевых узлов, а также при определенном уровне АФП. В то же время модель, обученная на гистологических данных, полностью исключает возможность трансплантации для таких пациентов.

Одной из возможных причин этого расхождения является то, что в двух случаях макроваскулярная инвазия, выявленная с помощью КТ, не была подтверждена гистологическим анализом. И, наоборот, в двух других случаях макроваскулярная инвазия, обнаруженная гистологически, не была выявлена при КТ. Это подчеркивает риск ошибок в радиологической диагностике, особенно при оценке сосудистой инвазии, которая является важным элементом системы LI-RADS [18]. В работе W. Hong и соавт. также отмечается, что интерпретация радиологических данных у пациентов с подозрением на ГЦК может варьировать у разных исследователей и клиницистов, что вносит дополнительную неопределенность в диагноз и прогноз [19].

В будущем данная проблема, возможно, будет решена с помощью машинного обучения. В исследовании K. Wang и соавт. [20] было продемонстрировано, что модель, основанная на глубоком машинном обучении, достигла 90% точности в диагностике ГЦК. Более того, модель эффективно оценивала количество опухолевых узлов. Таким образом, использование методов искусственного интеллекта и машинного обучения может существенно повысить точность диагностики и снизить вероятность ошибок в радиологических данных, что приведет к улучшению прогнозов.

При принятии решения о трансплантации у пациентов с сосудистой инвазией при небольших размерах опухоли, их малом количестве и низком уровне АФП необходимо учитывать возможные диагностические ошибки. Более того, наличие сосудистой инвазии не всегда означает 100% риск рецидива. Например, в практике нашего Центра были 2 пациента с подтвержденной макроваскулярной инвазией гистологически, на которых модель не обучалась: 1 пациентка, не включенная в исследование из-за отсутствия цирроза печени, прожила более 5 лет без рецидива после трансплантации. Вторая пациентка, которая на момент окончания исследования не достигла 3-летнего рубежа, была включена в оценку ОВ и БРВ. При этом на момент написания статьи она прожила 4 года без рецидива, несмотря на наличие макроваскулярной инвазии и цирроза печени до трансплантации.

Некоторые авторы также допускают возможность трансплантации печени при наличии макроваскулярной инвазии при условии низкого уровня АФП, что позволяет достигать показателя ОВ до 85% [21]. Однако стоит иметь в виду, что на прогноз ОВ влияет не только риск рецидива ГЦК, но и другие факторы, такие как тяжесть состояния до операции, возраст, время холодовой ишемии и др. [7].

Для более точного определения критериев отбора пациентов для трансплантации печени необходимы дальнейшие многоцентровые исследования для получения больших данных, поиск и валидация новых предикторов. Эти предикторы могут включать результаты прогноза LI-RADS с использованием методов машинного обучения [20], циркулирующую свободную ДНК [22, 23], а также прогнозирование риска рецидива ГЦК на основе экспрессии иммунных генов и характеристик, извлеченных из гистологических изображений [24]. Такой комплексный подход поможет улучшить отбор пациентов и повысить успешность трансплантации пациентам с ГЦК.

Заключение

Результаты нашего исследования подчеркивают потенциал использования машинного обучения для улучшения прогнозирования рецидива ГЦК после трансплантации печени. Разработанные нами Модель А и Модель В демонстрируют высокую прогностическую ценность и потенциал для расширения критериев отбора пациентов с ГЦК на трансплантацию печени без ухудшения результатов.

Для удобства клиницистов разработанные модели был интегрированы в онлайн-калькулятор, доступный на сайте (https://medianalytix.ru/criterii), что позволяет быстро и точно вычислять прогноз и сравнивать его с другими существующими критериями. Кроме того, мы интегрировали результаты прогнозирования в процентах в другой наш калькулятор, который позволяет оценивать ОВ, БРВ и канцер-специфическую выживаемость (доступен на сайте: https://medianalytix.ru/calculate_HCC1). Мы уверены, что такие инструменты помогут улучшить качество принятия решений и клинические исходы у пациентов с ГЦК.

