Международная группа ученых разработала метод машинного обучения, способный с почти стопроцентной точностью прогнозировать выживаемость пациентов с аденокарциномой простаты. Это наиболее распространенная форма рака предстательной железы. Исследование было проведено специалистами из Университета Шарджи в ОАЭ и Ближневосточного университета в Турции, а его результаты опубликованы в научном журнале Computers in Biology and Medicine.
Аденокарцинома простаты является серьезным заболеванием и занимает второе место среди причин смертности от онкологии у мужчин, уступая только меланоме. Например, в Соединенных Штатах с этим диагнозом живут более трех миллионов пациентов, и для каждого сорок четвертого из них болезнь заканчивается летальным исходом. Однако при своевременном обнаружении рака простаты шансы на успешное излечение значительно возрастают.
Традиционные методы диагностики не всегда обеспечивают высокую точность из-за индивидуальных особенностей организма каждого пациента и наличия у него сопутствующих заболеваний. Именно эти сложности побудили исследователей обратиться к возможностям искусственного интеллекта и машинного обучения для создания более надежных прогностических инструментов.
В ходе работы ученые проанализировали восемь различных моделей машинного обучения, используя данные из авторитетного атласа The Cancer Genome Atlas. Модели оценивались по таким ключевым параметрам, как точность, полнота и другие специфические метрики. Наилучшие результаты продемонстрировала модель Gradient Boosting, которая достигла идеальных показателей почти по всем критериям, показав точность прогноза на уровне 99%.
По словам одного из авторов исследования, Дилбер Озшахин, внедрение подобных моделей в клиническую практику позволит врачам-урологам ставить диагнозы с большей уверенностью. Новый метод способен помочь в персонализации лечения, позволяя избегать излишне агрессивной терапии для пациентов с низким риском и, наоборот, своевременно назначать интенсивное лечение тем, кто в нем действительно нуждается.
Несмотря на впечатляющие результаты, авторы исследования отмечают необходимость проведения дополнительных испытаний. Работа проводилась на основе уже существующих данных, и теперь предстоит проверить эффективность модели в реальных клинических условиях. Также в будущем планируется учитывать дополнительные факторы, такие как образ жизни пациентов и различные биомаркеры, чтобы сделать прогнозы еще более точными.