Сравнительный анализ моделей прогнозирования риска рака легких
Дядюн Данил Евгеньевич, студент. Пермский государственный национальный исследовательский университет
Гарафутдинов Роберт Викторович, кандидат экономических наук, доцент кафедры информационных систем и математических методов в экономике. Пермский государственный национальный исследовательский университет
Аннотация
Низкодозовая компьютерная томография снижает смертность от рака легких, но ее массовое применение ограничено высоким числом ложноположительных результатов. Для повышения эффективности скрининга необходимы прогностические модели, обеспечивающие заданный уровень специфичности (обычно ≥ 90 %). В работе проведено сравнение чувствительности классической модели PLCOm2012 и методов машинного обучения (XGBoost, нейронная сеть) при фиксированном уровне специфичности на синтетических данных, имитирующих популяционный риск развития рака легких. Получены следующие результаты: нейронная сеть обеспечила наибольшую чувствительность (69,4 %), превзойдя PLCOm2012 (61,1 %) и позволив выявить на 8,3 % больше случаев рака при том же числе ложноположительных прогнозов. Таким образом, ML-модели демонстрируют потенциал для повышения эффективности скрининга за счет учета сложных зависимостей в данных. Их применение позволит повысить выявляемость рака легких без увеличения нагрузки на систему здравоохранения.
Ключевые слова: рак легких; скрининг; LDCT, PLCOm2012; машинное обучение; порог классификации; специфичность; чувствительность.
Для цитирования: Дядюн Д. Е., Гарафутдинов Р. В. Сравнительный анализ моделей про- гнозирования риска рака легких // Цифровые модели и решения. 2026. Т. 5, № 2. С. 5–18. DOI: 10.29141/2949-477X-2026-5-2-1. EDN: OYAOEC.