Литература

1. Здравоохранение в России. Статистический сборник.
2. Wang J., Bao J., Wang R., Hong J., Zhang L., Que Q. et al. The predictive value of the modified AFP model for liver transplantation outcomes in multinodular hepatocellular carcinoma patients // World J. Surg. Oncol. 2023. Vol. 21. P. 104. DOI: https://doi.org/10.1186/s12957-023-02994-y
3. To J., Ghosh S., Zhao X., Pasini E., Fischer S., Sapisochin G. et al. Deep learning-based pathway-centric approach to characterize recurrent hepatocellular carcinoma after liver transplantation // Hum. Genomics. 2024. Vol. 18. P. 58. DOI: https://doi.org/10.1186/s40246-024-00624-6
4. Гранов А.М., Гранов Д.А., Жеребцов Ф.К., Герасимова О.А., Боровик В.В., Осовских В.В. и др. Трансплантация печени в РНЦРХТ. Опыт 100 операций // Вестник трансплантологии и искусственных органов. 2014. Т. 14, № 4. С. 11-16. DOI: https://doi.org/10.15825/1995-1191-2012-4-11-16
5. Восканян С.Э., Сушков А.И., Артемьев А.И., Забежинский Д.А., Найденов Е.В., Башков А.Н. и др. Salvage-трансплантация печени при лечении гепатоцеллюлярной карциномы // Хирургия. Журнал имени Н.И. Пирогова. 2019. № 10. С. 21-28. DOI: https://doi.org/10.17116/hirurgia201910121
6. Олисов О.Д., Новрузбеков М.С., Гуляев В.А., Луцык К.Н. Роль ингибиторов кальциневрина в прогрессии гепатоцеллюлярной карциномы после трансплантации печени // Трансплантология. 2022. Т. 14, № 3. С. 292-300. DOI: https://doi.org/10.23873/2074-0506-2022-14-3-292-300
7. Восканян С.Э., Рудаков В.С., Сушков А.И., Попов М.В., Башков А.Н., Губарев К.К. и др. Новая прогностическая модель исходов трансплантации печени по поводу гепатоцеллюлярной карциномы // Трансплантология. Т. 16, № 3. С. 278-290. DOI: https://doi.org/10.23873/2074-0506-2024-16-3-278-290
8. Liu X., Liu Y., Zhang W., Hong Y., Meng J., Wang J. et al. Deep learning for prediction of hepatocellular carcinoma recurrence after resection or liver transplantation: a discovery and validation study // Hepatol. Int. 2022. Vol. 16. P. 577-589. DOI: https://doi.org/10.1007/s12072-022-10321-y
9. Kwong A., Hameed B., Syed S., Ho R., Mard H., Arshad S. et al. Machine learning to predict waitlist dropout among liver transplant candidates with hepatocellular carcinoma // Cancer Med. 2022. Vol. 11. P. 1535-1541. DOI: https://doi.org/10.1002/cam4.4538
10. Tran V.G., Moris D., Markovic D., Zaribafzadeh H., Henao R., Lai Q. et al. Development and validation of a REcurrent Liver cAncer Prediction ScorE (RELAPSE) following liver transplantation in patients with hepatocellular carcinoma: analysis of the US multicenter HCC transplant consortium // Liver Transpl. 2023. Vol. 29, N 7. P. 683-697. DOI: https://doi.org/10.1097/LVT.0000000000000145
11. Gotlieb N., Azhie A., Sharma D., Spann A., Suo N.-J., Tran J. et al. The promise of machine learning applications in solid organ transplantation // NPJ Digit. Med. 2022. Vol. 5, N 1. P. 89. DOI: https://doi.org/10.1038/s41746-022-00637-2
12. Wolpert D.H. Stacked generalization // Neural Networks. 1992. Vol. 5, N 2. P. 241-259.
13. Xu X., Mo Q., Wang Z., Zhao Y., Li C. Classification of sleeping position using enhanced stacking ensemble learning // Entropy. 2024. Vol. 26. P. 817. DOI: https://doi.org/10.3390/e26100817
14. Peduzzi P., Concato J., Kemper E., Holford T.R., Feinstein A.R. A simulation study of the number of events per variable in logistic regression analysis // J. Clin. Epidemiol. 1996. Vol. 49, N 12. P. 1373-1379. DOI: https://doi.org/10.1016/s0895-4356(96)00236-3
15. Vittinghoff E., McCulloch C.E. Relaxing the rule of ten events per variable in logistic and Cox regression // Am. J. Epidemiol. 2007. Vol. 165. P. 710-718. DOI: https://doi.org/10.1093/aje/kwk052
16. van Smeden M., de Groot J.A.H., Moons K.G.M., Collins G.S., Altman D.G., Eijkemans M.J.C. et al. No rationale for 1 variable per 10 events criterion for binary logistic regression analysis // BMC Med. Res. Methodol. 2016. Vol. 16. P. 163. DOI: https://doi.org/10.1186/s12874-016-0267-3
17. Pavlou M., Ambler G., Qu C., Seaman S.R., White I.R., Omar R.Z. An evaluation of sample size requirements for developing risk prediction models with binary outcomes // BMC Med. Res. Methodol. 2024. Vol. 24. P. 146. DOI: https://doi.org/10.1186/s12874-024-02268-5
18. Schima W., Heiken J.P. LI-RADS v2017 for liver nodules: how we read and report // Cancer Imaging. 2018. Vol. 18. P. 14. DOI: https://doi.org/10.1186/s40644-018-0149-5
19. Hong C.W., Chernyak V., Choi J.-Y., Lee S., Potu C., Delgado T. et al. A multicenter assessment of interreader reliability of LI-RADS version 2018 for MRI and CT // Radiology. 2023. Vol. 308, N 1. Article ID e239018. DOI: https://doi.org/10.1148/radiol.239018
20. Wang K., Liu Y., Chen H., Yu W., Zhou J., Wang X. Fully automating LI-RADS on MRI with deep learning-guided lesion segmentation, feature characterization, and score inference // Front. Oncol. 2023. Vol. 13. DOI: https://doi.org/10.3389/fonc.2023.1153241
21. Bhatti A.B.H., Naqvi W., Khan N.Y., Zia H.H., Dar F.S., Khan Z.A. et al. Living donor liver transplantation for advanced hepatocellular carcinoma including macrovascular invasion // J. Cancer Res. Clin. Oncol. 2022. Vol. 148. P. 245-253. DOI: https://doi.org/10.1007/s00432-021-03665-9
22. Kim S.-C., Kim D.-W., Cho E.J., Lee J.-Y., Kim J., Kwon C. et al. A circulating cell-free DNA methylation signature for the detection of hepatocellular carcinoma // Mol. Cancer. 2023. Vol. 22. P. 164. DOI: https://doi.org/10.1186/s12943-023-01872-1
23. Hao Y., Yang Q., He Q., Hu H., Weng Z., Su Z. et al. Identification of DNA methylation signatures for hepatocellular carcinoma detection and microvascular invasion prediction // Eur. J. Med. Res. 2022. Vol. 27. P. 276. DOI: https://doi.org/10.1186/s40001-022-00910-w
24. Ding T., Li X., Mo J., Alexander G., Li J. Recurrence risk stratification of hepatocellular carcinomas based on immune gene expression and features extracted from pathological images // PLoS Comput. Biol. 2023. Vol. 19. Article ID e1011716. DOI: https://doi.org/10.1371/journal.pcbi.1011716