Abstract
Қазіргі уақытта онкологиялық аурулардың жиілігі қазіргі қоғамның маңызды мәселелерінің бірі болып қала береді. Өкпенің қатерлі ісігі онкопатологияның ең өлімге әкелетін түрлерінің бірі болып табылады, бұл көбінесе ісік процесінің кеш кезеңдерінде анықталуына байланысты. Скринингтік және ерте диагностикалық бағдарламалардың тиімділігі аурудың болжамына және пациенттердің өмір сүру деңгейіне тікелей әсер етеді. Осыған байланысты соңғы жылдары терең оқыту әдістеріне негізделген интеллектуалды сараптамалық жүйелерді, соның ішінде конволюциялық нейрондық желілерді (CNN), трансформаторлық архитектураларды және олардың гибридті шешімдерін дамытуға ерекше назар аударылды. Бұл жұмыс терең оқытудың нейрондық желілік модельдерін қолдана отырып, өкпенің қатерлі ісігін ерте диагностикалау міндетін қарастырады. Зерттеу машиналық оқытудың келесі әдістерін қолдана отырып модельдерді әзірледі және талдады: логистикалық регрессия, кездейсоқ орман классификаторы, тірек векторы әдісі (SVM), экстремалды ағаш классификаторы, XGBoost, CatBoost, градиентті күшейту және көп қабатты перцептрон (MLP). Нейрондық желі моделіне кіріс факторлары ретінде тұқым қуалайтын бейімділік көрсеткіштері, пациенттің жынысы және темекі шегу тәжірибесі пайдаланылды. Ең жақсы нәтижелерді 93%-дан жоғары дәлдік деңгейінде 0,9405-ке тең ROC-AUC метрикасының максималды мәніне жеткен көп қабатты перцептрон (MLPClassifier) негізіндегі модель көрсетті. Алынған көрсеткіштер модельдің пациенттерді тәуекел топтары бойынша дұрыс саралау қабілетінің жоғары екендігін көрсетеді. Салыстырмалы нәтижелер жіктеу сапасы бойынша екінші орында тұрған RandomForest және SVM алгоритмдерін көрсетті. Әзірленген нейрондық желі үлгісі өкпенің қатерлі ісігінің даму ықтималдығын бағалауға, сондай-ақ таралған өкпе туберкулезі, саркоидоз, пневмония және өкпе тінінің фиброзы сияқты қатар жүретін аурулардың болуы мүмкін екендігі туралы ұсыныстар жасауға мүмкіндік береді. Болашақта медициналық бейнелерді тану модулін біріктіру арқылы жүйенің функционалдығын кеңейту жоспарлануда, бұл өкпе обырын ерте диагностикалау үшін кешенді шешім жасауға мүмкіндік береді.