Индира Бекеновна Карымсакова – PhD доктор кафедры «Автоматизация и информационные технологии»,
071412, г. Семей, ул. Глинки, 20 А
Indira Bekenovna Karymsakova – PhD, Department of Automation and Information Technologies,
071412, Semey, 20 A Glinka Street
Динара Жаксылыковна Шырынханова – докторант Школы цифровых технологий и искусственного интеллекта,
070004, ул. Серикбаева, 19, г. Усть-Каменогорск
Dinara Zhaksylykovna Shyrynkhanova – Doctoral (PhD) student, School of Digital Technologies and Artificial Intelligence,
070004, Ust-Kamenogorsk, 19 Serikbayeva Street
Гүльназ Жомартқызы – PhD доктор, ассоциированный профессор Школы цифровых технологий и искусственного интеллекта,
070004, ул. Серикбаева, 19, г. Усть-Каменогорск
Gulnaz Zhomartkyzy – PhD, Associate Professor, School of Digital Technologies and Artificial Intelligence,
070004, Ust-Kamenogorsk, 19 Serikbayeva Street
Динара Ошановна Кожахметова – PhD доктор, ассоциированный профессор кафедры «Автоматизация и информационные технологии»,
071412, г. Семей, ул. Глинки, 20 А
Dinara Oshanovna Kozhakhmetova – PhD, Associate Professor, Department of Automation and Information Technologies,
071412, Semey, 20 A Glinka Street
Татьяна Анатольевна Устинова – старший преподаватель кафедры «Автоматизация и информационные технологии»,
071412, г. Семей, ул. Глинки, 20 А
Tatyana Anatolyevna Ustinova – Senior Lecturer of the Department of Automation and Information Technologies,
071412, Semey, 20 A Glinka Street
На основе открытого набора структурированных клинических данных выполнена сравнительная оценка моделей машинного обучения для прогнозирования риска рака печени. В исследовании использован датасет платформы Kaggle (N=5000): целевая переменная Liver_cancer, 13 признаков (9 числовых, 4 категориальных), классы несбалансированы (0: 78,22%, 1: 21,78%). Этапы предобработки данных, обучения моделей и оценивания выполнены в рамках единого экспериментального протокола. Числовые переменные нормализованы посредством стандартизации; категориальные переменные закодированы в бинарном формате.
В сравнительный анализ включены логистическая регрессия (Logistic Regression), метод опорных векторов (Support Vector Machine с RBF-ядром), k ближайших соседей (k-Nearest Neighbors), случайный лес (Random Forest) и градиентный бустинг (Gradient Boosting). Все модели оценивались по метрикам точности (accuracy), прецизионности (precision), чувствительности (recall/sensitivity), специфичности (specificity), F1-меры (F1-score) и площади под ROC-кривой (ROC-AUC).
По результатам эксперимента градиентный бустинг (Gradient Boosting) продемонстрировал наивысшую совокупную эффективность: ROC-AUC=0.999498, Accuracy=0.9754, Precision=0.998967, Sensitivity=0.887971, Specificity=0.999744, F1=0.940204. Хотя SVM (RBF) и Random Forest обеспечивали стабильную дискриминацию, по чувствительности и F1 они уступали Gradient Boosting. Полученные результаты показывают, что при выборе модели на основе структурированных клинических признаков необходим комплексный анализ метрик; в качестве ограничений отмечены несбалансированность классов и отсутствие внешней валидации.
A comparative evaluation of machine learning models for predicting liver cancer risk was performed using an open structured clinical dataset. A Kaggle dataset was used in the study (N=5000): target variable Liver_cancer, 13 features (9 numerical, 4 categorical), with class imbalance (0: 78.22%, 1: 21.78%). Data preprocessing, model training and evaluation were carried out within a unified experimental protocol. Numerical variables were normalized via standardization; categorical variables were encoded in binary format.
The comparative analysis included Logistic Regression, Support Vector Machine with an RBF kernel, k-Nearest Neighbors, Random Forest, and Gradient Boosting. All models were evaluated using accuracy, precision, recall (sensitivity), specificity, F1-score, and the area under the ROC curve (ROC-AUC).
Gradient Boosting achieved the highest overall performance: ROC-AUC=0.999498, Accuracy=0.9754, Precision=0.998967, Sensitivity=0.887971, Specificity=0.999744, F1=0.940204. Although SVM (RBF) and Random Forest demonstrated stable discrimination, they underperformed compared to Gradient Boosting in terms of sensitivity and F1. The results indicate that selecting a model based on structured clinical features requires a comprehensive multi-metric assessment; key limitations include class imbalance and the absence of external validation.
The authors declare that there are no conflicts of interest present.