Исследовано применение методов машинного обучения при диагностике рака молочной железы. Проводится анализ формирования признакового пространства для классификации температурных аномалий, вызванных раком молочной железы. Для анализа использовался метод формирования признакового пространства, основанный на методе добавления признаков Sequential Floating Forward Selection (SFFB). В качестве набора данных использовались результаты обследования молочных желез, проведённых методом микроволной радиотермометрии. Для объективной оценки обобщающей способности моделей выборка разделена на обучающую и тестовую части. На тестовых данных, не участвовавших в процессе обучения и отбора признаков, проводилась итоговая верификация результатов. Анализ эффективности метода SFFB проводился с использованием различных вариаций критериев отбора, что позволило многосторонне оценить его гибкость. В частности, оптимизация выполнялась по F1-показателю, а также по комбинированной метрике, агрегирующей ключевые для системы искусственного интеллекта показатели: точность и полнота. Применение алгоритма SFFB позволило сократить размерность признакового пространства без существенного ущерба для качества классификации. Исходный набор, из 70 признаков, сокращен до 14 наиболее информативных и статистически значимых переменных. Такой результат подтверждает эффективность метода SFFB при сокращении размерности и его способность устранять избыточные признаки. Полученные результаты демонстрируют, что даже при значительном уменьшении размерности можно сохранить почти исходный уровень точности классификации, обеспечивая более быстрые вычисления. Кроме того, модели с меньшим количеством признаков обладают гораздо лучшей интерпретируемостью, что является критически важным фактором для принятия обоснованных клинических решений в области медицинской диагностики, где понимание логики классификации часто не менее ценно, чем результат.
The application of machine learning methods in the diagnosis of breast cancer is investigated. The analysis of the formation of the feature space for the classification of temperature anomalies caused by breast cancer is carried out. The method of feature space formation based on the Sequential Floating Forward Selection (SFFB) feature addition method was used for the analysis. The results of breast examinations performed by microwave radiothermometry were used as a data set. For an objective assessment of the generalizing ability of the models, the sample is divided into training and test parts. The final verification of the results was carried out on the test data that was not involved in the learning and selection process. The effectiveness of the SFFB method was analyzed using various variations of the selection criteria, which allowed a comprehensive assessment of its flexibility. Optimization was performed using the F1 indicator, as well as a combined metric that aggregates key indicators for the artificial intelligence system: accuracy and completeness. The use of the SFFB algorithm made it possible to reduce the dimension of the feature space without significant damage to the classification quality. The initial set of 70 features has been reduced to 14 of the most informative and statistically significant variables. This result confirms the effectiveness of the SFFB method in reducing dimensionality and its ability to eliminate redundant features. The results obtained demonstrate that even with a significant reduction in dimension, it is possible to maintain almost the initial level of classification accuracy, providing faster calculations. In addition, models with fewer features have much better interpretability, which is a critical factor for making informed clinical decisions in the field of medical diagnostics, where understanding the logic of classification is often no less valuable than the result.