О ЖУРНАЛЕ
Научный журнал «Медицинская радиология и радиационная безопасность» (Мedical Radiology and Radiation Safety), ISSN 1024-6177 основан в январе 1956 г. (до 30 декабря 1993 г. выходил под названием «Медицинская радиология», ISSN 0025-8334). В 2018 году журнал получил Online ISSN: 2618-9615 и был зарегистрирован как электронное сетевое издание в Роскомнадзоре 29 марта 2018 года. На его страницах публикуются оригинальные научные статьи по вопросам радиобиологии, радиационной медицины, радиационной безопасности, лучевой терапии, ядерной медицины, а также научные обзоры; в целом журнал имеет более 30 рубрик и представляет интерес для специалистов, работающих в областях медицины¸ радиационной биологии, эпидемиологии, медицинской физики и техники. С 01.07.2008 г. Издатель журнала – ФГБУ «Государственный научный центр Российской Федерации – Федеральный медицинский биофизический центр им. А.И. Бурназяна» ФМБА России. Учредитель с 1956 г. - Министерство здравоохранения РФ, а с 2008 г. по настоящее время – Федеральное медико-биологическое агентство.
Членами редакционной коллегии журнала являются ученые – специалисты, работающие в области радиационной биологии и медицины, радиационной защиты, радиационной эпидемиологии, радиационной онкологии, лучевой диагностики и терапии, ядерной медицины и медицинской физики. В состав редакционной коллегии входят: академики РАН, члены-корреспонденты РАН, доктора медицинских наук, профессора, кандидаты и доктора биологических, физико-математических наук и технических наук. Состав редколлегии постоянно пополняется за счет авторитетных специалистов, работающих в ближнем и дальнем зарубежье.
Периодичность выхода в свет – 6 номеров в год, объемом – 13,5 усл. печатных листов или 88 печатных страниц и тиражом 1000 экземпляров. Журнал имеет идентичную по содержанию полнотекстовую электронную версию, которая одновременно с печатным вариантом и цветными рисунками размещается на сайтах Научной Электронной Библиотеки (НЭБ) и сайте журнала. Распространение по подписке через Агентство «Роспечать» по договору № 7407 от 16 июня 2006 г., через индивидуальных покупателей и коммерческие структуры. Публикация статей бесплатная.
Журнал входит в Перечень ведущих российских рецензируемых научных журналов ВАК, рекомендованных для опубликования результатов диссертационных исследований. С 2008 г. журнал представлен в Интернете и индексируется в базе данных РИНЦ, а также входит в Перечень Russian Science Citation Index (RSCI), размещенной на платформе Web of Science. С 2 февраля 2018 года журнал «Медицинская радиология и радиационная безопасность" индексируется в мультидисциплинарной библиографической и реферативной базе SCOPUS.
Краткие электронные версии статей журнала с 2005 г. находятся в открытом доступе в разделе "Выпуски журнала". С 2011 года в открытом доступе представлены все выпуски журнала целиком, а с 2016 года - полнотекстовые версии научных статей. Полный текст остальных статей любого номера, начиная с 2005 г. могут приобрести подписчики только через НЭБ. Редакция журнала «Медицинская радиология и радиационная безопасность» в соответствии с договором с НЭБ поставляет ей в полном объеме выпускаемую продукцию с 2005 г. по настоящее время.
Основным рабочим языком журнала является русский, дополнительный язык – английский, который используется для написания названий статей, сведений об авторах, аннотаций, ключевых слов, списка литературы.
С 2017 г. журнал «Медицинская радиология и радиационная безопасность» перешел на цифровую идентификацию публикаций, присвоив каждой статье идентификатор цифрового объекта (DOI), что значительно ускорило поиск местонахождения статьи в Интернете. В дальнейшем в планах развития журнала «Медицинская радиология и радиационная безопасность» предполагается его издание в англоязычном варианте. С целью получения информации о публикационной активности журнала в марте 2015 года на сайте журнала был помещен счетчик обращений читателей к материалам, выложенным на сайте с 2005 г. по настоящее время. В течение 2015 – 2016 гг. в среднем было не более 100 – 170 обращений в день. Размещение ряда статей, а также электронных версий профильных монографий и сборников в открытом доступе резко увеличило число обращений на сайт журнала до 500 – 800 в день, а общее число посещений сайта к началу 2019 г. составило 527 тыс.
Двухлетний импакт-фактор РИНЦ, по данным на начало 2019 г., составил 0,447, с учетом цитирования из всех источников – 0,614, а пятилетний импакт-фактор РИНЦ – 0,359.
Медицинская радиология и радиационная безопасность. 2025. Том 70. № 3
DOI:10.33266/1024-6177-2025-70-3-83-89
Muaayed F. Al-Rawi, Izz K. Abboud, Nasir A. Al-Awad
ИСПОЛЬЗОВАНИЕ АЛГОРИТМОВ МАШИННОГО ОБУЧЕНИЯ
ДЛЯ АВТОМАТИЧЕСКОГО ВЫЯВЛЕНИЯ ОНКОЛОГИЧЕСКИХ ЗАБОЛЕВАНИЙ
College of Engineering, Mustansiriyah University, Baghdad, Iraq
Контактное лицо: Muaayed F. Al-Rawi, e-mail: Этот адрес электронной почты защищен от спам-ботов. У вас должен быть включен JavaScript для просмотра.
