МАШИНАЛЫҚ ОҚЫТУ (ML) МОДЕЛЬДЕРІН ҚОЛДАНА ОТЫРЫП БАУЫР ҚАТЕРЛІ ІСІГІН БОЛЖАУ

Ашық қолжетімді құрылымдалған клиникалық деректер негізінде бауыр қатерлі ісігі қаупін болжауға арналған машиналық оқыту модельдері салыстырмалы түрде бағаланды. Зерттеуде Kaggle платформасынан алынған деректер жиынтығы қолданылды (N=5000): мақсатты айнымалы Liver_cancer, 13 белгі (9 сандық, 4 категориялық), кластар теңгерімсіз (0: 78,22%, 1: 21,78%).Деректерді алдын ала өңдеу, модельдерді үйрету және бағалау кезеңдері бірыңғай эксперименттік протокол шеңберінде орындалды. Сандық айнымалылар стандарттау арқылы нормаланды; категориялық айнымалылар бинарлы форматта кодталды.

Салыстырмалы талдауға логистикалық регрессия (Logistic Regression), тірек векторлар әдісі (Support Vector Machine, RBF ядросымен), k ең жақын көршілер (k-Nearest Neighbors), кездейсоқ орман (Random Forest) және градиенттік бустинг (Gradient Boosting) модельдері енгізілді. Барлық модельдер дәлдік (accuracy), нақтылық (precision), сезімталдық (recall/sensitivity), ерекшелік (specificity), F1-өлшемі (F1-score) және ROC қисығы астындағы аудан (ROC-AUC) көрсеткіштері бойынша бағаланды.

Нәтижелер бойынша градиенттік бустинг (Gradient Boosting) ең жоғары жиынтық тиімділікті көрсетті: ROC-AUC=0.999498, Accuracy=0.9754, Precision=0.998967, Sensitivity=0.887971, Specificity=0.999744, F1=0.940204. Салыстыру деректерінде SVM (RBF) және Random Forest тұрақты дискриминация бергенімен, сезімталдық пен F1 бойынша Gradient Boosting-тен төмен болды. Жұмыстың нәтижелері құрылымдалған клиникалық белгілер негізінде модель таңдауда метрикалардың кешенді талдауы қажет екенін көрсетеді; шектеулер ретінде деректердің теңгерімсіздігі және сыртқы валидацияның болмауы атап өтіледі.

1. Global Cancer Observatory (GCO). Liver and intrahepatic bile ducts: Fact sheet. GLOBOCAN 2022. – Lyon: International Agency for Research on Cancer (IARC), 2024. https://gco.iarc.who.int/media/globocan/factsheets/cancers/11-liver-and-intrahepatic-bile-ductsfact-sheet.pdf (accessed date: 21.02.2026)

2. Hepatocellular Carcinoma: A Comprehensive Review / N. Amin et al // Diseases. – 2025. – Vol. 13, № 7. – Art. 207. https://doi.org/10.3390/diseases13070207.

3. European Association for the Study of the Liver. EASL Clinical Practice Guidelines: Management of hepatocellular carcinoma // Journal of Hepatology. – 2018. – Vol. 69, № 1. – P. 182- 236. https://doi.org/10.1016/j.jhep.2018.03.019.

4. Current Status and Analysis of Machine Learning in Hepatocellular Carcinoma / S. Feng et al // Journal of Clinical and Translational Hepatology. – 2023. – Vol. 11, № 5. – P. 1184-1191. https://doi.org/10.14218/JCTH.2022.00077S.

5. Novel machine learning models outperform risk scores in predicting hepatocellular carcinoma in patients with chronic viral hepatitis / G.L.-H. Wong et al // JHEP Reports. – 2022. – Vol. 4, № 3. – Art. 100441. https://doi.org/10.1016/j.jhepr.2022.100441.

6. An artificial intelligence model to predict hepatocellular carcinoma risk in Korean and Caucasian patients with chronic hepatitis B / H.Y. Kim et al // Journal of Hepatology. – 2022. – Vol. 76, № 2. – P. 311-318. https://doi.org/10.1016/j.jhep.2021.09.025.

7. Machine-learning Approach for the Development of a Novel Predictive Model for the Diagnosis of Hepatocellular Carcinoma / M. Sato et al // Scientific Reports. – 2019. – Vol. 9, № 1. – Art. 7704. https://doi.org/10.1038/s41598-019-44022-8.

8. Machine Learning Prediction Models for Diagnosing Hepatocellular Carcinoma with HCVrelated Chronic Liver Disease / S. Hashem et al // Computer Methods and Programs in Biomedicine. – 2020. – Vol. 196. – Art. 105551. https://doi.org/10.1016/j.cmpb.2020.105551.

9. Feature reduction for hepatocellular carcinoma prediction using machine learning algorithms / G. Mostafa et al // Journal of Big Data. – 2024. – Vol. 11. – Art. 88. https://doi.org/10.1186/s40537-024-00944-3.

10. Machine learning model using immune indicators to predict outcomes in early liver cancer / Y. Zhang et al // World Journal of Gastroenterology. – 2025. – Vol. 31, № 5. – Art. 101722. https://doi.org/10.3748/wjg.v31.i5.101722.

11. Deep learning-based classification and mutation prediction from histopathological images of hepatocellular carcinoma / H. Liao et al // Clinical and Translational Medicine. – 2020. – Vol. 10, № 2. – Art. e102. https://doi.org/10.1002/ctm2.102.

12. A machine-learning model to predict hepatocellular carcinoma response to transcatheter arterial chemoembolization / A. Morshid et al // Radiology: Artificial Intelligence. – 2019. – Vol. 1, № 5. – Art. e180021. https://doi.org/10.1148/ryai.2019180021.

13. Serologic Detection of Hepatocellular Carcinoma: Application of Machine Learning and Implications for Diagnostic Models / P.J. Johnson et al // JCO Clinical Cancer Informatics. – 2024. – Vol. 8. – Art. e2300199. https://doi.org/10.1200/CCI.23.00199.

14. miadul. Predict Liver Cancer from & Clinical Features [Electronic resource] – Kaggle Datasets, 2024. – URL: https://www.kaggle.com/datasets/miadul/predict-liver-cancer-from-and-clinicalfeatures (accessed date: 20.02.2026).

15. Reporting of prognostic clinical prediction models based on machine learning methods in oncology: a systematic review / P. Dhiman et al // Diagnostic and Prognostic Research. – 2022. – Vol. 6, № 1. – Art. 13. https://doi.org/10.1186/s41512-022-00126-w.

16. Development of an Early Lung Cancer Diagnosis Method Based on a Neural Network / I. Karymsakova et al // Computers. – 2025. – Vol. 14. – Art. 397. https://doi.org/10.3390/computers14090397.