Prostata saratonida izohlanadigan, yuqori aniqlikdagi AI Pipeline

Авторы

Ключевые слова: рак предстательной железы, машинное обучение, инженерия признаков, PCA, SHAP, диагностика

Аннотация

В данной работе представлен углублённый процесс feature engineering (инженерии признаков), направленный на раннее выявление рака простаты с использованием методологии машинного обучения. Исходный набор данных включал клинические показатели — уровень PSA, возраст пациента, объём простаты, балл по шкале Глисона и клиническую стадию заболевания. Для их обработки применялись методы ANOVA, Chi-square, PCA, RFE, LASSO и SHAP. Цель исследования заключалась в определении наиболее значимых диагностических признаков, повышающих эффективность модели, и обеспечении её интерпретируемости.

Библиографические ссылки

1. Wong M.C.S., Goggins W., Wang H.H. Global epidemiological trends of prostate cancer. // Cancer. 2022. Vol. 128(10). – P. 2104-2118.

2. Qu Y., Lu X., Yin P. Prostate cancer detection via explainable machine learning. // Computers in Biology and Medicine. 2023. Vol. 165. – P. 107-121.

3. Chen R., Liu Y., Qi J. PSA-based early diagnosis of prostate cancer using ML models. // BMC Urology. 2023. Vol. 23(18). – P. 1-10.

4. Алексеев Б.Я., Каприн А.Д. Рак предстательной железы: диагностика и лечение. – Москва: «Медицина», 2021.

5. Гладышев М.Ю., Лопатин В.Н. Применение машинного обучения в онкоурологии. // Онкоурология. 2022. Т. 18(3). – С. 41-48.

6. Трухин Д.А. Анализ факторов риска рака простаты на основе PSA и клинических данных. // Вестник Урологии. 2023. №2. – С. 55-62.