А.Н. Калиниченко1, К.И. Агапова2, М.А. Болозя3, К.К. Куканов4, Е.В. Садыкова5

1–3,5 Санкт-Петербургский государственный электротехнический университет «ЛЭТИ» (Санкт-Петербург, Россия)
4 Российский научно-исследовательский нейрохирургический институт им. проф. А.Л. Поленова – филиал ФГБУ «НМИЦ им. В.А. Алмазова» (Санкт-Петербург, Россия)
1 ank-bs@yandex.ru, 2 a-ksyusha@bk.ru, 3 sweet.cherry2552@gmail.com, 4 kukanov_kk@almazovcentre.ru, 5 elensadykova@yandex.ru

Постановка проблемы. В настоящее время, несмотря на обширные медицинские исследования по изучению причин рецидивов менингиомы головного мозга, отсутствуют общепринятые стандарты диагностики и эффективные прогностические критерии, позволяющие на ранних стадиях развития диагностировать эти важные проявления, что влияет как на качество жизни пациентов, перенесших нейрохирургическое вмешательство, так и на уровень смертности. Одним из возможных решений стало использование методов машинного обучения для построения программно-алгоритмической модели, способной на основе анализа имеющихся показателей давать вероятностную оценку развития рецидива.

Цель. Создать программный инструмент, помогающий врачам-нейрохирургам оценить риск повторного развития злокачественных образований головного мозга у пациентов, перенесших нейрохирургическую операцию по удалению менингиомы мозга. Рассмотреть разработку и программную реализацию модели прогнозирования риска рецидивов менингиомы.

Результаты. На основе анализа представленного врачами набора диагностических признаков в качестве базовой модели машинного обучения выбрана модель случайного леса. В результате статистического анализа исходных 160 признаков отобраны наиболее информативные из них (61 признак), которые были использованы в качестве входных данных для модели машинного обучения. С применением языка программирования Python реализована и оптимизирована модель классификатора на основе алгоритма случайного леса. Отмечено, что разработанный алгоритм продемонстрировал точность прогноза порядка 90% на тестовом наборе данных.

Практическая значимость. На основе предложенного алгоритма разработан программный комплекс на языке программирования Python, который может быть использован на практике в качестве дополнительного источника информации при принятии врачебных решений врачами-нейрохирургами.

Калиниченко А.Н., Агапова К.И., Болозя М.А., Куканов К.К., Садыкова Е.В. Прогнозирование рецидивов менингиомы мозга на основе анализа клинических признаков с использованием модели случайного леса // Биомедицинская радиоэлектроника. 2025. T. 28. № 2. С. 14−19. DOI: https://doi.org/10.18127/j15604136-202502-02

1. Goldbrunner R., Stavrinou P., Jenkinson M.D., Sahm F. et al. EANO guideline on the diagnosis and management of meningiomas. Neuro oncol. 2021. № 23(11). P. 1821–1834. https://doi.org/10.1093/neuonc/noab150.
2. Куканов К.К., Воробьёва О.М., Забродская Ю.М., Потёмкина Е.Г., Ушанов В.В., Тастанбеков М.М., Иванова Н.Е. Интракраниальные менингиомы: клинико-интраскопические и патоморфологические причины рецидивирования с учетом современных методов лечения (обзор литературы) // Сибирский онкологический журнал. 2022. № 21(4). С. 110–123.
3. Huntoon K., Toland A.M.S., Dahiya S. Meningioma: a review of clinicopathological and molecular aspects. Front Oncol. 2020. № 10(10). P. 1–14. https://doi.org/10.3389/fonc.2020.579599.
4. Danilov G.V., Shifrin M.A., Kotik K.V., Ishankulov T.A., Orlov Y.N., Kulikov A.S., Potapov A.A. Artificial intelligence in neurosurgery: A systematic review using topic modeling. Part I: Major research areas. Sovremennye Tehnologii v Medicine. 2020. V. 12(5). P. 1–112. https://doi.org/10.17691/stm2020.12.5.12 2.
5. Лемешко Б.Ю. Критерии проверки отклонения распределения от нормального закона (руководство по применению) // Новосибирский государственный технический университет. 2014. С. 192.
6. Красько О.В. Статистический анализ данных в медицинских исследованиях. Минск: МГЭУ им. А.Д. Сахарова. 2014. С. 127.
7. Гаджиев Я., Шалбузова К.И. Применение методов машинного обучения в прогнозировании и раннем обнаружении рака // Sciences of Europe. 2022. № 108. С. 48.
8. Объяснение метода случайного леса [Электронный ресурс]. URL: https://nerdit.ru/obiasnieniie-mietoda-sluchainogho-liesa/