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.