ANSAMBL OʻQITISH USULIDA TERI SARATONINI ERTA BOSQICHDA ANIQLASH VA KLINIK MA'LUMOTLARNI BIRLASHTIRISH ORQALI TASHXIS ANIQLIGINI YAXSHILASH

Abstract. Chuqur tahlil qilishga bag‘ishlangan. Teri saratoni kasalliklarini dastlabki bosqichlarda aniqlash bemorlarning salomatlik darajasini sezilarli oshirishi va davolanish natijalarini yaxshilashi sababli, yuqori aniqlik va ishonchlilikka ega diagnostik yondashuvlarni ishlab chiqish dolzarb vazifa hisoblanadi. Tadqiqotda dermoskopik tasvirlar asosida avtomatlashtirilgan tahlil o‘tkazilib, tasvirlardan ajratib olingan morfologik, tekstura va rang xususiyatlari klinik ma’lumotlar, jumladan bemorning yoshi, jinsi, teri turi va anamnez ma’lumotlari bilan birlashtirilgan. Diagnostik modelni shakllantirish jarayonida qaror daraxtlari, tasodifiy o‘rmonlar (Random Forest), tayanch vektor mashinalari (SVM) va chuqur o‘qitishga asoslangan konvolyutsion neyron tarmoqlari (CNN) kabi bir nechta mashinali o‘qitish algoritmlari qo‘llanilib, ularning natijalari ansambl strategiyalari orqali integratsiya qilingan. Ansambl yondashuvlarining bagging, boosting va stacking kabi turlari sinovdan o‘tkazilib, ularning yakka modellar bilan solishtirib samaradorligi baholangan. Olingan natijalar shuni ko‘rsatadiki, tasviriy va klinik ma’lumotlarni birgalikda qayta ishlovchi ansambl modellar tashxis aniqligi, sezgirlik va spesifiklik ko‘rsatkichlari bo‘yicha alohida algoritmlarga nisbatan sezilarli ustunlikka ega. Xususan, noto‘g‘ri tashxislar ulushi kamayib, erta bosqichdagi xavfli o‘smalarni aniqlash imkoniyati yaxshilangani kuzatildi. Multimodal yondashuv, ya’ni turli ma’lumot manbalarini birlashtirish orqali diagnostika aniqligi 95-97% darajasiga erishilgani isbotlandi.Tadqiqot xulosalari ansambl mashinali o‘qitish usullarining teri saratonini erta tashxislashda klinik qarorlarni qo‘llab-quvvatlovchi samarali, ishonchli va istiqbolli vosita ekanligini hamda zamonaviy tibbiyot amaliyotiga joriy etilishi zarurligini tasdiqlaydi. Abstract. This article is devoted to an in-depth analysis of the possibilities of using ensemble machine learning methods for early detection of skin cancer, including melanoma and basal cell carcinoma. Since the detection of skin cancer diseases at early stages significantly increases the health level of patients and improves treatment outcomes, the development of diagnostic approaches with high accuracy and reliability is an urgent task. The study conducted an automated analysis based on dermoscopic images, whereby morphological, texture and color features extracted from images were combined with clinical data, including patient age, gender, skin type and medical history. In the process of forming the diagnostic model, several machine learning algorithms were applied, such as decision trees, Random Forest, Support Vector Machines (SVM) and Convolutional Neural Networks (CNN) based on deep learning, the results of which were integrated through ensemble strategies. Various types of ensemble approaches, such as bagging, boosting and stacking, were tested and their effectiveness was evaluated in comparison with individual models. The obtained results show that ensemble models jointly processing visual and clinical data have a significant advantage over individual algorithms in terms of diagnostic accuracy, sensitivity and specificity. In particular, a reduction in the proportion of incorrect diagnoses and an improvement in the ability to detect dangerous neoplasms at an early stage were noted. It has been proven that through a multimodal approach, i.e., combining different data sources, diagnostic accuracy reached a level of 95-97%. The research conclusions confirm that ensemble machine learning methods are an effective, reliable and promising tool for supporting clinical decisions in early diagnosis of skin cancer and the necessity of their implementation in modern medical practice. Аннотация. Данная статья посвящена углубленному анализу возможностей использования ансамблевых методов машинного обучения для раннего выявления рака кожи, включая меланому и базально-клеточную карциному. Поскольку выявление заболеваний рака кожи на ранних стадиях значительно повышает уровень здоровья пациентов и улучшает результаты лечения, разработка диагностических подходов с высокой точностью и надежностью является актуальной задачей. В исследовании проведен автоматизированный анализ на основе дермоскопических изображений, при этом морфологические, текстурные и цветовые признаки, извлеченные из изображений, были объединены с клиническими данными, включая возраст пациента, пол, тип кожи и анамнез. В процессе формирования диагностической модели применялись несколько алгоритмов машинного обучения, таких как деревья решений, случайные леса (Random Forest), метод опорных векторов (SVM) и сверточные нейронные сети (CNN) на основе глубокого обучения, результаты которых были интегрированы посредством ансамблевых стратегий. Различные типы ансамблевых подходов, такие как bagging, boosting и stacking, были протестированы, и их эффективность оценена в сравнении с отдельными моделями. Полученные результаты показывают, что ансамблевые модели, совместно обрабатывающие визуальные и клинические данные, имеют значительное преимущество перед отдельными алгоритмами по показателям точности диагностики, чувствительности и специфичности. В частности, отмечено снижение доли неправильных диагнозов и улучшение возможности выявления опасных новообразований на ранней стадии. Доказано, что благодаря мультимодальному подходу, то есть объединению различных источников данных, точность диагностики достигла уровня 95-97%. Выводы исследования подтверждают, что ансамблевые методы машинного обучения являются эффективным, надежным и перспективным инструментом поддержки клинических решений при ранней диагностике рака кожи и необходимость их внедрения в современную медицинскую практику.

Перевод пока недоступен