ПОСЛЕДОВАТЕЛЬНЫЙ ОТБОР ПРИЗНАКОВ ДЛЯ КЛАССИФИКАЦИИ ТЕМПЕРАТУРНЫХ АНОМАЛИЙ РАКА МОЛОЧНОЙ ЖЕЛЕЗЫ НА ДАННЫХ РАДИОТЕРМОМЕТРИИ
Авторы:
1.
Волгоградский государственный университет
2.
Волгоградский государственный университет
Тип:
Статья
Страницы:
с 107
по 112
Статус:
Опубликован
Получено:
31.01.2026
Одобрено:
31.01.2026
Опубликовано:
31.01.2026
Язык материала:
русский
Ключевые слова:
МАШИННОЕ ОБУЧЕНИЕ, ЛОГИСТИЧЕСКАЯ РЕГРЕССИЯ, ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ, РАДИОТЕРМОМЕТРИЯ, КЛАССИФИКАЦИЯ
Аннотация:
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.
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.
Ключевые слова:
МАШИННОЕ ОБУЧЕНИЕ, ЛОГИСТИЧЕСКАЯ РЕГРЕССИЯ, ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ, РАДИОТЕРМОМЕТРИЯ, КЛАССИФИКАЦИЯ
МАШИННОЕ ОБУЧЕНИЕ, ЛОГИСТИЧЕСКАЯ РЕГРЕССИЯ, ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ, РАДИОТЕРМОМЕТРИЯ, КЛАССИФИКАЦИЯ
