Актуальность применения методов машинного обучения в диагностике злокачественных новообразований

В современном мире проблемы онкологии широко обсуждаются и остаются в центре внимания в силу неуклонного роста заболеваемости. Рак является второй ведущей причиной смерти после болезней сердечно-сосудистой системы. Не в последнюю очередь такая высокая смертность от рака связана с несвоевременностью постановки диагноза. Как показывает мировой опыт, проведение скринингового обследования является наиболее перспективным для раннего выявления злокачественных новообразований.

На сегодняшний день существует множество технологий диагностики, которые позволяют достаточно точно локализовать новообразование на ранней стадии. Однако в рамках массового скрининга эти же технологии часто оказываются не эффективными. Например, анализ большого количества МРТ снимков является долгим и утомительным процессом. К тому же врачи, проводящие диагностику, должны обладать очень высокой квалификацией.

Известно, что развитие злокачественных опухолей приводит к различным метаболическим нарушениям в организме, которые в свою очередь изменяют биохимические показатели крови. Эти биохимические изменения могут манифестировать появление злокачественной опухоли значительно раньше, чем ее диагностика с помощью инструментальных, рентгенологических и других методов обследования. В связи с этим перспективным является использование для диагностики злокачественных опухолей в качестве признаков классификации показателей биохимического тестирования крови.

В настоящее время для классификации данных широко применяются не отдельные алгоритмы классификации, а ансамбли алгоритмов, в частности, ансамбли, основанные на деревьях решений – случайный лес и градиентный бустинг. Поэтому с целью повышения точности диагностики злокачественных новообразований представляет интерес применение и в этой области ансамблей алгоритмов классификации.

Вышеизложенное подтверждает актуальность исследования применения современных методов машинного обучения для диагностики больных злокачественными новообразованиями и позволяет сформулировать его цель: разработка и исследование эффективности применения методов машинного обучения для диагностики   злокачественных новообразований различных локализаций. Для достижения цели исследования необходимо решить следующие задачи:

1. провести аналитический отбор методов машинного обучения для диагностики злокачественных новообразований;
2. осуществить программную реализацию алгоритмов ансамблей классификации;
3. отобрать информативные признаки классификации здоровых людей и больных раком различных локализаций;
4. определить параметры ансамблей классификаторов, при которых будет достигнута максимальная точность диагностики злокачественных новообразований;
5. провести сравнительный анализ эффективности различных моделей ансамблей классификаторов для диагностики злокачественных новообразований.

Результаты исследования могут быть использованы в медицинских учреждениях для облегчения или уточнения результатов ранней диагностики заболеваний злокачественными новообразованиями.