Использование методов машинного обучения для решения задачи предсказания развития отклонений в живых системах

Аннотация

Целью исследования является частичная автоматизация процесса ранней диагностики онкологических заболеваний за счет определения подозрения на наличие у пациента ракового заболевания на базе машинного обучения и предоставления интерпретирующей информации. В мире одними из самых смертоносных заболеваний человека являются онкологии различных органов, и ему подвергается большая группа населения. Согласно данным Минздрава России и расчётам Росстата в России в период с 2005 года по 2023 год в России ежегодно выявляли от 427 тыс. до 552 тыс. новых больных. Для решения задачи поиска эффективных и точных методов раннего диагностирования рака в медицине в последнее время все чаще используют различные компьютерные технологии, в том числе и методы машинного обучения. Главным недостатком данных методов является низкая интерпретируемость человеком получаемого результата. Поэтому возникает потребность в разработке интерпретируемого метода для определения подозрения на наличие ракового заболевания. В данной статье рассматривается проблема интерпретируемости результатов прогнозов, выполняемых моделями машинного обучения для решения задачи предсказания развития отклонений в живых системах на примере новообразований поджелудочной железы у человека. На основе результатов расширенного анализа крови, сопоставленных с фактом наличия или отсутствия у пациента рака поджелудочной железы, была разработана интерпретируемая модель машинного обучения. Использовалась локальная интерпретируемость модели с помощью метода SHAP (Shapley Additive exPlanations) с визуализацией в виде водопадного графика. Были обучены разнообразные модели классического машинного обучения, произведен сравнительный анализ данных моделей для выявления результата с большей точностью. На основе полученной модели было сделано формирование интерпретирующей информации. Было разработано пользовательское приложение для взаимодействия с моделью. Наилучший результат показала модель случайного леса (Random Forest) с f1-score, равным 0,859.

Благодарности:

Авторы выражают благодарность за помощь со сбором данных и в проведении исследований лаборатории ГУЗ «КДП №2» г. Волгограда, а также следующим людям:

• Панин Станислав Игоревич, доктор медицинских наук, профессор, заведующий кафедрой общей хирургии ФГБОУ ВО «Волгоградский государственный медицинский университет» Минздрава России (г. Волгоград, Россия);
• Суворов Владимир Александрович, кандидат медицинских наук, врач-онколог, заведующий торакоабдоминальным отделением;
• Зубков Александр Владимирович, кандидат технических наук, начальник управления информационного развития ФГБОУ ВО «Волгоградский государственный медицинский университет» Минздрава России (г. Волгоград, Россия), доцент кафедры программного обеспечения автоматизированных систем ФГБОУ ВО «Волгоградский государственный технический университет» (г. Волгоград, Россия);
• Безбородов Сергей Александрович, кандидат технических наук, доцент, заведующий кафедрой клинической инженерии и технологий искусственного интеллекта ФГБОУ ВО

«Волгоградский  государственный  медицинский  университет»  Минздрава  России (г. Волгоград, Россия)

• Коваленко Надежда Витальевна, кандидат медицинских наук, доцент, заведующий кафедрой онкологии, гематологии и трансплантологии Института НМФО (Непрерывного Медицинского и Фармацевтического Образования) ФГБОУ ВО «Волгоградский государственный медицинский университет» Минздрава России (г. Волгоград, Россия);
• Шушкова Ирина Геннадьевна, к.м.н., ассистент кафедры лучевой, функциональной, лабораторной диагностики ИНМФО ФГБОУ ВО «Волгоградский государственный медицинский университет» Минздрава России (г. Волгоград, Россия);
• Быков Александр Викторович, д.м.н., профессор, профессор кафедры хирургических болезней № 1 ИНМФО, ФГБОУ ВО «Волгоградский государственный медицинский университет» Минздрава России (г. Волгоград, Россия).