Mašīnmācīšanās modeļu izmantošana krūts vēža recidīva riska prognozēšanai ; Machine learning based models for the prediction on breast cancer recurrence risk

Ievads: Krūts vēzis ir viens no biežāk sastopamajiem ļaundabīgajiem audzējiem pasaulē un viens no biežākajiem nāves cēloņiem sievietēm. Neskatoties uz mūsdienu diagnostikas iespējām un attīstītajām ārstēšanas metodēm, jebkura iespēja laicīgi prognozēt krūts vēža recidīvu ir nozīmīga pacienta dzīvildzes pagarināšanai. Mašīnmācīšanās metodes šobrīd ieņem nozīmīgu vietu medicīnā un var būtiski veicināt agrīnu krūts vēža recidīva pronozēšanu un diagnostiku. Pētījuma mērķis: Izmantojot retrospektīvus datus apmācīt dažādus mašīnmācīšanās modeļus un izpētīt to potenciālu krūts vēža recidīva prognozēšanai. Materiāli un metodes: Retrospektīvs pētījums, kas tika veikts Paula Stradiņa Klīniskās universitātes slimnīcas Onkoloģijas klīnikā. Tika ievākti un apstrādāti dati par 310 pacientēm izmantojot IMB SPSS v.29. un R programmu. Daļa iegūto datu tika izmantoti, lai apmācītu vairākus mašīnmācīšanās modeļus (Decision Tree, Random Forest, Neural Network, XGBoost, SVM, Naive Bayes), pēc kā atlikusī daļa datu tika izmantota, lai testētu šo modeļu spēju prognozēt krūts vēža recidīvu. Iegūtie dati tika salīdzināta modeļu precizitātes izvērtēšanai recidīva prognozēšanā. Rezultāti: Pētījumā ietvaros recidīvs tika apstiprināts 11,0 % (95,0 %; TI: 8,0 % – 15,0 %) gadījumos. Būtiska saistība ar recidīva attīstību tika konstatēta audzēja izmēram, kas lielāks par 5,0 cm (χ2 = 67,98; p = 0,001), trīskārši negatīvam krūts vēzim (χ2 = 10,85; p = 0,013) un audzēja marķieriem CA–125 (χ2 = 6,42; p = 0,011), CEA (χ2 = 5,85; p = 0,016) CA 15–3 (χ2 = 12,57; p = 0,001). Apmācot modeļus ar Datu kopa Nr. 1 labāko rezultātu uzrādīja Gadījuma meža modelis (AUC = 0,97), XGBoost (AUC = 0,93) un Neironu tīkls (AUC = 0,88), kas liecina par augstu prognozēšanas spēju. Apmācībai izmantojot Datu kopa Nr. 2 vislabāko rezultātu sasniedza Gadījuma meža modelis (AUC = 0,93), Neironu tīkls (AUC = 0,90) un Lēmumu koka modelis (AUC = 0,89). Izmantojot Datu kopa Nr. 3 tika apmācīti divi modeļi – NB (AUC = 0,66) un XGBoost (AUC = 0,65), kas uzrādīja zemu ...