Резюме
Число онкобольных растет во всем мире. За последние двадцать лет количество таких пациентов в Ираке увеличилось вдвое, что привело к увеличению числа смертей от рака. Помимо этого, именно опухолевые поражения являются второй по частоте причиной смертей госпитализированных пациентов. Пути решения сложившейся проблемы заключаются в уменьшении времени диагностики онкозаболевания, увеличении ее точности, правильности алгоритмов маршрутизации пациентов с симптомами рака, а также в улучшении систем мониторинга. Рассматриваемый в статье подход к ведению онкобольных подразумевает использование программного обеспечения на основе алгоритмов машинного обучения, позволяющего пациенту самостоятельно распознать симптомы онкологического заболевания и направляющего его к профильному специалисту, что в свою очередь обеспечит выявление рака на ранней стадии. Помимо этого, рассматриваемое ПО призвано обеспечить мониторирование состояния пациента на протяжении лечения. В имеющихся исследованиях применительно к ранней онкодиагностике рассматривается лишь один метод машинного обучения. В данной работе проанализировано применение сверточных нейронных сетей (CNN), классификаторов Random Forest и XGBoost, которые представляют собой алгоритмы машинного обучения, применяемые к структурированным и табличным данным, используемым для выявления наличия рака молочной железы, опухолей головного мозга, рака кожи и рака легких. Использование данных программ обеспечит более быструю и более точную диагностику рака. Создание облачного сервера с таким ПО сделает предлагаемую методику ранней онкодиагностики общедоступной и более удобной в использовании.
Ключевые слова: лучевая диагностика, машинное обучение, Random Forest, классиикатор XGBoost, обнаружение рака, рак кожи, рак головного мозга, рак легкого
Для цитирования: Al-Rawi Muaayed F., Abboud Izz K., Al-Awad Nasir A. Использование алгоритмов машинного обучения для автоматического выявления онкологических заболеваний // Медицинская радиология и радиационная безопасность. 2025. Т. 70. № 3. С. 83–89. DOI:10.33266/1024-6177-2025-70-3-83-89
Список литературы
1. Izz K. abboud, Muaayed F. Al-Aawi, Nasir A. Al-Awad. Digital Medical Image Encryption Approach in Real-Time Applications. System Research & Information Technologies. 2024;1:26-32.
2. URL: http://www.breastcancer.org/symptoms/understand_bc/what_is_bc.
3. Hotko Y.S. Male Breast Cancer: Clinical Presentation, Diagnosis, Treatment. Exp Oncol. 2022;35:303-10.
4. URL: https://www.biospectrumindia.com/views/21/15300/statistical-analysisof-breast-cancer-in-india.html.
5. Malvia S., Bagadi S.A., Dubey U.S., Saxena S. Epidemiology of Breast Cancer in Indian Women. Asia Pac J Clin Oncol. 2019;13;4:289-295.
6. Devi R.D.H., Devi M.I. Outlier Detection Algorithm Combined with Decision Tree Classifier for Early Diagnosis of Breast Cancer. Int. J. Adv. Eng. Tech. 2021;5;2:251-259.
7. Muaayed F. Al-Rawi, Izz K. Abboud, Nasir A. Al-Awad. Novel Approach Using Transfer Deep Learning for Brain Tumor Prediction. Medical Radiology and Radiation Safety. 2021;69;3:81-85.
8. Miller K.D., Ostrom Q.T., C Kruchko., Patil N., Tihan T., Cioffi G., Fuchs H.E., Waite K.A., Jemal A., Siegel R.L., Barnholtz S..Brain and other Central Nervous System Tumor Statistics. A Cancer Journal for Clinicians. 2021;71;5:381-406.
9. Bienkowski M., Furtner J., Hainfellner J.A. Clinical Neuropathology of Brain Tumors. Handb Clin Neurol. 2022;145;477–534.
10. Lotlikar V.S., Satpute N., Gupta A. Brain Tumor Detection Using Machine Learning and Deep Learning: A Review. Current Medical Imaging. 2022;18;6:1-19.
11. Monika M.K., Vignesh N.A., Kumari C.U. Skin Cancer Detection and Classification Using Machine Learning. Materials Today: Proceedings. 2021;33;7:4266-4270.
12. Fransen M., Karahalios A., Sharma N., English D.R., Giles G.G., Sinclair R.D. Non-Melanoma Skin Cancer in Australia. Med J Aust. 2018;197:565–8.
13. Deinlein T., Richtig G., Schwab C., et al. The Use of Dermatoscopy in Diagnosis and Therapy of Nonmelanocytic Skin Cance. J Dtsch Dermatol Ges. 2021;14:144–51.
14. Ferris G.R., Treadway D.C., Perrewé P.L., Brouer R.L., Douglas C., Sean Lux. Political Skill in Organizations. Journal of Management. 2007;33:290-320.
15. Chaturvedi P., Jhamb A., Vanani M., Nemade V. Prediction and Classification of Lung Cancer Using Machine Learning Techniques. IOP Publishing Ltd, Jaipur, India. 2022;5;3:288-300.
16. Rahman S.P. a. H.Z. A New Method for Lung Nodule Detection Using Deep Neural Networks for CT Images. Int. Conf. on Electrical, Computer and Communication Engineering (ECCE). 2022:1-6.
17. Pehrson N.M. a. A.L.C. Automatic Pulmonary Nodule Detection Applying Deep Learning or Machine Learning Algorithms to the LIDC-IDRI Database. A Systematic Review Diagnostics. 2020;4;11:659-669.
PDF (RUS) Полная версия статьи
Конфликт интересов. Авторы заявляют об отсутствии конфликта интересов.
Финансирование. Исследование не имело спонсорской поддержки.
Участие авторов. Cтатья подготовлена с равным участием авторов.
Поступила: 20.02.2025. Принята к публикации: 25.03.2025.