Специалист информационно-аналитического отдела Валерия Суримовавыступила наII Международной научной конференции «Технологии ИИ в науке и образовании», проходящей в МГУ им. М.В. Ломоносова, с докладом «Применение методов машинного обучения в гематологии».
На данный момент методы машинного обучения в гематологии наиболее применимы для научных поисковых исследований, однако в будущем могут быть использованы для скрининга и предварительного выявления нарушений кроветворной системы, а также создания систем поддержки принятия врачебных решений.
В информационно-аналитическом отделе под руководством кандидата технических наук С.М. Куликова были разработаны несколько математических моделей для поиска прогностических факторов на основе молекулярно-генетических и иммунофенотипических признаков у пациентов с острым лимфобластным лейкозом, острым промиелоцитарным лейкозом и множественной миеломой.
Исследования проведены совместно с отделением химиотерапии гемобластозов и депрессий кроветворения, отделением гематологии и химиотерапии острых лейкозов и лимфом, отделом химиотерапии паропротеинемических гемобластозов, лабораторией молекулярной гематологии, лабораторией иммунофенотипирования, централизованной клинико-диагностической лабораторией.
В случае, когда количество признаков существенно превышает количество пациентов, классические статистические методы не всегда предоставляют надежные оценки. В связи с этим в качестве альтернативы был выбран алгоритм машинного обучения Random Survival Forest, называемый еще методом «случайного леса выживаемости».
Этот метод позволяет оценить значимость каждого признака для прогнозирования, что даёт возможность исследователям и врачам понять, какие факторы наиболее важны для диагноза или прогноза. В задачах выживаемости основная цель – оценить время до интересующего события и количественно объяснить, как это время зависит от параметров лечения, индивидуальных особенностей пациентов и других независимых переменных. Random Survival Forest автоматически учитывает нелинейные зависимости между прогностическим параметром и временем до события.
В проведённых исследованиях количество параметров в десятки и тысячи раз превосходило число пациентов. Однако благодаря современным методам удалось обнаружить список наиболее значимых генетических аберраций для острого лимфобластного лейкоза, выделить важные иммунофенотипические предикторы развития осложнений при остром промиелоцитарном лейкозе, а также получить пороговые значения экспрессии генов для ответа на терапию при множественной миеломе.
Полученные результаты подтверждают, что машинное обучение открывает новые горизонты в медицине, позволяя находить тонкие закономерности, которые трудно выявить традиционными методами. Тем не менее, внедрение таких подходов требует тесного взаимодействия исследователей, врачей и разработчиков. Только вместе, объединяя научные знания, клинический опыт и технологические достижения, мы сможем создавать инструменты, которые изменят медицину и улучшат жизнь пациентов.